Context Basierte Personalisierungsans¤tze

download Context Basierte Personalisierungsans¤tze

of 25

  • date post

    07-Nov-2014
  • Category

    Technology

  • view

    214
  • download

    0

Embed Size (px)

description

Ein Vortrag von Lucas Mußmächer aus dem Hauptseminar "Personalisierung mit großen Daten".

Transcript of Context Basierte Personalisierungsans¤tze

  • 1. Prsentation: a Thema: Kontext-Basierte Personalisierungsanstze a Referent: Lucas Mumcher a Datum: 6. Dezember 2013 1 / 25
  • 2. Ablauf der Prsenation: a Kontext in Empfehlungssystemen Bestimmung des Kontexts von Benutzern Unterschiede zu normalen Empfehlungssystemen Berechnungs-Anstze der relevanten Items a Problem der Komplexitt a Studie: Einwirkung auf den Benutzer 2 / 25
  • 3. Einfhrungs Beispiel u Denition: Unter dem Begri Kontext versteht man die Bedingungen und Umstnde, die sich auf einen Menschen auswirken. a Beispiel Amazon: Ein Ehemann, der ein Weihnachtsgeschenk z.B ein Parfm fr u u seine Frau kaufen will wrde sich im Kontext Geschenkkauf fr u u die Freundin benden. Im normalen Kaufverhalten wrde der u Ehemann andere Waren bevorzugen. In diesem Beispiel wrde der Kontext uns Konsumenten im Bezug u auf Kaufentscheidungen von Waren (Items) beeinussen. 3 / 25
  • 4. Kontext in Empfehlungssystemen Ziele: Einbeziehung des Kontexts in Empfehlungssysteme, um die Genauigkeit der Vorhersage relevanter Waren den (Items) zu verbessern. Technische Modellierung: Ein Kontext k besteht aus mehreren Attributen a1 ... an. a1 = Wochentag, a2 = KaufAbsicht k = (a1 ... an) Beispiele: k1 = (Werktag, GeschenkFreundin), k2 = (Montag, Sohn) 4 / 25
  • 5. Kontext in der Baumhierarchie Die Attribute des Kontexts k liegen in baumhnlichen a hierrachischen Strukturen. Wochentag Werktag Montag Dienstag Wochenende Samstag Sonntag Beispiele: k = (Werktag, Geschenk) k1 = (Montag, Geschenk fr Freundin) u k ist eine Generalisierung der Kontexts k1, wegen (MontagWerktag) und (GeschenkFreundinGeschenk) 5 / 25
  • 6. Bestimmung des Kontext vom Benutzer Um Kontextinformationen uber einen Benutzer in Empfehlungssystemen einzubauen, mssen diese vor der u Berechnung der relevanten Items mglichst genau bestimmt o werden. Der Kontext eines Benutzers muss vorallem beobachtbar sein, das heit er muss formal deniert werden knnen. o Explizite Bestimmung: Direktes Nachfragen beim Benutzer, z.B durch ein Webformular (Absicht des Kaufs, Aktuelle Stimmng) Implizite Bestimmung: Indirektes Abgreifen der Informationen eines Benutzers z.B Standort, Wochentag beim Kauf, Online Shop Seitenaufrufe 6 / 25
  • 7. Beispiele zur Kontext Bestimmung eines Benutzers (a) Explizite Bestimmung (b) Implizite Bestimmung 7 / 25
  • 8. Unterschiede zu normalen Empfehlungssystemen Alle konkreten Kontexte, in denen sich der Benutzer eines Empfehlungssystems benden kann, wird als Menge K deniert. Die Menge K wird als zustzliche Dimension fr die Berechnung a u der Bewertungs-Funktion Rank eingefhrt. u Normale Bewertungs Funktion: Rank: U I Bewertung Kontext-Basierte Bewertungs Funktion: Rank: U I K Bewertung U: Menge aller Benutzer u I: Menge aller Items i K: Menge aller Kontexte k 8 / 25
  • 9. Vorhandener Datensatz in Empfehlungssystemen Benutzer Items Julia Paul Peter Torsten Hans Olaf Star Wars 0 5 5 1 5 1 Star Gate 3 4 3.5 0 2 0 Micky Mouse 4 4 0 3 0 0 In normalen Empfehlungssystemen wird zu jedem Benutzer und jedem Item, eine abgegebene Benutzerbewertung gespeichert. z.B r [0-5] Datensatz der Form: R: Menge aller Benutzerbewertungen r 9 / 25
  • 10. Aufstellen der Bewertungsfunktion: Rank Annahmen zum Aufstellen: 1) Benutzer, die hnlich sind, haben die gleichen Vorlieben und a wrden z.B auch Filme, hnlich bewerten. u a 2) Items, die hnlich vom Inhalt her sind und eine gute a Bewertung aufweisen, wrden automatisch besser bewertet u werden. Benutzer Items Julia Paul Peter Torsten Star Wars (Wert ?) 5 5 1 Star Gate 3 4 3.5 5 Micky Mouse 4 4 (Wert ?) 3 10 / 25
  • 11. Bewertungsfunktion: Rank Formal: Die Bewertungsfunktion Rank ordnet jedem Benutzer u und jedem Item i einen positiven Wert grer 0 zu. o Wichtig: Je grer dieser Wert ausfllt, desto wichtiger ist ein Item fr o a u einen Benutzer. Benuzter U BenutzerBewertung R = U I TopN Items Items I Funktion: Rank Bewertung ]0,...] Nach der Berechnung der Rank Funktion werden die hchst o bewerteten Items in die Menge TopN gespeichert. 11 / 25
