Trust und Interest Similarity und deren Anwendung für Empfehlungssysteme

Trust und InterestSimilarity und

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Zusammenhangzwischen Trust undInterest Similarity

Meinungsumfrage

Akzeptanz vonOnline Empfehlungen

Wahrnehmung vonanderenOnline-Nutzern

Meinungsumfrage -Zusammenhangzwischen Trust undInterest Similarity

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Similarity-Berechnung

Analyse der oberenSchranke

Analyse der unterenSchranke

Anwendung aufEmpfehlersysteme

Trust und Interest Similarity und derenAnwendung fur Empfehlungssysteme

Florian Niederhuber

9. Januar 2014

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Agenda

Zusammenhang zwischen Trust und Interest SimilarityMeinungsumfrageEmpirische Analyse

Anwendung auf Empfehlersysteme

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Zusammenhang zwischen Trust und InterestSimilarity

Anziehung zwischen Menschen haben eine positiveAuswirkung auf die Ahnlichkeit derer Interessen.⇒ Ahnliches wird auch bei Vertrauensbeziehungenangenommen.

“the more similar two people, the greater the trustbetween them” -Ziegler, Goldbeck

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage

Die Meinungsumfrage beinhaltet 10 Fragen in denKategorien:

I Akzeptanz von Online-Empfehlungen

I Wahrnehmung von anderen Online-Nutzern

I Zusammenhang zwischen Trust und Interest Similarity

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage

Teilnehmer:

I Personliche Einladung via Facebook und eMail.

I Teilnehmer aus funf verschiedenen Landern.

I Nur volljahrige Teilnehmer wurden zurMeinungsumfrage eingeladen.

Von den Eingeladenen haben schließlich 408 Personenteilgenommen.

Durchgefuhrt wurde diese als Online-Umfrage aufSurveyMonkey.com um Teilnehmer aus verschiedenenRegionen der Welt zu erreichen.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Akzeptanz vonOnline-Empfehlungen

58% aller Teilnehmer bevorzugen die Unterstutzung durchein Empfehlungssystem

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Akzeptanz vonOnline-Empfehlungen

Nehmen Sie an Ihnen steht ein unbekannterExperte fur Autos A und einer Ihrer Freunde Bohne Erfahrung mit Autos fur Empfehlungen beimAutokauf zur Verfugung. Welche Empfehlungbevorzugen Sie?

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Wahrnehmung von anderenOnline-Nutzern

52% haben Online-Bekanntschaften, denen sie vertrauen.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Wahrnehmung von anderenOnline-Nutzern

59% von denen, die Online-Freundschaften akzeptieren,halten es nicht fur notig diese zu bewerten.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Zusammenhang zwischenTrust und Interest Similarity

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Meinungsumfrage - Zusammenfassung

I Die Umfrage bekraftigt die Annahme, dass es einenZusammenhang gibt.

I Empfehlungen bevorzugt von Experten inOnline-Empfehlungssystemen.

I Probleme neuen Online-Bekanntschaften zu vertrauen.

I Nutzer haben kein Interesse daranOnline-Bekanntschaften zu bewerten.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Empirische Analyse

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Hypothese

Hypothese:

Wir glauben, dass in einer spezifischenAnwendungsdomane Menschen ihren Vertrauten imDurchschnitt ahnlicher sind im Vergleich zuMenschen, denen sie nicht vertrauen.

-Ziegler, Golbeck

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Informationsmodel

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Informationsmodel

I Menge von Agenten A = a1, a2, ..., an. A enthalt alleAgenten, die Teil der Community sind.

I Menge von Produkten B = b1, b2, ..., bm. B enthaltalle fur die Domain relevanten Produkte.

I Trust-Rating-Funktion trust : A→ 2A. Fur alle ai ∈ Agibt trust(ai ) eine Teilmenge von Agenten Ai ⊂ Azuruck, die ai vertraut.

