11.01.2013 Aufrufe

Individualisierung und mobile Dienste am Beispiel der Medienbranche

Individualisierung und mobile Dienste am Beispiel der Medienbranche

Individualisierung und mobile Dienste am Beispiel der Medienbranche

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

154<br />

134.76.23.27 - - [30/Jun/2003:23:59:49 + ...<br />

134.76.23.27 - - [30/Jun/2003: ...<br />

...<br />

�<br />

{ p p p }<br />

P = 1,<br />

2,...,<br />

�<br />

n<br />

{ t t t }<br />

T = 1,<br />

2,...,<br />

n<br />

wobei: ti ⊂ P<br />

�<br />

{ I I I }<br />

IS = 1,<br />

2,...,<br />

k<br />

Interest<br />

conn<br />

wobei: σ ( I )<br />

() I<br />

( v,<br />

c)<br />

�<br />

i =<br />

σ<br />

=<br />

∏i∈I<br />

�<br />

{ t ∈T<br />

: I ⊆ t}<br />

() I<br />

σ () i<br />

i<br />

T<br />

∑e⊆c,<br />

v⊆e<br />

weight<br />

=<br />

∑e⊆c<br />

weight<br />

( e)<br />

( e)<br />

Abbildung 4-20: Profilaggregation durch Pageviewclusterung<br />

4 <strong>Individualisierung</strong> von Mediengütern<br />

Webserver-<br />

Zugriffsprotokoll<br />

Datenbereinigung<br />

Transaktionsableitung<br />

Bestimmung<br />

häufiger Objekte<br />

Bestimmung des<br />

Nutzerinteresses<br />

Pageview-Clusterung <strong>und</strong><br />

Clusteraggregation<br />

Wie in Abbildung 4-20 dargestellt ist, werden innerhalb <strong>der</strong> aus den bereinigten<br />

Daten (�) aggregierten Transaktionsgruppen T (�) häufig aufgerufene Objekte<br />

IS gefiltert (�). Als Maß σ <strong>der</strong> Häufigkeit eines Seitenaufrufs Ii innerhalb eines<br />

Transaktionsclusters c wird die Anzahl <strong>der</strong> Seitenaufrufe eines Objekts innerhalb<br />

des Transaktionsclusters im Verhältnis zur Mächtigkeit sämtlicher Transaktionscluster<br />

bestimmt. Diese häufig aufgerufenen Objekte werden im ARHP-<br />

Verfahren als Eckpunkte E eines Hypergrafen H = V,<br />

E interpretiert, wobei die<br />

Knoten V des Grafen H Elemente <strong>der</strong> gesäuberten Datenbasis P darstellen.<br />

Dabei werden diejenigen Knoten des Hypergrafen herausgefiltert, die eine geringe<br />

Verbindung zur den jeweiligen Eckpunkten besitzen. Dazu wird zunächst<br />

das Interesse Interest(I) eines individuellen Nutzers an einem häufig aufgerufenen<br />

Objekt anhand <strong>der</strong> Häufigkeit dieses Objektaufrufs im Verhältnis zur Ges<strong>am</strong>tzahl<br />

des Auftretens aller häufigen Objekte Ii in sämtlichen Clustern bestimmt(�).<br />

4.2.3.2.2 Ermittlung einer individuellen Empfehlung im Rahmen eines<br />

beobachtungsbasierten Empfehlungssystems<br />

Die Onlinekomponente eines Empfehlungssystems zeichnet für die aktive Sitzung<br />

eines Nutzers die zuletzt besuchten Seiten über ein Sitzungskontrollprogr<strong>am</strong>m auf.<br />

Bspw. können die aufgezeichneten Seiteneinträge in einem n-zeiligen verborgenen<br />

Fensterbereich protokolliert werden. Anhand von Seiteneigenschaften, wie <strong>der</strong> Un-

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!