LARGE SCALE RECOMMENDER SYSTEMS

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "LARGE SCALE RECOMMENDER SYSTEMS"

Transcript

1 Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Basi di Dati LARGE SCALE RECOMMENDER SYSTEMS Anno Accademico 2013/2014 Candidato: Domenico Albano matr. N46/1087 1

2 Indice Introduzione 3 1 Recommender Systems Browsing di oggetti multimediali Content Based Filtering Collaborative Filtering Hybrid Filtering 10 2 Modellazione di un oggetto multimediale Cos è un oggetto multimediale Definizioni preliminari Oggetto Multimediale 15 3 Metriche di Similitudine tra oggetti Similitudine nei Recommender Systems Somiglianza basata sulle features Somiglianza basata sulla tassonomia Similarità semantica attraverso le parole Similarità basata sulle features e sulla tassonomia Somiglianza basata sul percorso d esplorazione Indice di similitudine globale 30 Conclusioni 31 Bibliografia 33 2

3 Introduzione La civiltà di oggi è in enorme progresso scientifico e tecnologico. La comunicazione e l interazione tra comunità è a portata di click da quando internet è diventato accessibile a tutti. Con l obbiettivo di facilitare e incrementare l accesso e l utilizzo di grandi archivi multimediali sono stati sviluppati innumerevoli tools e algoritmi. Tali tools, comunemente noti come Recommender Systems, immagazzinano e analizzano dati estrapolando informazione atte a descrivere preferenze e interessi degli utenti, garantendo a questi ultimi utili raccomandazioni. Come sappiamo grandissimi passi avanti si sono fatti nel campo dell informazione e soprattutto in quello del browsing di oggetti multimediali e tuttora studiosi di tutto il mondo si impegnano per garantire agli utenti una navigazione facile, semplice e immediata. È questo l obbiettivo dei Recommender Systems, aiutare l utente nella scelta di un capo d abbigliamento, un accessorio, un elettrodomestico, basandosi sui propri interessi, sfruttando algoritmi e metodi di computazione atti ad individuare il livello di somiglianza tra oggetti. A questo scopo vengono introdotti descrittori, sia di basso che di alto livello, e viene definita una strategia che combina entrambi nel processo di calcolo 3

4 della somiglianza tra una generica coppia di oggetti appartenenti alla collezione multimediale. Inoltre per aiutare ulteriormente la ricerca della similarità si fa affidamento anche sulle esperienze dei precedenti utilizzatori del sistema di navigazione, e quindi dei loro percorsi di ricerca nel database. Questo ultimo principio da un contributo essenziale nella consolidazione dei due precedenti metodi, permettendo di considerare ulteriori fattori per esempio l assistenza all utente nella navigazione proponendogli di visitare oggetti visitati precedentemente da altri utenti. I più grandi siti di E-commerce offrono milioni di prodotti in tutto il mondo tramite il web, ed il continuo svilupparsi e ingigantirsi di questi ha portato il bisogno di sistemi in grado di gestire gli interessi degli utenti ed una grandissima mole di dati in continuo aumento. Pertanto, si parla di Large Scale Recommender Systems ovvero Recommender Systems applicati a siti di E-commerce estremamente grandi. Nei prossimi capitoli parleremo in generale dei Recommender Systems, analizzandoli negli aspetti più pratici, affrontando i temi di Information Retrieval e Browsing e focalizzeremo l attenzione sul mondo multimediale, sviluppando i concetti di similarità tra oggetti in una collezione multimediale. 4

5 Capitolo 1: Recommender Systems 1.1 Browsing di oggetti multimediali Il continuo sviluppo di applicazioni atte all elaborazioni di documenti multimediali ha comportato un grandissimo sviluppo di tecniche di ricerca e navigazione : in letteratura di parla di Information Retrieval e Browsing. Il primo termine indica il problema della ricerca di informazioni relative ad uno specifico oggetto multimediale, ovvero il sistema si occupa di trovare tali informazioni a partire da un oggetto dato. Tali sistemi vengono denominati Information Retrieval (IR), essi permettono quindi all utente di formulare query e di ottenere risultati in base ai criteri stabiliti. Un esempio di sistemi che fanno uso di tali tecniche sono i motori di ricerca, che mettono, tuttavia, alla luce i limiti di tali metodi: l utente deve esplicitamente descrivere le caratteristiche dell informazione desiderata, ovvero c è bisogno di una query per avere un risultato, l utente deve essere perfettamente a conoscenza dei propri interessi. Con Browsing, invece, si intende un applicazione che dirige l utente durante una navigazione all interno di una collezione multimediale, offrendo suggerimenti utili sugli oggetti in base agli interessi dell utente, senza che egli ne faccia richiesta espressamente. 5

6 Pertanto in letteratura si parla di Information Filtering (filtraggio delle informazioni) e si divide in due categorie principali: Filtraggio basato sul contenuto(content-based Filtering); Filtraggio collaborativo(collaborative Filtering); Nel primo caso vengono raccomandati all utente oggetti simili a quelli che egli ha dimostrato gradire in precedenza, mentre nel secondo vengono raccomandati oggetti apprezzati da altri utenti che condividono gusti simili all utente in questione. Nei paragrafi successivi analizzeremo più accuratamente le due tecniche di filtraggio e alcuni esempi di sistemi appartenenti ad ambedue tipologie. 1.2 Content Based Filtering Il continuo crescere della varietà delle informazioni da poter esaminare costituisce un grosso scoglio da superare per i sistemi di raccolta di oggetti. La mancanza di un organizzazione non permette agli utenti di ricercare facilmente le informazioni di cui hanno bisogno, ma la progettazione di un sistema capace di effettuare un recupero efficiente dei soli documenti relativi ad una stessa categoria risulta essere abbastanza complicata. Il problema principale quindi per i sistemi è quello di individuare gli elementi necessari all utente senza includere nella lista documenti sbagliati. Per affrontare questo problema i ricercatori sono orientati verso la realizzazione di applicazioni in grado di apprendere gli interessi dell utente, attraverso i cosiddetti filtri content-based. Essi si dividono in 6

7 due categorie: basati su regole o basati sul profilo utente. Il primo caso prevede la stesura di regole atte a filtrare oggetti in modo da relegarli in categorie specifiche, un esempio sono i kill files utilizzati per filtrare in arrivo. Il secondo approccio invece è molto più interessante ed utile, esso si basa sulla sintetizzazione delle caratteristiche degli elementi graditi e non di un utente dato in modo da poter discriminare e privilegiare oggetti prima ancora di attendere che l utente effettui una ricerca. Le informazioni necessarie allo scopo vengono tipicamente ricavate a partire dall osservazione dei movimenti dell utente, dalla sua cronologia, o a volte sottoponendolo ad un questionario al momento della sua registrazione. In sostanza questa tecnica di filtraggio di informazioni fornisce suggerimenti in base alle correlazioni tra il contenuto degli elementi esaminabili e le preferenze dell utente. Purtroppo, essi hanno delle limitazioni: La caratteristiche dell informazione devono essere estratte e codificate e ciò non può essere sempre fatto in maniera automatizzata; All utente vengono mostrati solo oggetti simili ad oggetti graditi in passato, in questo modo vengono esclusi eventuali oggetti che potrebbero interessargli nel presente; Le raccomandazioni si basano su diversità molto limitate; Naturalmente i sistemi che sfruttano questo filtraggio si differenziano per gli algoritmi utilizzati e per le tecniche adottate, un esempio sono News Dude e InfoFinder. 7