I Benutzerbewertungen R1,R2, . . . ,Rn. Jedem Agent aiist eine Menge Ri ⊂ B zugewiesen, welche seineimpliziten Produktbewertungen enthalten.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Informationsmodel

I Taxonomie C uber der Menge D = d1, d2, ..., dl .Die Menge D enthalt Kategorien fur dieProduktklassifikation. Jede Kategorie de ∈ Dreprasentiert ein bestimmtes Topic, in das ein Produktbk ∈ B hineinfallen kann. Die partielle taxonomischeOrdnung C : D → 2D enthalt alle direktenUnterkategorien Cde ⊆ D fur ein Topic de ∈ D.

I Indexierungsfunktion f : B → 2D .Die Funktion f weist jedem Produkt bk ∈ B eine MengeDk ⊆ D von Produktenkategorien zu.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Datenbeschaffung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Datenbeschaffung

Zur Auswahl standen:

I All Consuming

I Epinions

I Film Trust

⇒ All Consuming wurde fur das Experiment gewahlt.

Zusatzliche Informationen wurden von Webblogs extrahiertund zu den Daten von All Consuming hinzugefugt.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Datenbeschaffung

I Die Taxonomie enthalt uber 13,000 verschiedeneKategorien

I Daten beinhalten ca. 6000 Bucher

⇒ Problem?

Die Wahrscheinlichkeit, dass zwei verschiedene Nutzerai , aj ∈ A dasselbe Buch bewertet haben, ist sehr gering.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Interest-Score

I Fur jede Kategorie dke ∈ f (bk) eines Produktes bk , dieder Agent ai implizit bewertet hat, wird fur derenUberkategorien dke ein Interest-Score berechnet und imProfilvektor vom Benutzer ai eingetragen.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Eigenschaften:

I Der Interst-Score nimmt mit jeder Ebene in derTaxonomie ab.

I Es gibt einen Gesamtscore, der fur alleBenutzervektoren gilt.

I Die zugewiesenen Scores werden unter Berucksichtigungeines Gesamtscores normalisiert.

I Der Interest-Score teilt sich auf alle Subkategoriengleichermaßen auf.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Similarity-Berechnung unterVerwendung der errechnetenBenutzerpofile.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Vergleichen der Profile

I Zum Vergleich wird ein Similarity-Score mit demPearson’s correlation coefficient errechnet.

I Das Ergebnis ist ein Wert zwischen [-1, 1].

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Analyse der oberen Schranke

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Bereinigung der Daten

Bereinigung der Daten von All Consuming.Dabei wurden

I Duplikate,

I Nutzer mit weniger als 3 bewerteten Buchern und

I Nutzer ohne Vertrauensbeziehung

entfernt.

⇒ 266 Nutzer wurden entfernt, 261 bleiben fur die Analyseder oberen Schranke als erstes Experiment.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Fur jeden Benutzer ai ∈ A′ wird die

I durchschnittliche Ahnlichkeit zu anderen Nutzern,denen ai vertraut (z ′i ) und

I davon unabhangig die durchschnittliche Ahnlichkeit zuallen Nutzern (s ′i ) errechnet.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

⇒ Nutzer sind Vertrauten im Durchschnitt 50% ahnlicher.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Analyse der unteren Schranke

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Bereinigung der Daten

Entfernen aller Vertrauensbeziehungen trust(ai ) zwischenNutzern ai ∈ A′, die nur ein Buch gemeinsam haben.

⇒ Fur die Analyse der unteren Schranke als zweitesExperiment wurden die Vertauensbeziehungen auf 210reduziert.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

⇒ Nutzer sind Vertrauten im Durchschnitt 23% ahnlicher.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Anwendung auf Empfehlersysteme

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Ausnutzen der Korrelationen zwischen Trust undSimilarity

Ein positiver Zusammenhang zwischen Trust und InterestSimilarity lost Probleme wie:

I Glaubwurdigkeit

I Komplexitat und Skalierbarkeit

⇒ Das Problem der Produkt-Nutzer-Matrix-Kargheit bleibtjedoch.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Schlussfolgerung

I Einsatz von Trust und Interest Similarity inEmpfehlungssysteme soll bisherige Filtersystemeerweitern und nicht ablosen.

