Atvirojo kodo įrankių interneto svetainėms optimizuoti tyrimas

Abstract

Baigiamajame darbe ištirti atvirojo kodo sistemose įgyvendinti optimizavimo metodai ir įvertintas jų tinkamumas svetainėms optimizuoti. Naudojant trijų svetainių, esančių paskolų rinkoje („Bobutės Paskola“, „Popkreditas“, „Paskoliukas“) duomenis, atrinkti ir ištirti neautomatiniam svetainių optimizavimui naudojami rodikliai: išorinių nuorodų skaičius, paspaudimų skaičius, atmetimo rodiklis, svetainės puslapių atvertimo laikas ir kiti. Surinkti ir naudojami duomenys yra pusės metų laikotarpio. Apžvelgti klasikiniai ir populiarūs metodai: tiesinės prognozės metodas (LPC), autoregresinis slenkamųjų vidurkių metodas (ARMA), netiesinis autoregresinis neuronų tinklas (NAR), netiesinis autoregresinis su papildomu įėjimu neuronų tinklas (NARX) ir laiko vėlinimo neuronų tinklas (TDNN). Naudojant atrinktus duomenis, taikant minėtus metodus, keičiant jų parametrus, skaičiuotos vidutinės paklaidos (prognozės efektyvumas). Atlikta kelių tipų prognozė: pirmiausiai prognozuojamas paspaudimų skaičius pagal to paties kintamojo (paspaudimo skaičiaus) istorinius duomenis (LPC, ARMA, NAR), ir kai apmokymas vyksta pagal du skirtingus įėjimus: atmetimo rodiklį ir vizito trukmę (NARX, TDNN). Geriausi rezultatai (mažiausios vidutinės paklaidos), buvo gauti taikant LPC metodą, grįstą 1 eilės filtro taikymu, ir 2 sluoksnių su 6 neuronais pirmame, 5 neuronais antrame sluoksnyje – NARX neuronų tinklą. Blogesni rezultatai gauti taikant 1 sluoksnio su 7 neuronais NARX neuronų tinklą ir ARMA metodą, grįstą [1 1] modelio eile. Prasčiausi rezultatai gauti taikant 1 sluoksnio su 6 neuronais TDNN ir 1 sluoksnio su 1 neuronu NAR neuronų tinklus. Mažiausia paklaida gauta taikant LPC metodą, prognozuojant „Paskoliuko“ duomenis – 7,6 %.

In a master thesis website optimization methods are examined using open source systems and their suitability for website optimization evaluated. For the research three websites operating in quick loans market are investigated: “Bobutes Paskola”,”Popkreditas”, and “Paskoliukas”. Data, such as the number of external links pointing to a website, click through rate, bounce rate, page load time, is extracted from various sources and analyzed. The timeframe of this research is 6 months. In the thesis the following traditional and most popular methods are used: linear predictive coding method (LPC), autoregressive moving average model (ARMA), nonlinear autoregressive neural network (NAR), nonlinear autoregressive exogenous model (NARX) and time delay neural networks (TDNN). Mean squared errors i.e. the effectiveness of prognosis, is calculated applying methods discussed above, using sorted data and changing various parameters. In the thesis there are several types of hypotheses tested. Firstly, click through rate is estimated using historic data of the same variable, i.e. click through rate (LPC, ARMA, NAR). Secondly, click through rate is estimated when the training is done using two separate entities: bounce rate and time on site (NARX, TDNN). The best results, or in other words the lowest mean squared errors, are observed when LPC method and NARX neural network are used. LPC method is based on 1 order of the prediction filter polynomial. While NARX neural network is based on 2 layers with 6 neurons in the first layer, 5 neurons in second layer. Less accurate results are observed when one layer seven neutrons NARX neural network and [1 1] polynomial orders ARMA method are used. The least accurate results are achieved when one layer 6 neurons TDNN and one layer one neuron NAR neuron networks are applied. The lowest deviation is achieved using LPC method when forecasting “Paskoliukas” data.