8 1.3 Collaborative Filtering Questo filtraggio adotta un approccio complementare rispetto al contentbased filtering e tiene conto principalmente delle implicazioni sociali del procedimento di raccomandazione. Invece di suggerire oggetti simili a quelli che l utente ha mostrate di apprezzare in precedenza, vengono raccomandati elementi che altri utenti simili hanno trovato interessanti. In pratica questa tecnica implementa il cosiddetto passa parola ed gli utenti inconsapevolmente si influenzano e interagiscono tra loro. Tuttavia la base stessa di questo approccio è stato messo in discussione partendo dal fatto che persone che condividono interessi su alcuni temi possono non farlo su altri. Quindi per far funzionare bene questo sistema è necessario partizionare l insieme degli oggetti in modo che formino un gruppo omogeneo in relazione al gradimento. Il Collaborative Filtering supera alcuni limiti del Content-Based, infatti non è necessario che gli oggetti da filtrare debbano essere prima analizzati e codificati in modo da estrarne le caratteristiche descrittive. Inoltre il sistema può raccomandare tranquillamente oggetti appartenenti a categorie diverse senza ricadere in suggerimenti simili. In pratica il suggerimento è basato più sulla qualità dell oggetto che sulle sue proprietà più oggettive, ma, come sappiamo, ogni sistema ha delle sue pecche: Gli oggetti appena inseriti non possono essere suggeriti. Infatti i nuovi elementi saranno disponibili per dei suggerimenti solo quando molti utenti li avranno visualizzati; 8

9 Se un utente è nuovo, non avendo fatto ancora nessuna scelta, non potrà essere confrontato con gli altri utenti e, pertanto, non potrà ricevere suggerimenti; Se il numero di utenti non è abbastanza grande ci possono essere utenti inusuali che non condividono nessun interesse con gli altri e quindi non beneficiano del sistema. Il Collaborative Filtering si divide in attivo e passivo. L approccio presentato si basa su di un unico database, contenente le preferenze degli utenti e le raccomandazioni si basano su persone simili per gusti, pertanto si parla di passive Collaborative Filtering perché non c è diretta connessione né conoscenza tra la persona che sceglie e gli utenti che ne ricevono il suggerimento. Viene denominato attive Collaborative Filtering l approccio che si basa sulla pratica comune a molti di consigliare ad amici o colleghi documenti interessanti, quindi ogni utente può direttamente condividere i propri interessi con gli altri appartenenti al sistema. Il primo lavora meglio quando la convergenza di preferenze sullo stesso insieme di oggetti è più alta (perché il sistema è automatizzato), mentre l altro funziona meglio quando i documenti trovati sono divergenti, ovvero lavora meglio nel punto in cui l altro sistema si blocca. Gli algoritmi di predizione usati sono: basati sulla memoria (memorybased) e basati sul modello (model-based). Quelli basati sulla memoria mantengono un database di tutte le preferenze espresse agli users e eseguono qualche computazione su tutto il database in 9

10 corrispondenza di ogni suggerimento. Quelli basati sul modello compilano le preferenze degli utenti in un modello descrittivo di utenti, oggetti e voti e le raccomandazioni sono poi basate su tale modello. Quindi i primi rimandano le computazione al momento del suggerimento e sono più semplici ed intuitivi. Funzionano piuttosto bene nella pratica, ma in termini di costi in computazioni e in memoria peggiorano con l aumentare dei dati. Viceversa nei metodi basati sul modello, il modello stesso soppianta il problema di lunghe computazioni andando oltre alla capacità predittive del sistema, evidenziando correlazioni tra dati che in modo automatizzato non sarebbero visibili. Anche in termini di memoria rispetto a quelli memorybased abbiamo un grosso vantaggio. Il problema principale è che i requisiti di tempo per compilare i dati in un modello potrebbero essere proibitivi e aggiungere un nuovo voto potrebbe richiedere una ricompilazione completa, mantenere quindi aggiornati i modelli è molto dispendioso in termini di tempo. In conclusione il filtraggio collaborativo rappresenta una buona alternativa al filtraggio basato sul contenuto. L idea fondamentale su cui si basa è di associare l utente corrente ad un insieme di utenti che condividono un profilo comune, quindi la somiglianza è tra utenti e non tra oggetti. Alcuni sistemi che sfruttano questo approccio sono Ringo e Siteseer. 1.4 Hybrid Filtering Recenti studi hanno dimostrato che un approccio ibrido possa essere più efficiente in alcuni casi. Esso può essere ottenuto in diversi modi: facendo predizioni content-based e collaborative-based separatamente e poi 10

11 combinandole; aggiungendo le facoltà di un approccio content-based ad uno collaborative e viceversa; o unificando i due approcci in un unico modello. Questi metodi ibridi costituiscono una valida alternativa ai due approcci canonici. Essi vengono usati, quindi, per superare alcuni problemi comuni nei recommender systems come il cold start e lo sparisity problem. Netflix è un ottimo esempio di sistema ibrido. In questo sistema viene fatta ogni raccomandazione comparando le abituali ricerche e visualizzazioni di utenti simili (approccio collaborativo) e offrendo film che condividono caratteristiche con i film che un utente ha gradito in precedenza (approccio content-based). Come sappiamo in letteratura vengono proposte solo due modelli come base per i sistemi di raccomandazione: collaborativo e content-based. Ognuna di queste ha riscontrato delle pecche, come ad esempio il ben noto problema del cold-start (inizio freddo). Come comportarsi con gli utenti nuovi che non hanno ancora effettuato nessuna ricerca? Un sistema di raccomandazione ibrido unisce più tecniche insieme per realizzare una sinergia tra loro. Esistono sette tipi di ibridazione: Pesata: i punteggi delle diverse component di raccomandazione sono combinati numericamente; Switching: il sistema sceglie uno tra i componenti di raccomandazione disponibili e lo applica; Mixed: vengono presentati insieme i suggerimenti di ogni raccomandatore; 11

12 Feature Combination: le features derivate da differenti base di conoscenza sono combinate insieme e date ad un unico algoritmo di raccomandazione; Feature Augmentation: viene usata una tecnica di raccomandazione per computare una feature o un set di features, il risultato viene poi dato in input ad un altra tecnica di raccomandazione; Cascata: viene data una rigorosa priorità ai raccomandatori, quelli a priorità più bassa vengono messi da parte per dare spazio ai risultati di quelli a priorità maggiore; Meta-level: una tecnica di raccomandazione viene utilizzata e ne viene estratto un modello che viene dato in input ad un'altra tecnica; 12

13 Capitolo 2: Modellazione di un oggetto multimediale 2.1 Cos è un oggetto multimediale Un oggetto multimediale a livello fisico non è altro che una collezione di lunghe sequenze di bytes non strutturate chiamate BLOBs(binary large objects). Un sistema che contenga simili dati dovrebbe essere in grado di ricavare e gestire informazioni sia sulla struttura interna dei BLOBs sia sul loro contenuto semantico. Dal punto di vista logico un oggetto multimediale è articolato in una struttura gerarchica di componenti sintattici come, ad esempio, capitoli e paragrafi in un testo, shots e scene in un video e così via. La struttura determina come questi componenti siano interlacciati tra loro. Oltre alla struttura logica abbiamo quella concettuale di ciascun oggetto che fornisce informazioni semantiche sul suo contenuto. Il modo in cui vengono derivate e memorizzate queste informazioni riguardanti i BLOB è attraverso un generico sistema di Information Retrieval o Browsing. Senza dubbio, un modello per dati multimediali adatto ad un sistema che debba consentire l esplorazione e il recupero ottimale di elementi all interno del database dovrebbe essere in grado di gestire e descrivere sia 13

