Trust-based recommender systems

603 Aufrufe

Veröffentlicht am

Ein Vortrag von Tobias Hofinger 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
603
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
10
Aktionen
Geteilt
0
Downloads
9
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Trust-based recommender systems

  1. 1. Trust-based recommender systems Hofinger Tobias 09.01.2014
  2. 2. Inhaltsverzeichnis ● ● ● Einleitung Zusammenhang zwischen Vertrauen und Empfehlungssystemen Vertrauen berechnen – – ● Darstellung von Vertrauen Berechnen Trust-based recommender systems – Empfehlungen 2/31
  3. 3. Inhaltsverzeichnis ● Automatische Vertrauensberechnung ● Empirische Auswertung ● Vorraussetzungen für Empfehlungssysteme – ● Axiome 1 – 8 Schlussfolgerung 3/31
  4. 4. Einleitung ● Web 2.0 – – ● Zusammenarbeit Informationen austauschen Empfehlungssysteme – Vorhersagen/Empfehlungen – Basieren auf Informationen über Benutzer und deren Beziehungen zu anderen Benutzern 4/31
  5. 5. Vertrauen ● Menschen neigen dazu Empfehlungen von vertrauenswürdigen Menschen (Freunden) mehr zu vertrauen als herkömlichen Empfehlungssystemen 5/31
  6. 6. Vertrauen ● ● ● Soziale Netzwerke ermöglichen das Erstellen von Vertrauensnetzwerken (Web of Trust) Kombination von Empfehlungssystemen und Vertrauensnetzwerken Es ist auch möglich Misstrauen abzubilden (Block list) 6/31
  7. 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. 8. Berechnung ● In großen 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 Ausführungen 8/31
  9. 9. Berechnung ● Vertrauensmatrizen werden mittels zwei Verfahren berechnet – Ausbreitung (Propagation) – Zusammenführung (Aggregation) 9/31
  10. 10. Ausbreitung ● Transitivität – A vertraut B – B vertraut C – Daher kann A - C vertrauen (zu einem gewissen Grad) 10/31
  11. 11. Ausbreitung von Vertrauen ● Operator – – ● Multiplikation Formeln Reichweite – Über das ganze Netzwerk – Bis zu definierten Grenzen 11/31
  12. 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 für A in C = 0.35 12/31
  13. 13. Ausbreitung von Misstrauen ● Mehrere Ansätze mit teils komplizierten Formeln – ● Knoten werden mit Tupeln aus Vertrauen/Misstrauen beschrieben (t, d) Uneinigkeit über den besten Ansatz um Misstrauen zu berechnen 13/31
  14. 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. 15. Zusammenführung ● Mehrere Kanten zu einem Knoten ● Operatoren – – Durchschnitt – ● Minimum/Maximum Gewichtet Reihenfolge wichtig 15/31
  16. 16. Trust-based recommender systems ● ● Vertrauenssysteme und Empfehlungssysteme kombinieren Schwächen von Empfehlungssystemen beheben – Sparsity – Cold Start User – Attacks ● Manuelle WoT ● Automatische WoT 16/31
  17. 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. 18. Trust-based weighted mean ● a = Benutzer für 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. 19. TidalTrust ● Experiment – – Bekannten Vertrauenswert neu berechnet – Kurze Wege sind genauer – ● Normale Matrix Wege mit hohen Werten sind genauer Spezielle Vertrauensmatrix (TidalTrust) – Maximale Pfadlänge – Untergrenze für Vertrauenswerte eines Pfads 19/31
  20. 20. Trust-based collaborative filtering ● ● Ähnlich zu normalen collaborative filtering Statt Ähnlichkeit zu anderen Benutzern/Gegenständen wird hier Vertrauen eingesetzt 20/31
  21. 21. MoleTrust ● ● Zyklen entfernen Vertrauensnetzwerk wird azyklischer Graph ● Graph durchlaufen ● Propagation horizon – – ● Anfangs festgelegt Grenze des WoT Vertrauensuntergrenze – Anfangs festgelegt 21/31
  22. 22. Automatische Vertrauensberechnung ● Bisher direkte Eingaben von Vertrauenswerten ● Nicht immer möglich ● Automatische Berechnung – Profile- and item-level trust – Trust-based filtering 22/31
  23. 23. Profile- and item-level trust ● ● Benutzer die viele gute Empfehlungen aufweisen sind Vertrauenswürdiger als andere Zwei Vertrauensmatrizen – Profile-level trust – Item-level trust 23/31
  24. 24. Trust-based filtering ● ● Nur Vertrauenswürdige Benutzer werden einbezogen Vertrauenswürdigkeit wird durch profile/ item-level trust ermittelt 24/31
  25. 25. Empirische Auswertung ● Die bisher genannten Ansätze wurden mittels zwei Datensätzen von Epinions.com getestet ● Leave-one-out Methode ● Zufällige Gegenstände – ● Kaum Verbesserung gegenüber bisherige Verfahren Umstrittene Gegenstände – Verbesserung unter gewissen Umständen 25/31
  26. 26. Vorraussetzungen für Empfehlungssysteme ● ● ● Allgemeine angenommene Vorraussetzungen Sollten von allen Vertrauensbasierten Empfehlungssysteme erfüllt werden 8 Axiome 26/31
  27. 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 Unabhängigkeit von Irrelevanten Knoten – Knoten zu denen keine Verbindung besteht fließen nicht in Empfehlung ein 27/31
  28. 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 ändert keine Empfehlungen 28/31
  29. 29. Axiome 7-8 ● Mehrheit – ● Die Empfehlung eines Knotens sollte der Mehrheit der umliegenden Vertrauenswürdigen Nachbarn entsprechen Kein Gruppendenken – Die Empfehlung einer Gruppe von Knoten sollte der Mehrheit der umliegenden vertraunswürdigen Nachbarn entsprechen 29/31
  30. 30. Schlussfolgerung ● ● ● Großer Nutzen für Empfehlungssysteme mit Vertrauensnetzwerk Kein kompletter Ersatz für normale Systeme Probleme – – Noch wenig erforscht – ● Relativ unbekannt Kaum Testdaten In Zukunft größere Bedeutung 30/31
  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

×