Die Präsentation behandelt kontext-basierte Personalisierungsansätze in Empfehlungssystemen, wobei der Kontext die Kaufentscheidungen der Benutzer beeinflusst. Durch die Erfassung und Modellierung von Kontextinformationen wird angestrebt, die Genauigkeit der empfohlenen Items zu erhöhen. Die Studie zeigt, dass kontext-basierte Systeme tendenziell rechenintensiver sind, jedoch auch zu einer höheren Genauigkeit und unterschiedlichen Kaufverhalten der Benutzer führen.

1. Pr¨sentation:
a
Thema: Kontext-Basierte
Personalisierungsans¨tze
a
Referent: Lucas Mußm¨cher
a
Datum: 6. Dezember 2013
1 / 25

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. 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. 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. 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. 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. Beispiele zur Kontext Bestimmung eines Benutzers
(a) Explizite Bestimmung
(b) Implizite Bestimmung
7 / 25

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. 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. 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. 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. 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. 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. 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. ¨
Berechnungs-Ans¨tze in der Ubersicht
a
(c) Berechnungsans¨tze
a
15 / 25

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. 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. 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. 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. 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. 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. 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. 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. 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. Ende
...
25 / 25