14 il contenuto concettuale degli oggetti che le loro caratteristiche di più basso livello. Di conseguenza abbiamo la necessità di definire un tale modello al fine di descrivere in maniera appropriata un generico elemento multimediale. 2.2 Definizioni preliminari Definizione: Alfabeto multimediale Un alfabeto multimediale A è un insieme finito di simboli multimediali MSymbol, dove con simbolo multimediale si intende un carattere alfanumerico, un pixel o un campione audio. A={MSymbols} Due simboli multimediali si dicono omogenei se della stessa tipologia. Definizione: Parola Multimediale Dato un alfabeto multimediale A, una parola multimediale MW A di lunghezza k su A è una composizione di k simboli multimediali omogenei su A. MW A ={s 1... s k } con s i A i 1,k Esempio: un testo o un immagine sono esempi di parole multimediali, composizione rispettivamente di caratteri alfanumerici e pixel. Una parola multimediale si dirà composta se potrà decomporsi in più parole multimediali dotate di significato, atomica in caso contrario. 14

15 Naturalmente a seconda del tipo di oggetto multimediale il concetto di decomposizione cambia. Nel caso di immagini una parola multimediale componente sarà una sotto-regione dell intera figura, nel caso di un video un sottoinsieme di frame dell intero film, nel caso di un testo una singola parola o frase. Ogni parola contribuisce con il suo significato a determinare il significato globale della parola multimediale. Definizione: Dizionario Multimediale Dato un alfabeto multimediale A, un dizionario multimediale MDictionary A su A è un insieme di parole multimediali sull alfabeto A. MDictionary A ={MW A s} 2.3 Oggetto Multimediale Adesso possiamo dare la definizione di oggetto multimediale: Definizione: Oggetto Multimediale Un oggetto multimediale MO A su un dato alfabeto multimediale A può essere definito come una quadrupla: MO A ={MW A, MOId, M f, M c } Dove MW A è una parola multimediale sull alfabeto A. Si tratta in pratica del dato multimediale vero e proprio di più basso livello: il testo inteso come sequenza di caratteri, l immagine intesa come insieme di pixel e così via; 15

16 MOId è il link fisico all oggetto multimediale, l URI(Uniform Resource Identifier) cioè una strina che identifica univocamente la risorsa. Un URI può essere classificato in URL o URN: URL(Uniform Resource Locator) è un URI che oltre ad essere un identificatore fornisce mezzi per agire su o per ottenere una rappresentazione della stessa descrivendo il suo meccanismo di accesso primario o la sua ubicazione in una rete; un URN(Uniform Resource Name) è un URI che identifica una risorsa con un nome in un particolare dominio di nomi; M f è un insieme di metadati contenente una descrizione di basso livello dell oggetto multimediale, un insieme di sue features fisiche rilevanti, anche noto come signature della risorsa. Ad esempio, considerando il caso di immagini la signature è costituita da tre diverse features: colore, forma, texture, shape; M c è un insieme di metadati contenente una descrizione a livello semantico dell oggetto multimediale, significativi dal punto di vista del suo contenuto semantico. Ad esempio, nel caso di applicazioni di browsing di un museo virtuale, possono considerarsi informazioni rilevanti dal punto di vista semantico tutte quelle relative all autore del dipinto, al suo soggetto, alla corrente artistica di riferimento etc; 16

17 Capitolo 3: Metriche di Similitudine tra oggetti 3.1 Similitudine nei Recommender Systems L elemento chiave nella progettazione di un effettivo Recommender System multimediale è la definizione di similarità per comparare oggetti multimediali, estrapolando features descrittive di basso e alto livello. La similarità viene vista come la somma pesata di due contributi, uno legato alla somiglianza di basso livello tra gli oggetti e uno legato alla somiglianza semantica degli stessi. Descriveremo in questo paragrafo tale strategia rispetto ad immagini. Le immagini vengono descritte attraverso 3 fondamentali features di basso livello: color, texture and shape. Gli algoritmi di image processing possono automaticamente estrarre queste e calcolare la distanza tra 2 immagini come la distanza tra le loro features nello spazio delle features. 3.2 Somiglianza basata sulle features Si considerino, dato un alfabeto multimediale A, due generici oggetti multimediali della stessa tipologia, MO A ={MW A, MOId, M f, M c } e MO A ={MW A, MOId, M f, M c }; per definire la similitudine di basso livello tra di essi è necessario considerarne le caratteristiche fisiche 17

18 rilevanti, contenute negli insiemi di metadati M f ={f 1,..,f n } e M f ={f 1,..,f n }. Per ciascuna coppia di elementi dei due insiemi si potrà calcolare la distanza tra feature fisica corrispondente nei due oggetti, d f1, d f2,, dove per distanza basata su una caratteristica di basso livello f i si intende una misura della differenza tra due oggetti multimediali valutata in termini della stessa f i. Definizione: Distanza basata su features La distanza basata sulle features tra due oggetti multimediali dello stesso tipo MO A e MO A si definisce come: d features (MO A, MO A ) = i α i d fi con i = 1,..., n, n essendo il numero complessivo delle features fisiche considerate e α i dei coefficienti di peso opportuni. Definizione: Similitudine basata sulle features La similitudine basata sulle features tra due oggetti multimediali dello stesso tipo MO A e MO A si definisce come: S features (MO A, MO A ) = 1 - d features (MO A, MO A ) Questa è la similitudine di basso livello generica, a seconda dei tipi di oggetto multimediali cambieranno le features appartenenti all insieme M f. Adesso vedremo in particolare quali entrano in gioco nelle immagini e nei testi. Similitudine di basso livello tra immagini Come abbiamo detto per le immagini le features di riferimento sono 3, color, texture e shape. Nel database l immagine, dopo l inserimento, viene analizzate e le viene immagazzinata una rappresentazione compatta dei 18

19 suoi contenuti in un vettore di features, la signature. Le immagini quindi sono confrontate in base a colore, texture e forma, le posizioni di questi attributi visuali sono rappresentate dalla locazione che non è un parametro significativo per la ricerca ma lo è congiuntamente ad uno degli altri 3 attributi. In parole povere la signature contiene informazioni su: Colore: rappresenta la distribuzione di colori all interno dell intera immagine, ovvero un istogramma con le percentuali per ogni colore; Texture: è un indice della regolarità o irregolarità dell immagine, come granularità e zone sfumate; Forma: rappresenta le forme che compaiono all interno dell immagine determinate tramite tecniche di segmentazione basate sul colore; Locazione: rappresenta la posizione delle componenti di forma, colore e texture all interno dell immagine stessa. Di seguito riportiamo una serie di immagini analizzandone la somiglianza. Immagini molto simili nel colore ma non nella locazione; 19

