SlideShare ist ein Scribd-Unternehmen logo
Information Retrieval
und
Recommender Systems
H R
2
Exemplar: amazon
3
Exemplar: youtube
4
Gliederung
Information Retrieval
 Komponenten
 allgemeine Definition
 Techniken
 Algorithmen
Recommender Systems
IR & RS in der PG
5
Information Retrieval
Information Retrieval
Social Information Retrieval
Extrahierung Speicherung Abruf
Parser/Crawler Storage Retrieval
{Bild
Mähdrescher}
{Bild
Speicher}
{Bild
Lupe}
6
RS: Komponenten
Ziele des RS
 (Zusatz-) Informationen bereitstellen
 Entscheidungshilfen, Referenzen bieten
User model
 Erreichen der Ziele benötigt
personifizierte Informationen
 abhängig von der Domäne
Umgebungsvariablen
 Wohldefiniertheit der Items
 Erstellung und Wartung von Metadaten
 stark Domänenabhängig
 Verkauf von Zusatzprodukten
 Loyalität aufbauen (Konkurrenz Klick
entfernt)
 PG:
 eigene Publikationen, selbst referenziert
 bereits bewertet
 Überfluss an Informationen
 Echtzeit
 Arbeiten mit Stereotypen 8
7
RS: allgemeine Definition
Nutzer C Items S
Gesucht usefulness u: C x S → R
{Bild
GruppeUser}
{Bild
GruppeDateien}
8
RS: inhaltsbasierte Techniken
 schätze u(c, s) durch die Suche nach u(c, ) ab
 wobei Item möglichst ähnlich zu s ist
 gutes c durch Benutzerprofile: ContentBasedProfile(c)
 explizit: z.B. Befragung, Formulare
 implizit: Mitschnitt des Nutzerverhaltens über die Zeit
 gutes s durch Itemprofile: Content(s)
 charakteresierende Attribute extrahieren: z.B. Keywords
 Gewichte für Wichtigkeit: z.B. TF-IDF
Gesucht usefulness u: C x S → R
si
si
9
RS: Kategorie CB
Name Herangehensweise Vorteile Nachteile
inhaltsbasierte Techniken (CB)
rating-based ähnliche
Bewertungen
↔
ähnlicher
Geschmack
des einzelnen
Nutzers
- Domänenunabhängig
- verbessert sich über
die Zeit
- cold-start-Problem
- new-user-Problem
- nur begrenze Vorschläge
attribute-based gewichte
Item-Attribute
↔
Benutzer-Attribute
- kein cold-start-
Problem
- kein new-user-
Problem
- regiert gut auf
Änderungen
- nur parsebare Inhalte
- lernt nicht über die Zeit
- funktioniert nur mit
Kategorien
- erfordert Wartung/
Kategorisierung
- Güte nicht ableitbar
- redundante Vorschläge
10
RS: kollaborative Techniken
 schätze u(c, s) durch die Suche nach u( , s) ab
 wobei User möglichst ähnlich zu c ist: user peers
 memory/heuristic-based: auf vorangegangenen Bewertungen
 gesucht: unbekannte Wertung:
 C' Menge ähnlicher Nutzer (aus N), die Item s bewertet haben
 wähle z.B. einfacher Durchschnitt ihrer Bewertungen, gewichtete
Summe, angepasste gewichtete Summe
 model-based
 Modell lernt und macht dann eine Vorhersage: W'keit, dass
Nutzer bestimmtes Rating zu Item abgibt
 Auflösung der W'keiten durch User-Cluster und Bayes-
Netzwerke
Gesucht usefulness u: C x S → R
ci
ci
rc , s
11
RS: Kategorie CF
Name Herangehensweise Vorteile Nachteile
kollaborative Techniken (CF)
user-based/
item-based
ähnliche
Bewertungen
↔
ähnlicher
Geschmack
der verschiedene
Nutzer
- keine Inhaltsanalyse
nötig
- Domänenunabhängig
- verbessert sich über
die Zeit
- Zufallsfunde möglich
- cold-start-Problem
- beliebter Geschmack
- Skalierbarkeit
- Seltenheit
- ”Rauschen”
– Skala nicht klar
– Grund für Abstimmung
Stereotypen
oder
Demografien
clustert Nutzer
anhand bekannter
Attribute
- kein cold-start-
Problem
- Domänenunabhängig
- Zufallsfunde möglich
- Informationsbeschaffung/
Metadaten
- unzureichende
Informationen
- nur beliebter Geschmack
- Wartung
12
RS: hybride Techniken
hybride Techniken
 implementieren CB und CF Technik separat
 kombinieren Ausgabe
 abhängig vom Szenario für ”bessere” entscheiden
13
char. Attribute gewichten: TF-IDF
 Keyword , Dokument
 Anzahl der Vorkommnisse von in Dokument
 s = ”Das rote Auto hält an der roten Ampel” = 2
 Vorkommenshäufigkeit: normalisierte Häufigkeit von in :
ki s j
f i , j ki s j
f rot , s
TFi, j ki s j
TFi, j=
f i , j
maxz f z , j
14
char. Attribute gewichten: TF-IDF
 S Anzahl aller Dokumente, Anzahl Dokumente mit Keyword
 Inserve Dokumentenhäufigkeit: misst Relevanz zu
anderen Dokumenten
 Gewicht von Keyword im Dokument wird berechnet:

 Content( ) = ( , …, )
TFi, j=
f i , j
maxz f z , j
si ki
IDF i=log 
S
si

wi , j ki s j
wi , j=TFi , j∗IDFi
s j w1, j
wk , j
Vorkommenshäufigkeit:
15
CB: Bayes-Klassifikator
 model-based Ansatz
 lernt aus statischem Wissen einer Trainingsmenge
 überträgt Wissen auf unbekannte Szenarien
 Beispiel Webseiten-Klassifikator:
 gesucht: W'keit das Webseite zu der Klasse
(relevant/irrelevant) gehört
P( | & … & )
 gegeben: Keywords auf Seite : , …,
 Ann.: Keywords unabhängig
pj Ci
Ci k1, j kn, j
pj k1, j
kn, j
PCi∗∏x Pkx , j .Ci
16
RS: Algorithmen
 Standarddatensatz für Benchmarks (MovieLens, Book-Crossing, …)
 Technisches Richtmaß:
 Genauigkeit (accuracy): Entfernung von echten Nutzerpräferenz
 Deckungsgrad (coverage): Anteil der Items für die RS eine
Vorhersage treffen kann
 allgemeine: Laufzeit, Speicherbedarf, Skalierbarkeit, …
 Vorgehen:
 durch Heuristiken oder Modelle die usefulness Funktion u
bestimmen und empirisch untersuchen
 die Funktion abschätzen, um bestimmte Kriterien zu verbessern
17
IR & RS in der PG
 Inhaltsanalysen liefern Keywords
 nicht eindeutig und synonym
 Zitierung ähnlich wie Bewertung
 Matthew Effect, Eigenzitierung
 Referenzen und Autoren ergeben Cluster
 mehrdeutige Autorennamen
 Lesezeichen und Downloads ermöglichen
kontinuierliche Beobachtung
 Implizite und explizite Bewertungen
 Mindestanzahl an Nutzern notwendig
18
Danke für Ihre Aufmerksamkeit!
19
Literatur
 [Drachsler2007]
Recommendations for learners are different : Applying memory-based recommender system
techniques to lifelong learning
 [Drachsler2009]
Identifying the Goal, User model and Conditions of Recommender Systems for Formal and
Informal Learning
 [Kargioti2010]
Supporting Emergent Learning through Social Recommendations
 [Adomavicius2005]
Toward the next generation of recommender systems: a survey of the state-of-the-art
and possible extensions
 [Gipp2009a]
Scienstein: A research paper recommender system

Weitere ähnliche Inhalte

Andere mochten auch

AfL-workshop märz 2012 weilburg
AfL-workshop märz 2012 weilburgAfL-workshop märz 2012 weilburg
AfL-workshop märz 2012 weilburg
vonspecht-esw
 