  • 12. Einfhrung Kontext Dimension: K u Benutzer Items Julia in k Julia in k Torsten in k Torsten in k Torsten in k Forrest Gump 0 0 1 0 0 Star Wars 7 0 4 0 5 0 Cast Away 3 0 2 0 3 In Kontext basierten Empfehlungssystemen wird zu jedem Benutzer, jedem Item und jedem Kontext ein durch den Benutzer abgegebene Benutzerbewertung gespeichert. Datensatz der Form: . k und k sind unterschiedliche Kontexte, in denen sich der Benutzer Torsten befand und eine Benutzerbewertung abgegeben hat. 12 / 25
  • 13. Beispiele zur Dimension: K Benutzer Items Julia in k Julia in k Torsten in k Forrest Gump 0 0 1 Star Wars 7 0 4 0 Cast Away 3 0 2 Beispiele: 1) k wrde bedeuten, dass Julia an einem Samstag, zuhause ist u (Standortbestimmung). Dort schaut sie sich die Film Cast Away alleine an bzw. bewertet diesen auch. 2) k wrde bedeuten, dass Julia an einem Sonntag mit ihrem u Freund ins Kino geht, und dabei Star Wars 7 anschaut und diesen mit 4 bewerten wrde. u Formal: k = (zuhause, Samstag, alleine), k = (Kino, Sonntag, Freund) 13 / 25
  • 14. Berechnung relevanter Items: TopN Die Berechnung der relevanten Items i in der TopN Menge fr u einen bestimmten Benutzer u kann mithilfe von 3 unterschiedlichen Berechnungs Anstzen bewerkstelligt werden. a Dabei liegen die Datenstze der Form DATA := vor. a Schritt 1: Kontext Bestimmung Zuerst wird der aktuelle k eines Benutzers u ermittelt. Schritt 2: Berechnung relevanter Items: TopN 1) Kontextuelle Vorlterung, 2) Kontextuelle Nachlterung oder 3) Kontext-Basierte Modelle. 14 / 25
  • 15. Berechnungs-Anstze in der Ubersicht a (c) Berechnungsanstze a 15 / 25
  • 16. Ansatz 1: Kontextuelle Vorlterung Bei der kontextuellen Vorlterung wird zunchst die Dimension K a aus dem Datensatz durch Selektion mit K=k eliminiert. DATA := Somit entsteht die Datenmenge DATA: DATA[k] = DATA = Auf der neuen Datenmenge DATA[k] kann wie bei normalen Empfehlungssystemen die Bewertungsfunktion Rank aufgestellt und berechnet werden, da die Dimension K des Kontexts wegfllt. a 16 / 25
  • 17. Ansatz 1: Kontextuelle Vorlterung Benutzer Items Julia in k Julia in k Torsten in k Forrest Gump 0 0 1 Star Wars 7 0 4 0 Cast Away 3 0 2 Selektion: Mit K=k entsteht der neue Datensatz DATA[k]. DATA[k] = Benutzer Items Julia in k Torsten in k Forrest Gump 0 1 Star Wars 7 0 0 Cast Away 3 2 Julia bendet sich momentan im Kontext k. Alle anderen abgegebenen Bewertungen der Benutzer im Kontext k wren a fr sie relevant. u 17 / 25
  • 18. Ansatz 3: Modellbasierte Einbeziehung des Kontexts Bei Modell basierten Anstzen wird die Dimension des Kontexts a K direkt in die Bewertungsfunktion Rank einbezogen um je nach Kontext k Items i besser oder schlechter zu bewerten. Vorhandener Datensatz: DATA = Kontext basierte Bewertungs Funktion: Rank: U I K Bewertung Anstze: a Benutzer, die sich z.B im gleichenKontext (zuhause) benden, wrden hnliche Items auch gleich bewerten. u a Das Aufstellen und Berechnen der Rank Funktion modellbasierter Anstze ist sehr Komplex ! a 18 / 25
  • 19. Komplexitt modellbasierter Anstze a a Bei der Berechnung der Bewertungsfunktion Rank muss fr u jeden Kontext eine Bewertung fr ein Item und einen Benutzer u berechnet werden. Folgerung: Die Komplexivitt der Berechnung steigt stark an: a Normale Berechnung der Rank Funktion: ANZAHL(U) = 50k (50.000 Benutzer) ANZAHL(I) = 200 (200 Verschiedene Items bzw. Waren) DATA = Berechnungsschritte der Rank Funktion: GESAMT = ANZAHL(U) * ANZAHL(I) = 50k * 200 = 10kk entspricht etwa 10 Millionen Berechnungen ! 19 / 25
  • 20. Komplexitt modellbasierter Anstze a a Beispiel: Online-Buchshop: k = (WochenTag, KaufAbsicht, Niederschlag, Stimmung) WochenTag = [Mo, Di, Mi, Do, Fr, Sa, So, WE, WT...] KaufAbsicht = [Arbeit, Pershnlich, Geschenk, Partner, Freund, o Eltern, Sammlung, GeburtstagsGeschenk, HeiratsGeschenk] Niederschlag = [0-2mm, 2-4mm, 4-100mm] Stimmung = [ruhig, positiv, tatkrftig, trbe] a u Uberschlags Rechnung: GESAMT(K) = ANZAHL(WochenTag) ANZAHL(KaufAbsicht) ANZAHL(Niederschlag) ANZAHL(Stimmung) =9934 = 972 entspricht etwa 980 verschiedenen Kontexten in K. 20 / 25
  • 21. Komplexitt modellbasierter An