1. Trust-based recommender systems Hofinger Tobias
09.01.2014
2. Inhaltsverzeichnis Einleitung Zusammenhang zwischen
Vertrauen und Empfehlungssystemen Vertrauen berechnen Darstellung
von Vertrauen Berechnen Trust-based recommender systems
Empfehlungen 2/31
4. Einleitung Web 2.0 Zusammenarbeit Informationen austauschen
Empfehlungssysteme Vorhersagen/Empfehlungen Basieren auf
Informationen ber Benutzer und deren Beziehungen zu anderen
Benutzern 4/31
5. Vertrauen Menschen neigen dazu Empfehlungen von
vertrauenswrdigen Menschen (Freunden) mehr zu vertrauen als
herkmlichen Empfehlungssystemen 5/31
6. Vertrauen Soziale Netzwerke ermglichen das Erstellen von
Vertrauensnetzwerken (Web of Trust) Kombination von
Empfehlungssystemen und Vertrauensnetzwerken Es ist auch mglich
Misstrauen abzubilden (Block list) 6/31
7. Darstellung Wahrscheinlichkeitsbezogen Einem Knoten entweder
gar nicht oder voll vertrauen (0 oder 1) Berechnung der
Wahrscheinlichkeit dass einem Knoten vertraut werden kann
Stufenweiser Ansatz Vertrauensstufen (zb. 0.0 1.0) 7/31
8. Berechnung In groen Vertrauensnetzwerken stehen die meisten
Knoten nicht in direkter Beziehung zueinander Web of Trust eines
Knotens daher klein Vertrauensmatrizen Berechnung ob und wieviel
ein Knoten einem anderen Knoten vertrauen kann Verschiedene
Ausfhrungen 8/31
9. Berechnung Vertrauensmatrizen werden mittels zwei Verfahren
berechnet Ausbreitung (Propagation) Zusammenfhrung (Aggregation)
9/31
10. Ausbreitung Transitivitt A vertraut B B vertraut C Daher
kann A - C vertrauen (zu einem gewissen Grad) 10/31
11. Ausbreitung von Vertrauen Operator Multiplikation Formeln
Reichweite ber das ganze Netzwerk Bis zu definierten Grenzen
11/31
12. Ausbreitung von Vertrauen Multiplikation: t1 x t2
Vertrauenswert von A in B ist 0.5 Vertrauenswert von B in C ist 0.7
Daher ist der Wert fr A in C = 0.35 12/31
13. Ausbreitung von Misstrauen Mehrere Anstze mit teils
komplizierten Formeln Knoten werden mit Tupeln aus
Vertrauen/Misstrauen beschrieben (t, d) Uneinigkeit ber den besten
Ansatz um Misstrauen zu berechnen 13/31
14. Ausbreitung von Misstrauen (t3, d3) = (t1 x t2, t1 x d2)
(t3, d3) = (t1 x t2 + d1 x d2 t1 x t2 x d1 x d2, t1 x d2 + d1 x t2
t1 x d2 x d1 x t2) 14/31
15. Zusammenfhrung Mehrere Kanten zu einem Knoten Operatoren
Durchschnitt Minimum/Maximum Gewichtet Reihenfolge wichtig
15/31
16. Trust-based recommender systems Vertrauenssysteme und
Empfehlungssysteme kombinieren Schwchen von Empfehlungssystemen
beheben Sparsity Cold Start User Attacks Manuelle WoT Automatische
WoT 16/31
17. Empfehlungen berechnen Werte der Knoten in
Vertrauensmatrizen als Grundlage der Gewichtung Viele verschiedene
Algorithmen Trust-based weighted mean TidalTrust Trust-based
collaborative filtering MoleTrust 17/31
18. Trust-based weighted mean a = Benutzer fr den eine
Empfehlung erstellt werden soll i = Gegenstand der Empfohlen werden
soll ta,u = Vertrauen von a in Benutzer u RT = Menge der Benutzer
die i bewertet haben 18/31
19. TidalTrust Experiment Bekannten Vertrauenswert neu
berechnet Kurze Wege sind genauer Normale Matrix Wege mit hohen
Werten sind genauer Spezielle Vertrauensmatrix (TidalTrust)
Maximale Pfadlnge Untergrenze fr Vertrauenswerte eines Pfads
19/31
20. Trust-based collaborative filtering hnlich zu normalen
collaborative filtering Statt hnlichkeit zu anderen
Benutzern/Gegenstnden wird hier Vertrauen eingesetzt 20/31
21. MoleTrust Zyklen entfernen Vertrauensnetzwerk wird
azyklischer Graph Graph durchlaufen Propagation horizon Anfangs
festgelegt Grenze des WoT Vertrauensuntergrenze Anfangs festgelegt
21/31
22. Automatische Vertrauensberechnung Bisher direkte Eingaben
von Vertrauenswerten Nicht immer mglich Automatische Berechnung
Profile- and item-level trust Trust-based filtering 22/31
23. Profile- and item-level trust Benutzer die viele gute
Empfehlungen aufweisen sind Vertrauenswrdiger als andere Zwei
Vertrauensmatrizen Profile-level trust Item-level trust 23/31
24. Trust-based filtering Nur Vertrauenswrdige Benutzer werden
einbezogen Vertrauenswrdigkeit wird durch profile/ item-level trust
ermittelt 24/31
25. Empirische Auswertung Die bisher genannten Anstze wurden
mittels zwei Datenstzen von Epinions.com getestet Leave-one-out
Methode Zufllige Gegenstnde Kaum Verbesserung gegenber bisherige
Verfahren Umstrittene Gegenstnde Verbesserung unter gewissen
Umstnden 25/31
26. Vorraussetzungen fr Empfehlungssysteme Allgemeine
angenommene Vorraussetzungen Sollten von allen Vertrauensbasierten
Empfehlungssysteme erfllt werden 8 Axiome 26/31
27. Axiome 1 - 3 Symmetrie Vertrauensnetzwerke Symmetrisch
Positive Antwort Gleich viele Knoten denen man vertraut/misstraut
Unentschlossener Knoten empfiehlt falls er mit positiven Knoten
verbunden ist Unabhngigkeit von Irrelevanten Knoten Knoten zu denen
keine Verbindung besteht flieen nicht in Empfehlung ein 27/31
28. Axiome 4 - 6 Einigkeit der Nachbarschaft Ausbreitung von
Vertrauen Falls alle umliegenden Knoten empfehlen Propagation, A
vertraut B, B vertraut C A vertraut C Skaleninvarianz Verdoppeln
der ausgehenden Kanten ndert keine Empfehlungen 28/31
29. Axiome 7-8 Mehrheit Die Empfehlung eines Knotens sollte der
Mehrheit der umliegenden Vertrauenswrdigen Nachbarn entsprechen
Kein Gruppendenken Die Empfehlung einer Gruppe von Knoten sollte
der Mehrheit der umliegenden vertraunswrdigen Nachbarn entsprechen
29/31
30. Schlussfolgerung Groer Nutzen fr Empfehlungssysteme mit
Vertrauensnetzwerk Kein kompletter Ersatz fr normale Systeme
Probleme Noch wenig erforscht Relativ unbekannt Kaum Testdaten In
Zukunft grere Bedeutung 30/31
31. Quellen Trust and Recommendations (Patricia Victor et al.,
2010) Trust-based recommendation systems: An axiomatic approach
(Reid Andersen et al., 2008) 31/31