20 Immagini molto simili nella texture ma non nel colore; Similitudine di basso livello tra testi Per i testi il discorso è diverso, la misura della similitudine di basso livello è ottenuta considerando il numero di occorrenze delle parole chiave di un testo all interno dell altro e viceversa. Quindi, dati due testi A e B, viene calcolata con opportuni metodi di computazione l occorrenza di ciascuna parola chiave due e valutata la differenza di tali risultati, partendo dalla considerazione che sia quasi impossibile che due testi diversi abbiano lo stesso numero di occorrenze. La similitudine di basso livello viene poi calcolata come in precedenza. 3.3 Somiglianza basata sulla tassonomia Una tassonomia è una collezione di termini di un vocabolario controllato, organizzati in una struttura gerarchica. Le relazioni gerarchiche in tassonomia sono di tipo intero-parte, genere-specie, tipo-istanza. La tassonomia è quindi una gerarchia dove un nodo è un concetto o una classe di concetti e una connessione rappresenta un associazione diretta tra due 20

21 nodi padre/figlio. La struttura utilizzata per rappresentare tale organizzazione, quindi, è quella ad albero, a cui ogni nodo costituisce un concetto e ogni ramo un associazione. 3.4 Similarità semantica attraverso le parole Ormai grazie allo sviluppo di innumerevoli progetti computazionali linguistici di successo, molte sono le basi di conoscenza semantiche disponibili a noi. Le basi di conoscenza (knowledge base) possono essere costruite in una gerarchia in cui si individuano relazioni tra i termini del tipo is a o is a kind of (ISA). La struttura gerarchica ISA della base di conoscenza è importante nel determinare al distanza semantica tra le parole. Date due parole, si può analizzare la base di conoscenza gerarchica 21

22 per individuare la similitudine semantica tra di esse. Un metodo diretto per il calcolo della similitudine consiste nel trovare il percorso di lunghezza minima che collega i concetti contenenti le due parole. Nella figura sottostante possiamo notare che il percorso minimo tra le parole boy e girl è boy-male-person-female-girl pari a 4 mentre tra le parole boy e teacher sono 6 (boy-male-person-adult-professional-educator-teacher), pertanto possiamo affermare che a livello semantico boy e girl sono più simili di boy e teacher. Naturalmente questo metodo non è molto accurato, dato che dal grafico si nota che la parola animal dista 4 da quella boy minore della distanza tra boy e teacher, cosa che concettualmente non è accettabile. Per superare questo limite bisogna utilizzare un maggior numero di informazioni: in sostanza i concetti superiori della gerarchia devono avere una semantica più generale e una minore somiglianza gli uni dagli altri, mentre quelli negli strati inferiori abbiano una semantica più concreta ed una somiglianza più forte, e soprattutto bisognerebbe considerare anche la profondità di cammino minimo. Anche la densità locale delle reti semantiche è un fattore determinante. Quindi la similitudine tra 2 parole può considerarsi una funzione del percorso minimo tra le 2, la profondità e la densità della rete locale. Sono 3 i possibili casi in cui 2 parole possono trovarsi: Si trovano nello stesso concetto, quindi hanno lo stesso significato per cui si assegna alla lunghezza del percorso semantico tra di essere il valore nullo; Non sono nello stesso concetto ma contengono una o più parole coincidenti, in questo caso le parole condividono parzialmente le 22

23 stesse caratteristiche. Allora si assegna una lunghezza al percorso che le separa pari ad 1: tale scelta deriva dalla considerazione che quando i concetti relativi a due parole contengono una o più parole uguali le due sono tipicamente simili; Le due non sono nello stesso concetto né i loro concetti hanno parole in comune; La profondità viene derivata dal conteggio dei livelli dall elemento fino alla cima della gerarchia lessicale. Naturalmente maggiore sarà la profondità maggiori saranno le informazioni legate a quella parola. In generale la similitudine semantica è una funzione monotona crescente rispetto alla profondità, mentre, monotona decrescente rispetto al percorso semantico. Grazie a questo possiamo definire la descrizione semantica di un oggetto multimediale Definizione: Descrizione semantica di un oggetto multimediale Data una tassonomia T, una descrizione semantica M C di un oggetto multimediale MO A è una coppia ordinata definita come M C = (TA, NTA) Dove TA = (A 1,...,A m ) è una tupla ordinata di attributi che assumono i valori corrispondenti ai nodi di T e NTA = (A * 1,..., A * m ) è una tupla ordinata di attributi i cui valori non corrispondono ai nodi di T. Ad esempio nel caso della classificazioni tassonomiche di immagini con: M C = (Autore, Titolo, Corrente artistica, Soggetto) 23

24 TA = (Autore, Corrente artistica, Soggetto) NTA = (Titolo) Ovvero gli attributi Autore, Corrente artistica e Soggetto possono esprimere un legame semantico tra le immagini, infatti è probabile che due immagini relative ad uno stesso autore o appartenenti alla stessa corrente siano simili, al contrario del titolo che cambia da opera ad opera. Definizione: Similitudine basata sulla tassonomia Sia T una tassonomia e TA = (A 1,...,Aτ) la tupla di attributi tassonomici. La similitudine basata sulla tassonomia tra due oggetti MO A e MO A è: Dove α i k = t i (A k ) e α j k = t j (A k ) sono i valori individuabili tra i metadati M C e M C per l attributo A k, l è la lunghezza del percorso tra α i k e α j k e d è la profondità; α e β sono dei parametri che regolano il contributo di l e d. Definizione: Distanza basata sulla tassonomia La distanza basata sulla tassonomia tra due oggetti MO A e MO A definita come è d taxonomy (MO A, MO A ) = 1 - S T (MO A, MO A ) 24

25 3.5 Similarità basata su features e sulla tassonomia Come detto in precedenza la similitudine globale tra due oggetti multimediali è vista come la somma pesate di due contributi, uno legato alla similitudine di basso livello ad uno a quello alto. Di seguito riportiamo le definizioni. Definizione: Distanza basata sulle features a sulla tassonomia La distanza basata sui contributi di features e contenuto semantico tra due oggetti multimediale MO A e MO A è definita come: d M (MO A, MO A ) = α F d features (MO A, MO A ) + α T d taxonomy (MO A, MO A ) nel caso in cui i due oggetti siano dello stesso tipo, d M (MO A, MO A ) = d taxonomy (MO A, MO A ) nel caso in cui i due oggetti siano di tipologie differenti. α F e α T sono due pesi il cui valore può essere fissato in modo da tenere in maggiore considerazione il contenuto semantico rispetto alle features fisiche o viceversa. Definizione: Similitudine basata sulle features e sulla tassonomia La similitudine basata sui due contributi (basso e alto livello) tra due oggetti multimediali MO A e MO A è definita come: S M (MO A, MO A ) = 1 d M (MO A, MO A ) 25

26 3.6 Somiglianza basata sul percorso di esplorazione Come abbiamo accennato in precedenza per garantire dei suggerimenti intelligenti ad un utente possiamo avvalerci anche dei percorsi di altri utenti che in precedenza hanno navigato nella collezione multimediale confrontandoli con quelli del utente preso in considerazione. Definizione: Percorso d esplorazione Un percorso d esplorazione p di lunghezza k è la sequenza ordinata dei k oggetti richiesti da un utente nella stessa sessione di esplorazione: p = ( o 1, o 2,..., o k ) Sia P l insieme di tutti i percorsi d esplorazione dei visitatori passati. La nostra necessità adesso è stabilire la nozione di similitudine tra percorsi d esplorazione. Uno dei più famosi algoritmi proporti in letteratura per il confronto di sequenze di simboli dato un alfabeto è quello di Levenshtein, progettato per valutare la distanza tra due parole in termini di somma dei costi di operazioni base (inserimenti, cancellazioni e sostituzioni) necessaria a trasformare una stringa in un altra. 26

Linguaggi e Paradigmi di Programmazione

Linguaggi e Paradigmi di Programmazione Linguaggi e Paradigmi di Programmazione Cos è un linguaggio Definizione 1 Un linguaggio è un insieme di parole e di metodi di combinazione delle parole usati e compresi da una comunità di persone. È una

Dettagli

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri.

