Context Basierte Personalisierungsansätze

480 Aufrufe

Veröffentlicht am

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

Veröffentlicht in: Technologie
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
480
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
1
Aktionen
Geteilt
0
Downloads
3
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Context Basierte Personalisierungsansätze

  1. 1. Pr¨sentation: a Thema: Kontext-Basierte Personalisierungsans¨tze a Referent: Lucas Mußm¨cher a Datum: 6. Dezember 2013 1 / 25
  2. 2. Ablauf der Pr¨senation: a Kontext in Empfehlungssystemen Bestimmung des Kontexts von Benutzern Unterschiede zu normalen Empfehlungssystemen Berechnungs-Ans¨tze der relevanten Items a Problem der Komplexit¨t a Studie: Einwirkung auf den Benutzer 2 / 25
  3. 3. Einf¨hrungs Beispiel u Definition: Unter dem Begriff Kontext versteht man ”die Bedingungen und Umst¨nde, die sich auf einen Menschen auswirken”. a Beispiel Amazon: Ein Ehemann, der ein Weihnachtsgeschenk z.B ein Parf¨m f¨r u u seine Frau kaufen will w¨rde sich im Kontext Geschenkkauf f¨r u u die Freundin befinden. Im normalen Kaufverhalten w¨rde der u Ehemann andere Waren bevorzugen. In diesem Beispiel w¨rde der Kontext uns Konsumenten im Bezug u auf Kaufentscheidungen von Waren (Items) beeinflussen. 3 / 25
  4. 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. 5. Kontext in der Baumhierarchie Die Attribute des Kontexts k liegen in baum¨hnlichen a hierrachischen Strukturen. Wochentag Werktag Montag Dienstag Wochenende Samstag Sonntag Beispiele: k = (Werktag, Geschenk) k1 = (Montag, Geschenk f¨r Freundin) u k ist eine Generalisierung der Kontexts k1, wegen (Montag→Werktag) und (GeschenkFreundin→Geschenk) 5 / 25
  6. 6. Bestimmung des Kontext vom Benutzer Um Kontextinformationen uber einen Benutzer in ¨ Empfehlungssystemen einzubauen, m¨ssen diese vor der u Berechnung der relevanten Items m¨glichst genau bestimmt o werden. Der Kontext eines Benutzers muss vorallem beobachtbar sein, das heißt er muss formal definiert werden k¨nnen. 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. 7. Beispiele zur Kontext Bestimmung eines Benutzers (a) Explizite Bestimmung (b) Implizite Bestimmung 7 / 25
  8. 8. Unterschiede zu normalen Empfehlungssystemen Alle konkreten Kontexte, in denen sich der Benutzer eines Empfehlungssystems befinden kann, wird als Menge K definiert. Die Menge K wird als zus¨tzliche Dimension f¨r die Berechnung a u der Bewertungs-Funktion Rank eingef¨hrt. 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. 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: <U, I, R> R: Menge aller Benutzerbewertungen r 9 / 25
  10. 10. Aufstellen der Bewertungsfunktion: Rank Annahmen zum Aufstellen: 1) Benutzer, die ¨hnlich sind, haben die gleichen Vorlieben und a w¨rden z.B auch Filme, ¨hnlich bewerten. u a 2) Items, die ¨hnlich vom Inhalt her sind und eine gute a Bewertung aufweisen, w¨rden 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. 11. Bewertungsfunktion: Rank Formal: Die Bewertungsfunktion Rank ordnet jedem Benutzer u und jedem Item i einen positiven Wert gr¨ßer 0 zu. o Wichtig: Je gr¨ßer dieser Wert ausf¨llt, desto wichtiger ist ein Item f¨r 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 h¨chst o bewerteten Items in die Menge TopN gespeichert. 11 / 25
  12. 12. Einf¨hrung 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: <U, I, K, R>. k’ und k”’ sind unterschiedliche Kontexte, in denen sich der Benutzer Torsten befand und eine Benutzerbewertung abgegeben hat. 12 / 25
  13. 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’ w¨rde 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” w¨rde bedeuten, dass Julia an einem Sonntag mit ihrem u Freund ins Kino geht, und dabei Star Wars 7 anschaut und diesen mit 4 bewerten w¨rde. u Formal: k’ = (zuhause, Samstag, alleine), k” = (Kino, Sonntag, Freund) 13 / 25
  14. 14. Berechnung relevanter Items: TopN Die Berechnung der relevanten Items i in der TopN Menge f¨r u einen bestimmten Benutzer u kann mithilfe von 3 unterschiedlichen Berechnungs Ans¨tzen bewerkstelligt werden. a Dabei liegen die Datens¨tze der Form DATA := <U, I, K, R> vor. a Schritt 1: Kontext Bestimmung Zuerst wird der aktuelle k’ eines Benutzers u’ ermittelt. Schritt 2: Berechnung relevanter Items: TopN 1) Kontextuelle Vorfilterung, 2) Kontextuelle Nachfilterung oder 3) Kontext-Basierte Modelle. 14 / 25
  15. 15. ¨ Berechnungs-Ans¨tze in der Ubersicht a (c) Berechnungsans¨tze a 15 / 25
