Stefan BeckersPraxisprojekt „ASDL“

SS 2006Universität Duisburg-Essen

April 2006

Recommender Systems

Inhalt

1 - Einführung

2 – Arten von Recommender-Systemen

3 – Beispiele für RCs

4 - Recommender-Systeme und Daffodil

5 – Schwächen von Recommender-Systemen

6 - Fazit

1. - Einführung

Aufgaben von Recommender-Systemen

● Empfehlungssysteme, die den Nutzer bei der Entscheidungsfindung unterstützen

● Automatisch generierte Empfehlungen

● Schlußfolgerung auf Basis von vorhandenen Daten

1. - Einführung

Motivation

● Bessere und effizientere Nutzung der Informationsmenge des WWW

● Eigene Recherche ohne fremde Hilfe immer schwieriger

● Suchmaschinen nicht personalisiert genug bei Darstellung und Suche

1. - Einführung

Aufbau eines Recommender-Systems

1. - Einführung

Einsatzgebiete

● E-Commerce

● E-Learning

● Informations- und Nachrichtenportale

● ...

2. - Arten von Recommender-Systemen

Arten von Recommender-Systemen

● Regelbasiert

● Wissensbasiert

● Inhaltsbasiert (content-based filtering)

● Empfehlungsbasiert (collaborative filtering)

2. - Arten von Recommender-Systemen

Regelbasierte Recommender-Systeme

● Empfehlungen basieren auf Regeln der Form „Wenn A, dann B“

Wissensbasierte Recommender-Systeme

● Funktionales Wissen, wie Objekte mit den Bedürfnissen des Benutzers übereinstimmen

● Nachteil: Knowledge Engineering

2. - Arten von Recommender-Systemen

Content-based filtering

● Ähnlichkeit von Objekten wird über deren Eigenschaften bestimmt

● Das System sucht Objekte heraus, deren Attribute identisch oder ähnlich zu den bisher positiv bewerteten sind

2. - Arten von Recommender-Systemen

Content-based filtering

● Ursprung aus dem Information Retrieval

● Wird meistens für Textdokumente angewendet

● Objekte sind nun Dokumente mit Textinhalten

● Findet in der Praxis Anwendung bei Bibliotheken, Webseiten, Informationsportalen oder Newsgroups

2. - Arten von Recommender-Systemen

Algorithmen

● Boolean Matching

- Relevanz ist abhängig von der Existenz bestimmter Eigenschaften des Objekts.

- Binäre Bewertung des Dokumentes

- Schlüsselwörter können mit AND, OR, NOT verknüpft werden

- Rangfolge bezüglich der Relevanz nicht ohne weiteres möglich

2. - Arten von Recommender-Systemen

Algorithmen

● Vektorraummodell

2. - Arten von Recommender-Systemen

Collaborative filtering

● Grundlage ist die Beziehung zwischen Objekten und Benutzern

● Objekte sind ähnlich, wenn sie ähnlich bewertet wurden

2. - Arten von Recommender-Systemen

Collaborative filtering

● Zwei Arten von Algorithmen

- Speicherbasiert

- Modellbasiert

2. - Arten von Recommender-Systemen

Speicherbasiert

● ProximitätsberechnungBerechnung der Ähnlichkeit zwischem dem aktiven Benutzer und den in der Datenmatrix gespeicherten mittels kosinusbasiertem oder korrelationsbasiertem Ähnlichkeitsmaß

Liefert Werte [0;1]

Liefert Werte [-1;1]

2. - Arten von Recommender-Systemen

Speicherbasiert

● Ermittlung der ähnlichen Benutzer (Mentoren)- Ähnlickeitsmaß muß berechenbar sein- Benutzer b muß mindestens ein noch nicht von a bewertetes Objekt bewertet haben- Mindestähnlichkeit möglich

2. - Arten von Recommender-Systemen

Speicherbasiert

Ähnlichkeit zwischen Nutzer 1 und allen anderen Nutzern

Beispiel für „Rambo“:

2. - Arten von Recommender-Systemen

Modellbasiert

● Verfahren basiert auf einem Modell, das auf Basis der Bewertungen der Datenmatrix erlernt wurde

● Modell wird in der Offline-Phase erstellt

● Prognose kann somit schnell erstellt werden

● Clustermodelle, Bayessche Netze

2. - Arten von Recommender-Systemen

Modellbasiert

● Clustermodell

- Benutzer mit ähnlichen Präferenzen werden in Clustern zusammengefaßt- In der Phase der Clusteranalyse werden die Nutzer eingeteilt- Ziel: Nutzer eines Clusters möglichst ähnlich, Nutzer verschiedener Cluster möglichst unähnlich- Während der Laufzeitphase wird der aktive Benutzer probabilistisch den Clustern zugeordnet- Die Objekte, die empfohlen werden, sind diejenigen, die von den anderen Nutzern des Clusters positiv bewertet wurden