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. A partire da questa lezione, ci occuperemo di come si riescono a codificare con sequenze binarie, quindi con sequenze di 0 e 1,

Dettagli

Configuration of a distributed system as emerging behavior of autonomous agents

Configuration of a distributed system as emerging behavior of autonomous agents Configuration of a distributed system as emerging behavior of autonomous agents Configuration of a distributed system as emerging behavior of autonomous agents : Questo documento illustra la strategia

Dettagli

TEORIA sulle BASI DI DATI

TEORIA sulle BASI DI DATI TEORIA sulle BASI DI DATI A cura del Prof. Enea Ferri Cos è un DATA BASE E un insieme di archivi legati tra loro da relazioni. Vengono memorizzati su memorie di massa come un unico insieme, e possono essere

Dettagli

MANUALE UTENTE DELLA BIBLIOTECA VIRTUALE

MANUALE UTENTE DELLA BIBLIOTECA VIRTUALE MANUALE UTENTE DELLA BIBLIOTECA VIRTUALE Il sistema di ricerca della biblioteca virtuale permette di accedere in maniera rapida ai materiali didattici di interesse degli studenti presenti all interno del

Dettagli

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testuali Il text mining: una definizione Data mining per dati destrutturati ovvero documenti codificati in linguaggio

Dettagli

Mining Positive and Negative Association Rules:

Mining Positive and Negative Association Rules: Mining Positive and Negative Association Rules: An Approach for Confined Rules Alessandro Boca Alessandro Cislaghi Premesse Le regole di associazione positive considerano solo gli item coinvolti in una

Dettagli

Basi di Dati Multimediali. Fabio Strocco

Basi di Dati Multimediali. Fabio Strocco Basi di Dati Multimediali Fabio Strocco September 19, 2011 1 Contents 2 Introduzione Le basi di dati (o database) hanno applicazioni in molti campi, in cui è necessario memorizzare, analizzare e gestire

Dettagli

Organizzazione degli archivi

Organizzazione degli archivi COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i

Dettagli

CAPITOLO 4 LA CREAZIONE DI TABELLE D ATTIVITÀ E SCHEDE DI SPESA

CAPITOLO 4 LA CREAZIONE DI TABELLE D ATTIVITÀ E SCHEDE DI SPESA CAPITOO 4 A CREAZIONE DI TABEE D ATTIVITÀ E SCHEDE DI SPESA 55 A CREAZIONE DI TABEE D ATTIVITÀ E SCHEDE DI SPESA 57 Questo capitolo descrive l uso del Q per sviluppare budget e piani di lavoro basati sul

Dettagli

RICERCA DELL INFORMAZIONE

RICERCA DELL INFORMAZIONE RICERCA DELL INFORMAZIONE DOCUMENTO documento (risorsa informativa) = supporto + contenuto analogico o digitale locale o remoto (accessibile in rete) testuale, grafico, multimediale DOCUMENTO risorsa continuativa

Dettagli

Progetto Finale: Progettazione di un database e di una applicazione

Progetto Finale: Progettazione di un database e di una applicazione Progetto Finale: Progettazione di un database e di una applicazione Roberto Basili Corso di Basi Di Dati a.a. 2002-2003 Norme Generali Il progetto fa parte della valutazione gobale del corso e la data

Dettagli

Mon Ami 3000 Varianti articolo Gestione di varianti articoli

Mon Ami 3000 Varianti articolo Gestione di varianti articoli Prerequisiti Mon Ami 3000 Varianti articolo Gestione di varianti articoli L opzione Varianti articolo è disponibile per le versioni Azienda Light e Azienda Pro e include tre funzionalità distinte: 1. Gestione

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Software. Definizione, tipologie, progettazione

Software. Definizione, tipologie, progettazione Software Definizione, tipologie, progettazione Definizione di software Dopo l hardware analizziamo l altra componente fondamentale di un sistema di elaborazione. La macchina come insieme di componenti

Dettagli

Il database management system Access

Il database management system Access Il database management system Access Corso di autoistruzione http://www.manualipc.it/manuali/ corso/manuali.php? idcap=00&idman=17&size=12&sid= INTRODUZIONE Il concetto di base di dati, database o archivio

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

La gestione del documento

La gestione del documento Operatore giuridico d impresa Informatica Giuridica A.A 2002/2003 II Semestre La gestione del documento prof. Monica Palmirani Il documento A differenza del dato il documento è solitamente un oggetto non

Dettagli

Indice dei contenuti

Indice dei contenuti Gesttiione Knowlledge Base Serrviiziio dii Conttactt Centterr 055055 Manualle dii consullttaziione Indice dei contenuti 1. Introduzione... 4 2. Modalità di accesso alle informazioni... 5 2.1. Accesso diretto

Dettagli

Alessandra Raffaetà. Basi di Dati

Alessandra Raffaetà. Basi di Dati Lezione 2 S.I.T. PER LA VALUTAZIONE E GESTIONE DEL TERRITORIO Corso di Laurea Magistrale in Scienze Ambientali Alessandra Raffaetà Dipartimento di Informatica Università Ca Foscari Venezia Basi di Dati

Dettagli

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile

Dettagli

Capitolo 5. Cercare informazioni sul Web

Capitolo 5. Cercare informazioni sul Web Capitolo 5 Cercare informazioni sul Web Cercare nel posto giusto Posti logici e noti per reperire informazioni sui nostri contributi pensionistici, chiediamo all INPS Biblioteche on-line La maggior parte

Dettagli

Alfresco ECM. La gestione documentale on-demand

Alfresco ECM. La gestione documentale on-demand Alfresco ECM La gestione documentale on-demand Alfresco 3.2 La gestione documentale on-demand Oltre alla possibilità di agire sull efficienza dei processi, riducendone i costi, è oggi universalmente conosciuto

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) STATISTICA DESCRITTIVA

Dettagli

Capitolo II Le reti elettriche

Capitolo II Le reti elettriche Capitolo II Le reti elettriche Fino ad ora abbiamo immaginato di disporre di due soli bipoli da collegare attraverso i loro morsetti; supponiamo ora, invece, di disporre di l bipoli e di collegarli tra

Dettagli

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1 UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Filippo Romano 1 1. Introduzione 2. Analisi Multicriteri o Multiobiettivi 2.1 Formule per l attribuzione del

Dettagli

Obiettivo Principale: Spiegare come la stessa cosa possa essere realizzata in molti modi diversi e come, a volte, ci siano modi migliori di altri.

Obiettivo Principale: Spiegare come la stessa cosa possa essere realizzata in molti modi diversi e come, a volte, ci siano modi migliori di altri. 6 LEZIONE: Algoritmi Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10-25 Minuti (a seconda che tu abbia dei Tangram disponibili o debba tagliarli a mano) Obiettivo Principale: Spiegare come

Dettagli

Corso di Basi di Dati Multimediali

Corso di Basi di Dati Multimediali Corso di Basi di Dati Multimediali Lezione su: MMDBMS (Multimedia Data Base Manage System) Studente; Enrico Leone Matr. 961/142 Basi di Dati Multimediali Multimedia Database Manage System Deve supportare

Dettagli

16.3.1 Alberi binari di ricerca

16.3.1 Alberi binari di ricerca 442 CAPITOLO 16. STRUTTURE DI DATI DINAMICHE root 7 5 11 2 8 13 10 Figura 16.11 Esempio di albero binario: ogni nodo contiene il dato da immagazzinare e tre puntatori che definiscono le sue relazioni di

Dettagli

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

COME CATTURARE I MOMENTI CHE CONTANO: raggiungere le persone giuste con il messaggio giusto al momento giusto, ogni volta.

