Messung Benutzerverhalten
Hilft dir meine Webseite weiter? Falls du dieses Projekt unterstützen möchtest, kannst du mir gerne einen Kaffee an paypal.me/markusbilz spenden. Danke.️
❤
SciNetPub möchte für seine global vertriebenen Informatik-, Informationswirtschafts- und Data-Science Zeitschriften ein verhaltensbasiertes Recommendersystem für Empfehlungen der Art Others Also Use aufbauen.
F: Was bedeutet Other Also Use? (5P)
A:
- 1.„Other also use" steht für „Andere Nutzer nutzen auch". Es handelt sich also um einen verhaltensbasierten Recommender, der auf Grundlage des Nutzerverhaltens anderer Nutzer Empfehlungen generiert.
- 2.Nutzerverhalten entspricht im Kontext von SciNetPub dem Leseverhalten von Nutzern mit ähnlichen Interessen und ähnlichen Fachgebieten.
- 3.Ein derartiger Recommender basiert typischerweise auf einem Ehrenberg-Recommender / auf der Auswertung von Sessions mit digitalen Informationsprodukten im Rahmen einer Warenkorbanalyse.
F: Wie muss SciNetPub seinen OPAC aufbauen und was muss SciNetPub messen, um einen solchen Recommenderdienst aufbauen zu können? (5P)
A:
- SciNetPub muss in seinem OPAC eine Möglichkeit zum Logging von Transaktionen integrieren.
- Transaktionen müssen messen, welche Seiten / Dokumente zu welchem Zeitpunkt im Rahmen welcher Session aufgerufen wurden. (Eigene)
- Weiterhin wird ein User-Observation Agent benötigt, der das Nutzerverhalten beobachtet und die Transaktionslogs schreibt.
- Aggregation Agent (nicht abgebildet, da nicht Teil von OPAC) schätzt LSD-Verteilung und berechnet Ausreiser.
- Ferner wird ein Recommendation-Agent benötigt. Dieser generiert Vorschlagsseiten und wird über eingebettete Links im OPAC aufgerufen.
- Die Ergebnisse des Bibliothekssystems und des Recommendation-Agents werden im User-Interface integriert. (Folie 48; BibTip)
.png?alt=media)
F: Erstellen Sie ein Datenmodell für diese Messungen! (Hinweis: Vergessen Sie die Metadaten nicht!) (10P)
A:
Tabelle für Einkäufe (angelehnt an Grafik auf Folie 26 BibTip Recommender):
User_id | First_Name | Last_Name | … |
|---|---|---|---|
String | String | String | … |
Weitere Tabellen:
Document_Id | Title | Author | … |
|---|---|---|---|
String | String | String | … |
User_id | First_Name | Last_Name | … |
|---|---|---|---|
String | String | String | … |
F: Welche Preprocessing-Schritte müssen durchgeführt werden, damit dieser Datensatz für einen Ehrenberg-Recommender geeignet ist? (5P)
A:
- 1.Auswahl eines geeigneten Betrachtungszeitraums. (eigene)
- 2.Aggregation der Einkäufe unterschiedlicher User auf Dokumentenebene, d. h. wann wurde ein Produkt in einem Zeitraumbetrachtet. (eigene)
- 3.Ausreißer Erkennung im Rahmen der Datenvorverarbeitung z. B. durch Abschneiden von Perzentilen (eigene)
- 4.Session-Splitting bei öffentlichen Terminals (vgl. Bib-Tip Folien)
- 5.Extraktion von GET Anfragen (Bib-Tip Folien)
- 6.Wenn 1 Produkt in 1 Session mehrmals angeschaut wurde → auf 1 "standardisieren"
Last modified 4mo ago