I Weitere Untersuchungen bezuglich dem Zusammenhangvon Trust und Interest Similarity waren sinnvoll.

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Meinungsumfrage

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

THE END

Trust und Interest Similarity und deren Anwendung für Empfehlungssysteme

Technology

Transcript of Trust und Interest Similarity und deren Anwendung für Empfehlungssysteme

Region of interest synchrotron nanotomography and nanodi … · 2015-07-06 · Region of interest synchrotron nanotomography and nanodiﬀrac-tion with FIB/SEM characterisation on

EXPRESSION OF INTEREST€¦ · Expression of Interest for Supply, Installation, Commissioning, Operation & Maintenance of 1 MWp Solar PV Power Plant on Roof Top of Underground Tank

Nonintentional Similarity Processing - Persönliche Webseitenhomepage.univie.ac.at/andreas.olbrich/referat99.pdf · 3 • Mental distance approaches: spatial model, Shepard (1962)

Interest Rate Caps - World Bankdocuments1.worldbank.org/curated/en/244551522770775674/...Interest rate caps are by definition a government intervention in the marketplace and a response

Computergestützte Freizeitplanung basierend auf Points auf Interest

Generic medicines – Quo vadis essential similarity?€¦ · This definition is surely correct as regards content and sufficient for a first patient information, but yet underestimates

Musikalische Begabung und ihre Diagnostik - testzentrale.de · l Melody discrimination test ... Non-verbal Intelligence Musical Listening: Melodic Memory Beat Perception Sound Similarity

Computing Coupled Similarity - coupledsim.bbisping.de · Abstract Coupledsimilarity isanotionofequivalenceforsystemswithinternalactions. Ithas itsapplicationsincontextswhereinternalchoicesmusttransparentlybedistributed

MUSIC GENRE RECOGNITIONich/classes/mumt611_06/similarity/KosinaMusic... · MUSIC GENRE RECOGNITION Karin Kosina DIPLOMARBEIT eingereicht am Fachhochschul-Studiengang MEDIENTECHNIK

Empfehlungssysteme mit Ontologien - userpagesstaab/Teaching/MastersTheses/franz... · † Relationen: Pr˜adikate, wie p(a1,...,a2) k ˜onnen, wie aus logikbasierten Forma-lismen(Datalog,

Semantik in Recommender Systemen - Freie Universität · Semantik in Recommender Systemen Sinn oder Unsinn? Eine Analyse anhand personalisierter Empfehlungssysteme für Multimedia-Daten

PowerPoint 프레젠테이션 › wp-content › themes › IGM › attachment › ... · 2020-04-27 · Option Interest BATNA Position Interest Creative Option . Activity 1) Point)h

A Framework for Semantic Similarity Measures to enhance ...

Funktionale Aspekte - GBV...2017/10/18 · 3 FOLIO –Special Interest Groups FOLIO Funktionale Aspekte | FOLIO-Informationstag Stuttgart 18.10.2017 • Special Interest Groups (SIGs)

Speculative Runs on Interest Rate Pegs · Speculative Runs on Interest Rate Pegs The Frictionless Case Marco Bassettoyand Christopher Phelanz Abstract In this paper we show that interest

MUSIC GENRE RECOGNITIONich/classes/mumt614/similarity/KosinaMusic… · Advantages of Automatic Music Genre Recognition The automatic classiﬁcation of audio data according to music

Stakeholder-Einbezug STAKEHOLDER ANALYSIS Principles and Practice Influence (Power) / Interest Grid 2. Stakeholder Analysis Interest of Stakeholders Influence (Power) of Stakeholders

REGIONAL OUTCROPS WITH DIDACTIC INTEREST AND …

Info-Brief€¦ · Assessing the similarity of dose response and target doses in two non-overlapping subgroups, erscheint in: Statistics in Medicine. A. Bücher (A7) und J. Segers:

Contextual Residual Aggregation for Ultra High-Resolution ... · tours. These techniques are effective when they ﬁnd an ex-ample image with sufﬁcient visual similarity to the