COME CATTURARE I MOMENTI CHE CONTANO: raggiungere le persone giuste con il messaggio giusto al momento giusto, ogni volta. COME CATTURARE I MOMENTI CHE CONTANO: raggiungere le persone giuste con il messaggio giusto al momento giusto, ogni volta. Parlare di sessione online è ormai obsoleto: oggi non si va più online, si vive

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

disponibili nel pacchetto software.

disponibili nel pacchetto software. Modulo syllabus 4 00 000 00 0 000 000 0 Modulo syllabus 4 DATABASE 00 000 00 0 000 000 0 Richiede che il candidato dimostri di possedere la conoscenza relativa ad alcuni concetti fondamentali sui database

Dettagli

Programmi. Algoritmi scritti in un linguaggio di programmazione

Programmi. Algoritmi scritti in un linguaggio di programmazione Programmi Algoritmi scritti in un linguaggio di programmazione Sistema operativo:programma supervisore che coordina tutte le operazioni del calcolatore Programmi applicativi esistenti Sistemi di videoscrittura

Dettagli

Progettazione di un Database

Progettazione di un Database Progettazione di un Database Per comprendere il processo di progettazione di un Database deve essere chiaro il modo con cui vengono organizzati e quindi memorizzati i dati in un sistema di gestione di

Dettagli

Intelligenza Artificiale

Intelligenza Artificiale Intelligenza Artificiale Anno accademico 2008-2009 Information Retrieval: Text Categorization Una definizione formale Sia D il dominio dei documenti Sia C = {c 1,,c C } un insieme di categorie predefinite

Dettagli

Effetto Feedback fra somiglianza e influenza sociale nelle community on line

Effetto Feedback fra somiglianza e influenza sociale nelle community on line ALMA MATER STUDIORUM A.D. 1088 UNIVERSITÁ DI BOLOGNA Scuola di Scienze MM FF NN Corso di Laurea Magistrale in Informatica Effetto Feedback fra somiglianza e influenza sociale nelle community on line Claudia

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni

Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni LA PROGETTAZIONE DI BASI DI DATI Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni La progettazione dei dati è l attività più importante Per progettare i dati al

Dettagli

E-learning. Struttura dei moduli formativi

E-learning. Struttura dei moduli formativi E-learning Per e-learning (o apprendimento on-line) s intende l uso delle tecnologie multimediali e di Internet per migliorare la qualità dell apprendimento facilitando l accesso alle risorse e ai servizi,

Dettagli

Modellazione di sistema

Modellazione di sistema Corso di Laurea Specialistica in Ingegneria Informatica Corso di Ingegneria del Software A. A. 2008 - Modellazione di sistema E. TINELLI Contenuti Approcci di analisi Linguaggi di specifica Modelli di

Dettagli

http://mb.unisalento.it/index.htm

http://mb.unisalento.it/index.htm Appunti Fondamenti di Informatica 7/05/015 I motori di ricerca Algoritmi e strutture dati I motori di ricerca sono tra i servizi internet maggiormente utilizzati. Come in un libro sono generalmente presenti

Dettagli

Macchine per l elaborazione dell informazion e. Sistemi di Elaborazione delle Informazioni. Informatica II

Macchine per l elaborazione dell informazion e. Sistemi di Elaborazione delle Informazioni. Informatica II Macchine per l elaborazione dell informazion e Sistemi di Elaborazione delle Informazioni Informatica II Ing. Mauro Iacono Seconda Università degli Studi di Napoli Facoltà di Studi Politici e per l Alta

Dettagli

Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione

Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione 4 LEZIONE: Programmazione su Carta a Quadretti Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10 Minuti Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione SOMMARIO:

Dettagli

RAPPRESENTAZIONE DEI NUMERI BINARI. Corso di Fondamenti di Informatica AA 2010-2011

RAPPRESENTAZIONE DEI NUMERI BINARI. Corso di Fondamenti di Informatica AA 2010-2011 RAPPRESENTAZIONE DEI NUMERI BINARI Corso di Fondamenti di Informatica AA 2010-2011 Prof. Franco Zambonelli Numeri interi positivi Numeri interi senza segno Caratteristiche generali numeri naturali (1,2,3,...)

Dettagli

Data Base. Prof. Filippo TROTTA

Data Base. Prof. Filippo TROTTA Data Base Definizione di DataBase Un Database può essere definito come un insieme di informazioni strettamente correlate, memorizzate su un supporto di memoria di massa, costituenti un tutt uno, che possono

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 5 Tecniche OCR Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Il File System. È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati

Il File System. È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati Il File System È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati Le operazioni supportate da un file system sono: eliminazione di dati modifica

Dettagli

1. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di 40, fra di esse vi sia un solo asso, di qualunque seme.

1. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di 40, fra di esse vi sia un solo asso, di qualunque seme. Esercizi difficili sul calcolo delle probabilità. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di, fra di esse vi sia un solo asso, di qualunque seme. Le parole a caso

Dettagli

Fondamenti di Informatica Laurea in Ingegneria Civile e Ingegneria per l Ambiente e il Territorio

Fondamenti di Informatica Laurea in Ingegneria Civile e Ingegneria per l Ambiente e il Territorio Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Fondamenti di Informatica Laurea in Ingegneria Civile e Ingegneria per l Ambiente e il Territorio Rappresentazione dell Informazione

Dettagli

ORGANIZZAZIONE PRODOTTI

ORGANIZZAZIONE PRODOTTI GESTIONE PRODOTTI 1 INTRODUZIONE In questa parte di manuale vediamo l organizzazione gerarchica dei prodotti in CRM e in che modo provvigioni, piani e promozioni vengono assegnate al prodotto. 2 ORGANIZZAZIONE

Dettagli

Sistemi Informativi e Basi di Dati

Sistemi Informativi e Basi di Dati Sistemi Informativi e Basi di Dati Laurea Specialistica in Tecnologie di Analisi degli Impatti Ecotossicologici Docente: Francesco Geri Dipartimento di Scienze Ambientali G. Sarfatti Via P.A. Mattioli

Dettagli

postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza

postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza la praticabilità di una scomposizione della complessità in informazioni elementari ed

Dettagli

Analisi della Costruzione Partecipativa di un Wiki con un Applicazione a Wikipedia

Analisi della Costruzione Partecipativa di un Wiki con un Applicazione a Wikipedia POLITECNICO DI MILANO Facoltà di Ingegneria dell'informazione Corso di Laurea in Ingegneria Informatica Analisi della Costruzione Partecipativa di un Wiki con un Applicazione a Wikipedia Tesi di laurea

Dettagli

Object Oriented Programming

Object Oriented Programming OOP Object Oriented Programming Programmazione orientata agli oggetti La programmazione orientata agli oggetti (Object Oriented Programming) è un paradigma di programmazione Permette di raggruppare in

Dettagli

SISTEMA WEB PER LA GESTIONE DEI TEAM DI PROGETTO (DTPM)

SISTEMA WEB PER LA GESTIONE DEI TEAM DI PROGETTO (DTPM) SISTEMA WEB PER LA GESTIONE DEI TEAM DI PROGETTO SISTEMA WEB PER LA GESTIONE DEI TEAM DI PROGETTO (DTPM) Giovanni Serpelloni 1),Ermanno Ancona 2), Elisabetta Simeoni 3) 1. Dipartimento delle Dipendenze

Dettagli

LEZIONE 3. Il pannello di amministrazione di Drupal, configurazione del sito

LEZIONE 3. Il pannello di amministrazione di Drupal, configurazione del sito LEZIONE 3 Il pannello di amministrazione di Drupal, configurazione del sito Figura 12 pannello di controllo di Drupal il back-end Come già descritto nella lezione precedente il pannello di amministrazione

Dettagli

LEZIONE: Pensiero Computazionale. Tempo della lezione: 45-60 Minuti. - Tempo di preparazione: 15 Minuti.

