Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und relevantere Anzeigen zu schalten. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Trust-based recommender systems
Hofinger Tobias
09.01.2014
Inhaltsverzeichnis
●
●

●

Einleitung
Zusammenhang zwischen Vertrauen und
Empfehlungssystemen
Vertrauen berechnen
–
–

●

...
Inhaltsverzeichnis
●

Automatische Vertrauensberechnung

●

Empirische Auswertung

●

Vorraussetzungen für
Empfehlungssyst...
Einleitung
●

Web 2.0
–
–

●

Zusammenarbeit
Informationen austauschen

Empfehlungssysteme
–

Vorhersagen/Empfehlungen

–
...
Vertrauen

●

Menschen neigen dazu Empfehlungen
von vertrauenswürdigen Menschen
(Freunden) mehr zu vertrauen als
herkömlic...
Vertrauen
●

●

●

Soziale Netzwerke ermöglichen
das Erstellen von Vertrauensnetzwerken
(Web of Trust)
Kombination von Emp...
Darstellung
●

Wahrscheinlichkeitsbezogen
–

–

●

Einem Knoten entweder gar nicht oder
voll vertrauen (0 oder 1)
Berechnu...
Berechnung
●

In großen Vertrauensnetzwerken stehen
die meisten Knoten nicht in direkter
Beziehung zueinander

●

Web of T...
Berechnung

●

Vertrauensmatrizen werden mittels zwei
Verfahren berechnet
–

Ausbreitung (Propagation)

–

Zusammenführung...
Ausbreitung
●

Transitivität
–

A vertraut B

–

B vertraut C

–

Daher kann A - C vertrauen (zu einem
gewissen Grad)

10/...
Ausbreitung von Vertrauen
●

Operator
–
–

●

Multiplikation
Formeln

Reichweite
–

Über das ganze Netzwerk

–

Bis zu def...
Ausbreitung von Vertrauen

●

Multiplikation: t1 x t2
–

Vertrauenswert von A in B ist 0.5

–

Vertrauenswert von B in C i...
Ausbreitung von Misstrauen
●

Mehrere Ansätze mit teils komplizierten
Formeln
–

●

Knoten werden mit Tupeln aus
Vertrauen...
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...
Zusammenführung
●

Mehrere Kanten zu einem Knoten

●

Operatoren
–
–

Durchschnitt

–
●

Minimum/Maximum
Gewichtet

Reihen...
Trust-based
recommender systems
●

●

Vertrauenssysteme und
Empfehlungssysteme kombinieren
Schwächen von Empfehlungssystem...
Empfehlungen berechnen
●

●

Werte der Knoten in Vertrauensmatrizen
als Grundlage der Gewichtung
Viele verschiedene Algori...
Trust-based weighted mean
●

a = Benutzer für den eine Empfehlung erstellt
werden soll

●

i = Gegenstand der Empfohlen we...
TidalTrust
●

Experiment
–
–

Bekannten Vertrauenswert neu berechnet

–

Kurze Wege sind genauer

–
●

Normale Matrix

Weg...
Trust-based collaborative
filtering
●

●

Ähnlich zu normalen collaborative filtering

Statt Ähnlichkeit zu anderen
Benutz...
MoleTrust
●
●

Zyklen entfernen
Vertrauensnetzwerk wird azyklischer
Graph

●

Graph durchlaufen

●

Propagation horizon
–
...
Automatische
Vertrauensberechnung
●

Bisher direkte Eingaben von
Vertrauenswerten

●

Nicht immer möglich

●

Automatische...
Profile- and item-level trust
●

●

Benutzer die viele gute Empfehlungen
aufweisen sind Vertrauenswürdiger als
andere
Zwei...
Trust-based filtering
●

●

Nur Vertrauenswürdige Benutzer werden
einbezogen

Vertrauenswürdigkeit wird durch profile/
ite...
Empirische Auswertung
●

Die bisher genannten Ansätze wurden
mittels zwei Datensätzen von
Epinions.com getestet

●

Leave-...
Vorraussetzungen für
Empfehlungssysteme
●

●

●

Allgemeine angenommene
Vorraussetzungen
Sollten von allen Vertrauensbasie...
Axiome 1 - 3
●

Symmetrie
–

Vertrauensnetzwerke Symmetrisch
●

●

Positive Antwort
–

●

Gleich viele Knoten denen man
ve...
Axiome 4 - 6
●

Einigkeit der Nachbarschaft
–

●

Ausbreitung von Vertrauen
–

●

Falls alle umliegenden Knoten empfehlen
...
Axiome 7-8
●

Mehrheit
–

●

Die Empfehlung eines Knotens sollte der
Mehrheit der umliegenden
Vertrauenswürdigen Nachbarn
...
Schlussfolgerung
●

●

●

Großer Nutzen für Empfehlungssysteme
mit Vertrauensnetzwerk
Kein kompletter Ersatz für normale
S...
Quellen
●

●

Trust and Recommendations (Patricia Victor et al., 2010)

Trust-based recommendation systems: An axiomatic a...
Nächste SlideShare
Wird geladen in …5
×

Trust-based recommender systems

770 Aufrufe

Veröffentlicht am

Ein Vortrag von Tobias Hofinger aus dem Hauptseminar "Personalisierung mit großen Daten".

Veröffentlicht in: Technologie
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

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

×