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





Baum


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





Profilgenerierung


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





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





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





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