Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaKornélia Siposné Megváltozta több, mint 10 éve
1
Webbányászat (web mining) Mártonffy A: Kutakodom, tehát vagyok cikke nyomán
2
Webbányászat területei Nyéki (2007)
3
Webtartalom-bányászat web content mining, területei (Nyéki, 2007): – web szövegbányászat, – intelligens keresőügynökök, – információ-szűrés és kategorizálás, – web lekérdező rendszerek; módszertan: Bodon F.: Adatbányászati algoritmusok, Webes adatbányászat c. fejezete, példa: Google Page Rank.
4
Webstruktúra-bányászat web structure mining, területei (Nyéki, 2007): – látogatási struktúra elemzése, – klikkelés-sorozatok elemzése, – web site-ok tervezési stratégiája; példa: Zsiros P.: BDF website elemzése az SPSS Clementine Web Mining segítségével minőségbiztosítás céljából.
5
Webhasználat-bányászat web usage mining, területei: – látogatók szokásainak, magatartásmintáinak tanulmányozása (Nyéki, 2007), – látogatók tevékenységének előrejelzése és ösztönzése (Mártonffy, 2006), – webszolgáltatás minőségének javítása, webszerver teljesítményének optimalizálása (Bóta, 2007). webnaplók és/vagy web bug elemzésén alapul, példa: Amazon mátrix, Bóta L. írásai
6
Webnaplók weboldal elérése esetén a webszerver által készített bejegyzés, tartalma: – a kérés kiindulási helyének IP címe, – a kérés pontos ideje, – a kért URL cím, – egyéb adatok. Bóta, 2007
7
Amazon példa „webes kosár”: együttesen vásárolt termékekre vonatkozó adatok aktuális kattintás utáni ajánlatok, bejelentkezett felhasználók múltbéli cselekedeteinek (vásárlás és keresés) adatai hasonló új termékek ajánlata, előzmények: előzőleg meglátogatott (akár más szerveren lévő) lapok adatai, keresések adatai kifinomult keresés/kevés találat: öntudatos vásárló, illetve elnagyolt keresés/sok találat: útmutatásra, támogatásra szoruló látogató, kérdőívek válaszai és valós cselekedetek összevetése miért vásárolt az, akinek nem volt szándékában és miért nem vásárol az, aki tervezte.
8
Privacy kérések adatszerzés webbuggal, hálózati befolyás: azon felhasználók jellemzése, akik képesek másokat vásárlásra ösztönözni, megadott vásárlói adatok felhasználása (szavatosság, vásárlásösztönzés).
9
Telefonnal a zsebünkben… helymeghatározás (GPS révén) + vásárlói szokások ismerete (böngészős telefonok) azonnali helyzettudatos üzleti ajánlatok, modellezheti a tulajdonos viselkedését az összegyűjtött kommunikációs adatok alapján (két megbeszélés közötti időben emlékeztet, hogy kenyeret kell venni…)
10
Irodalom Mártonffy Attila (2006): Kutakodom, tehát vagyok (http://www.itbusiness.hu/files/pdf/PDFOLD/3693.pdf) Nyéki Lajos (2007): A COEDU e-learning keretrendszer használatának elemzése (http://bmf.hu/conferences/multimedia2007/26_NyekiLajos.pdf)http://bmf.hu/conferences/multimedia2007/26_NyekiLajos.pdf Bodon Ferenc (2008): Adatbányászati algoritmusok (http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulma ny/adatbanyaszat.pdf)http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulma ny/adatbanyaszat.pdf Zsiros Péter (2007): BDF website elemzése az SPSS Clementine Web Mining segítségével minőségbiztosítás céljából (http://bmf.hu/conferences/multimedia2007/6_ZsirosPeter.pdf)http://bmf.hu/conferences/multimedia2007/6_ZsirosPeter.pdf Hullám Gábor (2005): A web bug technológia — barát vagy ellenség? (http://pet- portal.eu/files/articles/2005/03/hullam_web_bug.pdf)http://pet- portal.eu/files/articles/2005/03/hullam_web_bug.pdf Bóta László (2007): Az Eszterházy Károly Főiskola honlapjának elemzése webbányászati módszerek felhasználásával (http://bmf.hu/conferences/multimedia2007/27_BotaLaszlo.pdf)
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.