LEZIONE: Pensiero Computazionale. Tempo della lezione: 45-60 Minuti. - Tempo di preparazione: 15 Minuti. 3 LEZIONE: Pensiero Computazionale Tempo della lezione: 45-60 Minuti. - Tempo di preparazione: 15 Minuti. Obiettivo Principale: Introdurre il modello del Pensiero Computazionale come metodo per la risoluzione

Dettagli

AGGIORNAMENTO AREA SEMANTICA GESTIONE SOGGETTARI

AGGIORNAMENTO AREA SEMANTICA GESTIONE SOGGETTARI Pag. 1 di 9 Manuale Utente Aprile 2013 -MUT-01--Gestione_Soggetto Pag. 2 di 9 INDICE 1. SCOPO DEL DOCUMENTO... 3 2. DESCRIZIONE... 3 3. GESTIONE DI EDIZIONI DIVERSE DEL SOGGETTARIO DI FIRENZE... 3 3.1

Dettagli

PIÙ IN DETTAGLIO Come si crea una scuola virtuale? Come viene associato un insegnate alla scuola? Cos è il Codice scuola?

PIÙ IN DETTAGLIO Come si crea una scuola virtuale? Come viene associato un insegnate alla scuola? Cos è il Codice scuola? PIÙ IN DETTAGLIO Come si crea una scuola virtuale? Quando si compila il modulo di registrazione, selezionare l opzione scuola.una volta effettuata la registrazione, si può accedere a un ambiente molto

Dettagli

INTRODUCTION TO WEARABLE TECHNOLOGY

INTRODUCTION TO WEARABLE TECHNOLOGY INTRODUCTION TO WEARABLE TECHNOLOGY AND MOBILE VISION - Tutorial 2 - In questo tutorial impareremo come sviluppare una applicazione in grado di classificare in modo automatico alcuni luoghi di interessa

Dettagli

Tibet. Manuale Centri di Costo. Tibet R 1

Tibet. Manuale Centri di Costo. Tibet R 1 Tibet Manuale Centri di Costo Tibet R 1 Che cosa è la gestione dei Centri di Costo La gestione dei Centri di Costo consente alle aziende di controllare in modo analitico l'aspetto economico della gestione

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

Progetto Finale: Modelli semantici dei dati in domini applicativi specifici

Progetto Finale: Modelli semantici dei dati in domini applicativi specifici Progetto Finale: Modelli semantici dei dati in domini applicativi specifici Roberto Basili, Marco Pennacchiotti Corso di Fondamenti di Informatica a.a. 2003-2004 Definizioni Generali e Regole d esame Il

Dettagli

Lezione 1. Introduzione e Modellazione Concettuale

Lezione 1. Introduzione e Modellazione Concettuale Lezione 1 Introduzione e Modellazione Concettuale 1 Tipi di Database ed Applicazioni Database Numerici e Testuali Database Multimediali Geographic Information Systems (GIS) Data Warehouses Real-time and

Dettagli

SPORTLANDIA TRADATE Cookie Policy

SPORTLANDIA TRADATE Cookie Policy SPORTLANDIA TRADATE Cookie Policy Informativa Privacy (art.13 D.Lgs. 196/2003): i dati che i partecipanti al Blog conferiscono all atto della loro iscrizione sono limitati all indirizzo e-mail e sono obbligatori

Dettagli

LABORATORIO. 2 Lezioni su Basi di Dati Contatti:

LABORATORIO. 2 Lezioni su Basi di Dati Contatti: PRINCIPI DI INFORMATICA CORSO DI LAUREA IN SCIENZE BIOLOGICHE Gennaro Cordasco e Rosario De Chiara {cordasco,dechiara}@dia.unisa.it Dipartimento di Informatica ed Applicazioni R.M. Capocelli Laboratorio

Dettagli

Lezione 20: La grafica 3D ed il WEB. La grafica 3D ed il WEB. La grafica 3D ed il WEB. Contenuti non interattivi. Contenuti interattivi

Lezione 20: La grafica 3D ed il WEB. La grafica 3D ed il WEB. La grafica 3D ed il WEB. Contenuti non interattivi. Contenuti interattivi La grafica 3D ed il WEB Lezione 20: La grafica 3D ed il WEB Lo sviluppo che ha avuto Internet negli ultimi anni e' principalmente dovuto al WWW. Uno dei punto di forza del WWW e' la possibilita' di distribuire

Dettagli

VALUTAZIONE PRESTAZIONI del PERSONALE NEL SETTORE BANCARIO

VALUTAZIONE PRESTAZIONI del PERSONALE NEL SETTORE BANCARIO VALUTAZIONE PRESTAZIONI del PERSONALE NEL SETTORE BANCARIO Modelli e strumenti Il software H1 Hrms a supporto Valutazione Prestazioni del personale nel settore bancario dicembre 2010 gennaio 2011 pag.

Dettagli

Modello OAIS. Modello di riferimento. Il Modello. Prof.ssa E. Gentile a.a. 2011-2012. Un modello di riferimento dovrebbe descrivere:

Modello OAIS. Modello di riferimento. Il Modello. Prof.ssa E. Gentile a.a. 2011-2012. Un modello di riferimento dovrebbe descrivere: Modello OAIS Prof.ssa E. Gentile a.a. 2011-2012 Prof.ssa E. Gentile Progettazione e Produzione di Contenuti Digitali 1 Modello di riferimento Un modello di riferimento dovrebbe descrivere: le componenti

Dettagli

Metodi basati sugli autovettori per il Web Information Retrieval

Metodi basati sugli autovettori per il Web Information Retrieval Metodi basati sugli autovettori per il Web Information Retrieval HITS, PageRank e il metodo delle potenze LSI e SVD LSI è diventato famoso per la sua abilità nel permettere di manipolare i termini (all

Dettagli

IL TUO SITO WEB. SkyNotes è l insieme degli strumenti di cui l azienda italiana necessita per essere competitiva nel mondo in costante cambiamento.

IL TUO SITO WEB. SkyNotes è l insieme degli strumenti di cui l azienda italiana necessita per essere competitiva nel mondo in costante cambiamento. IL TUO SITO WEB SkyNotes è l insieme degli strumenti di cui l azienda italiana necessita per essere competitiva nel mondo in costante cambiamento. personalizzabile # intuitivo # immediato IL TUO SITO SUBITO

Dettagli

Materiale didattico. Laboratorio di Informatica a.a. 2007-08. I) Introduzione all Informatica. Definizione di Informatica. Definizione di Informatica

Materiale didattico. Laboratorio di Informatica a.a. 2007-08. I) Introduzione all Informatica. Definizione di Informatica. Definizione di Informatica Corso di Laurea Triennale in Storia, Scienze e Tecniche dell Industria Culturale sede di Brindisi Laboratorio di Informatica a.a. 2007-08 Materiale didattico Testo adottato D.P. Curtin, K. Foley, K. Suen,

Dettagli

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Obiettivi. Presentare l evoluzione dei sistemi informativi: da supporto alla operatività a supporto al momento decisionale Definire

Dettagli

INFORMATICA. Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE.

