Τεχνικές υποστήριξης της εξατομίκευσης στο διαδίκτυο

Abstract

The tremendous growth of the World Wide Web has generated an enormous amount of information, which cannot be consumed by the users. This phenomenon has been described as Information Overload. Due to this, the internet users face difficulties in finding the information they need and assess its reliability. Adaptation of the available information according to user needs and interests can help users effectively manage the volume of information and assess its reliability. Hence, they can make decisions that maximize their satisfaction. In order to tackle the aforementioned challenges, the current thesis has investigated techniques for web personalization. In particular, we present a recommender system for mass customization, which suggests a product configuration based on user affective needs that comprise customers’ needs for a product driven by their emotions. The technique is built on top of multiple classifiers, one per product design parameter, leading in an increased overall accuracy, thus allowing for its application also for products that were not included in the original training data set. Moreover, we investigated techniques for supporting the personalized management of Web Services. Specifically, we presented a technique for Semantic Classification of web services based on the domain to which they belong, but also for classification of the elements that a web service includes into ontology concepts. Our goal was to support Web Service discovery based on users’ needs by the means of the proposed technique. After empirical experimentation we discovered that our technique achieved high classification accuracy compared to similar existing approaches. For supporting the provision of Web Services in the Cloud, an inference engine was implemented for reliability assessment of services, service providers and consumers, based on the combination of statistical data regarding the use of Cloud services, with user feedback. Finally, we present a technique for recommending personalized discount schemas based on reliability and loyalty assessment of both providers and consumers.

Η αλματώδης ανάπτυξη του Παγκόσμιου Ιστού Πληροφοριών έχει οδηγήσει στη δημιουργία ενός τεράστιου όγκου πληροφοριών που είναι αδύνατο για τους χρήστες να τον αφομοιώσουν. Ως συνέπεια του παραπάνω φαινομένου, γνωστό και ως «υπερφόρτωση πληροφοριών» (information overload), οι χρήστες δυσκολεύονται να εντοπίσουν την πληροφορία που ανταποκρίνεται στις ανάγκες τους αλλά και να εκτιμήσουν την αξιοπιστία της. Η εξατομίκευση της πληροφορίας σύμφωνα με τις ανάγκες και τα ενδιαφέροντα των χρηστών μπορεί να βοηθήσει στην αποτελεσματικότερη διαχείριση του όγκου και της ποιότητας της απλοποιώντας τη διαδικασία λήψης απόφασης και ως εκ τούτου να επιτυγχάνεται η μέγιστη ικανοποίηση τους. Για το σκοπό αυτό διερευνήθηκαν τεχνικές υποστήριξης της Εξατομίκευσης στο Διαδίκτυο. Παρουσιάστηκε μία τεχνική πρότασης για τη Μαζική Εξατομίκευση προϊόντων που προτείνει στον χρήστη μία διαμόρφωση προϊόντος σύμφωνα με τις «συναισθηματικές» του ανάγκες οι οποίες ορίζονται ως τις ανάγκες του καταναλωτή για ένα συγκεκριμένο προϊόν που καθοδηγούνται από τα συναισθήματα και τη συμπεριφορά του. Η τεχνική βασίστηκε στη χρήση πολλαπλών ταξινομητών ενός ανά σχεδιαστική παράμετρο του προϊόντος η οποία οδήγησε σε αύξηση της ακρίβειας της τεχνικής και έδωσε τη δυνατότητα χρήσης της και για προϊόντα που δεν συμμετείχαν στα δεδομένα εκπαίδευσης. Στη συνέχεια διερευνήθηκαν τεχνικές υποστήριξης της Εξατομίκευσης Υπηρεσιών Ιστού. Συγκεκριμένα, δημιουργήθηκε μία τεχνική ταξινόμησης που έχει ως στόχο να προβλέψει το Πεδίο Εφαρμογής στο οποίο ανήκει η Υπηρεσία Ιστού, δηλαδή κατηγοριοποιεί σημασιολογικά κάθε Υπηρεσία Ιστού σε μια κλάση που αντιπροσωπεύει το Πεδίο Εφαρμογής (domain) της και ταξινομεί τις λειτουργίες της σε οντολογικές έννοιες (ontology concepts) με στόχο την υποστήριξη της αποτελεσματικότερης αναζήτησης και εύρεσης της κατάλληλης υπηρεσίας σύμφωνα με τις ανάγκες του χρήστη. Η τεχνική παρουσίασε υψηλή ακρίβεια ταξινόμησης και υψηλότερη από αντίστοιχες ανταγωνιστικές. Για την υποστήριξη της διάθεσης των Υπηρεσιών Ιστού στο Υπολογιστικό Νέφος (Cloud Computing) αναπτύχθηκε μία μηχανή συμπερασμού (inference engine) για την εκτίμηση της αξιοπιστίας των υπηρεσιών, των παρόχων αλλά και των χρηστών λαμβάνοντας υπόψιν τόσο στατιστικά χρήσης των υπηρεσιών όσο και τη γνώμη των χρηστών (user feedback) δίνοντας έτσι τη δυνατότητα στους χρήστες και τους παρόχους να επιλέξουν σύμφωνα με τις απαιτήσεις τους. Επιπλέον, αναπτύχθηκε μία τεχνική εξατομικευμένων συστάσεων για προσωποποιημένα σχήματα εκπτώσεων που βασίζονται στη φήμη και αξιοπιστία των συμμετεχόντων στο Υπολογιστικό Νέφος.