<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=70131"><dc:title>Profiliranje spletnih uporabnikov v spletnem oglaševanju</dc:title><dc:creator>Košir,	Domen	(Avtor)
	</dc:creator><dc:creator>Kononenko,	Igor	(Mentor)
	</dc:creator><dc:creator>Bosnić,	Zoran	(Komentor)
	</dc:creator><dc:subject>spletno oglaševanje</dc:subject><dc:subject>profiliranje</dc:subject><dc:subject>sistemi za priporočanje</dc:subject><dc:subject>sledenje uporabnikom</dc:subject><dc:subject>zasebnost uporabnikov</dc:subject><dc:subject>računalništvo</dc:subject><dc:subject>disertacije</dc:subject><dc:description>Ogromni dobički velikih spletnih podjetij izhajajo večinoma iz naslova spletnega oglaševanja in so glavno gonilo napredka na področjih profiliranja spletnih uporabnikov ter sistemov za priporočanje.
Nova metoda za gradnjo ontoloških uporabniških profilov AverageActionFC temelji na tehnikah časovnega pozabljanja in popravljanja profilov s prototipi. Prototipi predstavljajo domensko znanje, s katerim lahko občutno izboljšamo kvaliteto profila. Rezultati kažejo, da lahko z našo metodo zgradimo profile višje kakovosti kot z obstoječimi metodami.
Sistemi za priporočanje, ki temeljijo na matrični faktorizaciji, trpijo za t.i. problemom hladnega zagona. Vrednosti skritih faktorjev za nove uporabnike napovedujemo na podlagi semantičnih informacij v njihovih profilih z uporabo metod strojnega učenja. Kakovost teh seznamov izdatno izboljšamo s pametnim kombiniranjem priporočil več sistemov za priporočanje.</dc:description><dc:publisher>[D. Košir]</dc:publisher><dc:date>2015</dc:date><dc:date>2015-07-10 21:43:13</dc:date><dc:type>Doktorsko delo/naloga</dc:type><dc:identifier>70131</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>