2. - Arten von Recommender-Systemen

Modellbasiert

2. - Arten von Recommender-Systemen

Modellbasiert

Personen

Filme

Wahrscheinlichkeiten für jede Person/Film-Cluster - Kombination

2. - Arten von Recommender-Systemen

Modellbasiert

● Bayessche Netze

2. - Arten von Recommender-Systemen

Hybride Systeme

● Kombination aus zwei oder mehr Verfahren

● Meistens Collaborative filtering kombiniert mit einem anderen Verfahren

● Beispiel: Item-based Collaborative filtering von Amazon:

2. - Arten von Recommender-Systemen

Hybride Systeme

● Vorgehensweise:- Offline: Ähnlichkeiten zwischen Items werden mithilfe der User/Item-Matrix berechnet- Ähnlichkeitstabelle für alle bewerteten Items- Online: Suche nach ähnlichen Items

● Offline-Berechnung zeitaufwendig, Online-Berechnung schnell● Offline-Berechnung möglich, weil Beziehungen zwischen Produkten statisch● Liefert Empfehlungen in Echtzeit

2. - Arten von Recommender-Systemen

Hybride Systeme

● Kombinationsmöglichkeiten

3. - Beispiele für Recommender-Systeme● Movielens (http://www.movielens.org)

3. - Beispiele für Recommender-Systeme● Movielens

3. - Beispiele für Recommender-Systeme● Rating Zone (http://www.ratingzone.com)

3. - Beispiele für Recommender-Systeme● Rating Zone

3. - Beispiele für Recommender-Systeme● Jester (http://shadow.ieor.berkeley.edu/humor)

3. - Beispiele für Recommender-Systeme

4. - Recommender-Systeme und Daffodil

Recommender-Systeme und Daffodil

● Empfehlungen von DLOs (Digital Library Objects) an User oder Gruppen

● Empfehlungen basieren nicht auf Bewertungen der User, sondern auf der Organisation der DLOs in Ordnern

● Vergleich zwischen User/Gruppen und ihren gespeicherten DLOs

● Bei ausreichender Überlappung, können Obkekte empfohlen werden

4. - Recommender-Systeme und Daffodil

Recommender-Systeme und Daffodil

● Unterschiede

- Normalerweise geht ein Recommender-Sytem nur von einem Objekttyp aus. Die Datenmenge, auf der die Empfehlungen basieren, besteht aus verschiedenen Objekttypen (-> Gewichtungsfaktoren für DLOs)

- Verschiedene Arten von Beziehungen zwischen DLOs (-> Ähnlichkeit des Inhaltes, Strukturelle Beziehungen zwischen verschiedenen Objekttypen, Beziehungen zwischen Objekten desselben Typs)

4. - Recommender-Systeme und Daffodil

Recommender-Systeme und Daffodil

- Normalerweise formen die Daten eines Users eine einzige Menge. In Daffodil organisieren die User ihre Daten in verschieden Ordnern, die verschiedene Kontexte beschreiben (-> nur Objekte im selben Ordner wird bei der Empfehlung berücksichtigt)

Übertragbarkeit auf das Praxisprojekt ?

5. - Schwächen von Recommender-Systemen

Schwächen

● Collaborative filtering- Sparsity-Problem- Coldstart-Problem- New-Item-Problem- New-User-Problem- Blackbox-Problem- Datenschutz

● Content-based filtering- Pflegen des Datenbestandes- Überspezialisierung

6. Fazit

Fazit

● Recommender-Systeme haben sich z. B. im E-Commerce durchgesetzt

● Zukunft: Hybride Systeme

● Probleme, die noch zu lösen sind: Datenschutz, Vertrauen der User

X. Quellen● Anja Lehmann: Recommender Systems, TU Dresden, Hauptseminar Multimediatechnik, 2004

● Matthias Funk: Recommender Systems in Theorie und Praxis, Seminararbeit, JWvG-Universität Frankfurt am Main

● Norbert Fuhr et al: Recommendation in a Collaborative Digital Library Enviroment, Universität Dortmund, 2001

● Adam Glogowski: Recommender Systems, Seminararbeit, Universität Duisburg-Essen, 2006

● Robin Burke: Integrating Knowledge-based and Collaborative-filtering Recommender Systems, University of California, 1999

● Wikipedia: Artikel „Collaborative filtering“, Stand 17.4.2006

● Lars Diestelhorst: Recommendation Engines, TU Hamburg-Harburg, 2001

● Robin Burke: Hybrid Recommender Systems: Survey and Experiments, California State University, 2002

● Feilong Xu: Einführung in Recommender-Systeme, Universität des Saarlandes

● Badrul M. Sawar et al: Recommender Systems for Large-scale E-Commerce: Scalable Neighborhood Formation Using Clustering, University of Minnesota, 2003