  16. 16. Ansatz 1: Kontextuelle Vorfilterung Bei der kontextuellen Vorfilterung wird zun¨chst die Dimension K a aus dem Datensatz durch Selektion mit K=k’ eliminiert. DATA := <U, I, K=k’, R> Somit entsteht die Datenmenge DATA’: DATA[k’] = <U, I, k’, R> → DATA’ = <U, I, R> Auf der neuen Datenmenge DATA[k’] kann wie bei normalen Empfehlungssystemen die Bewertungsfunktion Rank aufgestellt und berechnet werden, da die Dimension K des Kontexts wegf¨llt. a 16 / 25
  17. 17. Ansatz 1: Kontextuelle Vorfilterung 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’] = <U, I, k’, R> Benutzer × Items Julia in k’ Torsten in k’ Forrest Gump 0 1 Star Wars 7 0 0 Cast Away 3 2 Julia befindet sich momentan im Kontext k’. Alle anderen abgegebenen Bewertungen der Benutzer im Kontext k’ w¨ren a f¨r sie relevant. u 17 / 25
  18. 18. Ansatz 3: Modellbasierte Einbeziehung des Kontexts Bei Modell basierten Ans¨tzen 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 = <U, I, K, R> Kontext basierte Bewertungs Funktion: Rank: U × I × K → Bewertung Ans¨tze: a Benutzer, die sich z.B im ”gleichen”Kontext (zuhause) befinden, w¨rden ¨hnliche Items auch gleich bewerten. u a Das Aufstellen und Berechnen der Rank Funktion modellbasierter Ans¨tze ist sehr Komplex ! a 18 / 25
  19. 19. Komplexit¨t modellbasierter Ans¨tze a a Bei der Berechnung der Bewertungsfunktion Rank muss f¨r u jeden Kontext eine Bewertung f¨r ein Item und einen Benutzer u berechnet werden. Folgerung: Die Komplexivit¨t 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 = <U, I, R> Berechnungsschritte der Rank Funktion: GESAMT = ANZAHL(U) * ANZAHL(I) = 50k * 200 = 10kk entspricht etwa 10 Millionen Berechnungen ! 19 / 25
  20. 20. Komplexit¨t modellbasierter Ans¨tze a a Beispiel: Online-Buchshop: k = (WochenTag, KaufAbsicht, Niederschlag, Stimmung) WochenTag = [Mo, Di, Mi, Do, Fr, Sa, So, WE, WT...] KaufAbsicht = [Arbeit, Pers¨hnlich, Geschenk, Partner, Freund, o Eltern, Sammlung, GeburtstagsGeschenk, HeiratsGeschenk] Niederschlag = [0-2mm, 2-4mm, 4-100mm] Stimmung = [ruhig, positiv, tatkr¨ftig, tr¨be] a u ¨ Uberschlags Rechnung: GESAMT(K) = ANZAHL(WochenTag) × ANZAHL(KaufAbsicht) × ANZAHL(Niederschlag) × ANZAHL(Stimmung) =9×9×3×4 = 972 entspricht etwa 980 verschiedenen Kontexten in K. 20 / 25
  21. 21. Komplexit¨t modellbasierter Ans¨tze a a Modell-Basierte Berechnung der Rank Funktion: Ein Benutzer u k¨nnte sich, beim Kauf eines Buches in etwa o 980 verschiedenen Kontexten K befinden. ANZAHL(K) = 980; DATA = <U, I, K, R> Berechnungsschritte der Rank Funktion: GESAMT = ANZAHL(U) × ANZAHL(I) × GESAMT(K) = 50k × 200 × 980 = 10kkk entspricht etwa 10 Milliarden Berechnungen !! 21 / 25
  22. 22. Studie: Einwirkung auf das Kaufverhalten Kontext basierte Empfehlungssysteme sind meistens rechenintensiver als normale Empfehlungssysteme, aber daf¨r u genauer in der Bestimmung relevanter Items TopN f¨r einen u bestimmten Benutzer. Studie zu Normalen Systemen: Ausgegebenes Geld pro Monat pro User: +17% (Anstieg) Menge an gekauften Items pro Monat pro User: +37% (Anstieg) Preis pro gekaufter Items pro Monat pro User: -15% (Abfall) Studie zu Kontext-Basierten Systemen: Ausgegebenes Geld pro Monat pro User: +28% (Anstieg) Menge an gekauften Items pro Monat pro User: -8% (Abfall) Preis pro gekaufter Items pro Monat pro User: +39% (Anstieg) Quelle: The Effect of Context-Aware Recommendations on Customer Purchasing Behavior and Trust 22 / 25
  23. 23. Genauigkeit der Vorhersage relevanter Items Genauigkeit der TopN Items: Treffergenauigkeit (Ja-Nein) f¨r einen Benutzer liegt bei beiden u Empfehlungssysteme bei etwa 60% - 70%. Zum Vergleich mit der Kontrollgruppe: zufallsbasierte Item Empfehlungen liegen bei 40% - 50% Durchschnitt der positiven Feedbacks: Benutzerbewertungen liegen in Kontext-Basierten Empfehlungsysteme bei 55% - 70%. Bei normalen Empfehlungssystemen bei nur 50% - 60%. Offline Eink¨ufe: a Die meisten Benutzer der Empfehlubngssysteme gaben an, dass sie offline mehr Produkte gekauft haben, als Benutzer mit zufallsbasierten Empfehlungen. 23 / 25
  24. 24. Interpretation beim Kaufverhalten Durch den Einsatz von Empfehlungssysteme kann z.b eine Online Verkaufsplattform bis zu 30% mehr Geld einnehmen ! Fazit: Bei Normalen Empfehlungssystemen kauften die Benutzer in der Summe viel mehr Items, zahlten daf¨r aber einen geringeren u Items St¨ckpreis. u Bei Kontext-Basierten Empfehlungssystemen kauften die Benutzer in der Summe etwas weniger Items, aber zahlten daf¨r u einen sehr hohen Items St¨ckpreis. u M¨gliche Gr¨nde: o u Genauere Vorhersage relevanter Items durch zielgerichtete Einbeziehung des jeweiligen Kontexts. 24 / 25
  25. 25. Ende ... 25 / 25

×