INFORMATICA. Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE. INFORMATICA Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE. APPLICAZIONI WEB L architettura di riferimento è quella ampiamente diffusa ed

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione Il concetto di Algoritmo e di Calcolatore Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Cos

Dettagli

WORD 97 SCRIVERE UNA TESI DI LAUREA

WORD 97 SCRIVERE UNA TESI DI LAUREA WORD 97 SCRIVERE UNA TESI DI LAUREA PASSO 1 Per prima cosa pensiamo al formato generale della pagina: i margini richiesti da una tesi sono quasi sempre più ampi di quelli di un testo normale. Apriamo ora

Dettagli

La realizzazione di un manufatto in odontoiatria protesica

La realizzazione di un manufatto in odontoiatria protesica La realizzazione di un manufatto in odontoiatria protesica Dott. Michele Rossini Parole chiave: Costo di produzione Valore di produzione Prototipo Lowcost Se neparla molto e il dialogo sembra ancora agli

Dettagli

Ipertesti e Internet. Ipertesto. Ipertesto. Prof.ssa E. Gentile. a.a. 2011-2012

Ipertesti e Internet. Ipertesto. Ipertesto. Prof.ssa E. Gentile. a.a. 2011-2012 Corso di Laurea Magistrale in Scienze dell Informazione Editoriale, Pubblica e Sociale Ipertesti e Internet Prof.ssa E. Gentile a.a. 2011-2012 Ipertesto Qualsiasi forma di testualità parole, immagini,

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007 Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza

Dettagli

Analisi dei Requisiti

Analisi dei Requisiti Analisi dei Requisiti Pagina 1 di 16 Analisi dei Requisiti Indice 1 - INTRODUZIONE... 4 1.1 - OBIETTIVO DEL DOCUMENTO...4 1.2 - STRUTTURA DEL DOCUMENTO...4 1.3 - RIFERIMENTI...4 1.4 - STORIA DEL DOCUMENTO...4

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Presentazione. Salamone.it di Nair Vanegas Via G. Verdi, 20-10042 Nichelino (TO) Tel. 011 6290976 - Cell. 347 7362958 Sito web: www.salamone.

Presentazione. Salamone.it di Nair Vanegas Via G. Verdi, 20-10042 Nichelino (TO) Tel. 011 6290976 - Cell. 347 7362958 Sito web: www.salamone. Presentazione Il web offre enormi opportunità. Avere una vetrina online con pagine web dedicate per ogni articolo o servizio, può espandere il tuo business in maniera significativa. Hai dei dubbi? Due

Dettagli

Progettaz. e sviluppo Data Base

Progettaz. e sviluppo Data Base Progettaz. e sviluppo Data Base! Introduzione ai Database! Tipologie di DB (gerarchici, reticolari, relazionali, oodb) Introduzione ai database Cos è un Database Cos e un Data Base Management System (DBMS)

Dettagli

Corso di formazione CORSO DI FORMAZIONE. Prof. Marco Scancarello Prof.ssa Carolina Biscossi Email: didatticaelim@gmail.com

Corso di formazione CORSO DI FORMAZIONE. Prof. Marco Scancarello Prof.ssa Carolina Biscossi Email: didatticaelim@gmail.com Corso di formazione CORSO DI FORMAZIONE Prof. Marco Scancarello Prof.ssa Carolina Biscossi Email: didatticaelim@gmail.com IL CORSO L utilizzo sempre più frequente delle nuove tecnologie nella vita quotidiana

Dettagli

La tv digitale: innovazione ed economia

La tv digitale: innovazione ed economia La tv digitale: innovazione ed economia Giuseppe Richeri Università della Svizzera Italiana, Lugano Il processo d innovazione in atto L applicazione delle tecniche digitali ai mezzi di comunicazione oggi

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

Internet Architettura del www

Internet Architettura del www Internet Architettura del www Internet è una rete di computer. Il World Wide Web è l insieme di servizi che si basa sull architettura di internet. In una rete, ogni nodo (detto host) è connesso a tutti

Dettagli

Sorgenti autorevoli in ambienti hyperlinkati.

Sorgenti autorevoli in ambienti hyperlinkati. Sorgenti autorevoli in ambienti hyperlinkati. La qualità di un metodo di ricerca richiede la valutazione umana dovuta alla soggettività inerente alla nozione di rilevanza. I motori di ricerca correnti,

Dettagli

Basi di dati. (Sistemi Informativi) teoria e pratica con Microsoft Access. Basi di dati. Basi di dati. Basi di dati e DBMS DBMS DBMS

Basi di dati. (Sistemi Informativi) teoria e pratica con Microsoft Access. Basi di dati. Basi di dati. Basi di dati e DBMS DBMS DBMS Basi di Basi di (Sistemi Informativi) Sono una delle applicazioni informatiche che hanno avuto il maggiore utilizzo in uffici, aziende, servizi (e oggi anche sul web) Avete già interagito (magari inconsapevolmente)

Dettagli

Rappresentazione grafica di entità e attributi

Rappresentazione grafica di entità e attributi PROGETTAZIONE CONCETTUALE La progettazione concettuale, ha il compito di costruire e definire una rappresentazione corretta e completa della realtà di interesse, e il prodotto di tale attività, è lo schema

Dettagli

Capitolo 20: Scelta Intertemporale

Capitolo 20: Scelta Intertemporale Capitolo 20: Scelta Intertemporale 20.1: Introduzione Gli elementi di teoria economica trattati finora possono essere applicati a vari contesti. Tra questi, due rivestono particolare importanza: la scelta

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Università della Svizzera italiana

Università della Svizzera italiana Università della Svizzera italiana Il sito dell Università della Svizzera italiana e l accessibilità Vs.1.0 11 / 12 / 2007 TEC-LAB WEB-SERVICE 1. INTRODUZIONE Avere accesso al web, per un utente disabile,

Dettagli

Dalla tastiera alla Smart City, come evolvono tecnologie e servizi

Dalla tastiera alla Smart City, come evolvono tecnologie e servizi Dalla tastiera alla Smart City, come evolvono tecnologie e servizi A. Rossi, P.L. Emiliani Seconda Parte 2012-30 anni di Ausilioteca GIORNATA DI STUDIO La proposta di tecnologie assistive: fattori di qualità

Dettagli

Informazione e dato. Gabriella Trucco

Informazione e dato. Gabriella Trucco Informazione e dato Gabriella Trucco Cos è l informatica? Informatica? Trattamento automatico delle informazioni INFORMATICA Informazione Informazione: Qualcosa che quando viene fornito dissipa un dubbio,

Dettagli

Microsoft Access 2000

Microsoft Access 2000 Microsoft Access 2000 Corso introduttivo per l ECDL 2004 Pieralberto Boasso Indice Lezione 1: le basi Lezione 2: le tabelle Lezione 3: creazione di tabelle Lezione 4: le query Lezione 5: le maschere Lezione

Dettagli