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
INOCENCIO MELÉNDEZ JULIO
 
Mitocondria y cloroplastos
Mitocondria y cloroplastosMitocondria y cloroplastos
Mitocondria y cloroplastos
bnalamo
 
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
INOCENCIO MELÉNDEZ JULIO
 
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
INOCENCIO MELÉNDEZ JULIO
 
994. !que-pequenos_y_que_grandes_somos!
994.  !que-pequenos_y_que_grandes_somos!994.  !que-pequenos_y_que_grandes_somos!
994. !que-pequenos_y_que_grandes_somos!
RICARDOGUARINC
 
Stu Appelbaum
Stu AppelbaumStu Appelbaum
Stu Appelbaumcrobishaw
 
Yorick ringeisen, umdenken
Yorick ringeisen, umdenkenYorick ringeisen, umdenken
Yorick ringeisen, umdenkenVorname Nachname
 
Flash Camp Chennai - What is new in AIR 2.5
Flash Camp Chennai - What is new in AIR 2.5Flash Camp Chennai - What is new in AIR 2.5
Flash Camp Chennai - What is new in AIR 2.5
RIA RUI Society
 
Contratación y gestion. desviación estándar y coeficiente de variación. ...
 Contratación y gestion. desviación estándar y coeficiente de variación. ... Contratación y gestion. desviación estándar y coeficiente de variación. ...
Contratación y gestion. desviación estándar y coeficiente de variación. ...
INOCENCIO MELÉNDEZ JULIO
 
Investigacion
InvestigacionInvestigacion
Investigacion
juanpa55
 
Idujuridico. ecuacion de regresión. inocencio melédnez julio.
 Idujuridico. ecuacion de regresión. inocencio melédnez julio. Idujuridico. ecuacion de regresión. inocencio melédnez julio.
Idujuridico. ecuacion de regresión. inocencio melédnez julio.
INOCENCIO MELÉNDEZ JULIO
 
Investigación. la investigación de mercados. inocencio meléndez julio
Investigación.  la investigación de mercados. inocencio meléndez julioInvestigación.  la investigación de mercados. inocencio meléndez julio
Investigación. la investigación de mercados. inocencio meléndez julio
INOCENCIO MELÉNDEZ JULIO
 
Articulación con el P.E.I.
Articulación con el P.E.I. Articulación con el P.E.I.
Articulación con el P.E.I.
Lina Quintero Valencia
 
Preguntas tics
Preguntas ticsPreguntas tics
Preguntas tics
Pablo Ducati
 
Action script 3.0
Action script 3.0Action script 3.0
Action script 3.0
eward Trejos
 
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
INOCENCIO MELÉNDEZ JULIO
 
gold im Januar – das STAR-MAGAZIN
gold im Januar – das STAR-MAGAZINgold im Januar – das STAR-MAGAZIN
gold im Januar – das STAR-MAGAZIN
Netto_Blogger
 

Andere mochten auch (18)

AfL-workshop märz 2012 weilburg
AfL-workshop märz 2012 weilburgAfL-workshop märz 2012 weilburg
AfL-workshop märz 2012 weilburg
 
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
Inocencio meléndez julio. estructura de la contabilidad finaciera. inocencio...
 
Mitocondria y cloroplastos
Mitocondria y cloroplastosMitocondria y cloroplastos
Mitocondria y cloroplastos
 
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
Inocencio meléndez julio. contratación y gestión. el planeamiento en la in...
 
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
Inocencio meléndez julio. idujuridico. el mercado y la comunicación de la e...
 
994. !que-pequenos_y_que_grandes_somos!
994.  !que-pequenos_y_que_grandes_somos!994.  !que-pequenos_y_que_grandes_somos!
994. !que-pequenos_y_que_grandes_somos!
 
Stu Appelbaum
Stu AppelbaumStu Appelbaum
Stu Appelbaum
 
Yorick ringeisen, umdenken
Yorick ringeisen, umdenkenYorick ringeisen, umdenken
Yorick ringeisen, umdenken
 
Flash Camp Chennai - What is new in AIR 2.5
Flash Camp Chennai - What is new in AIR 2.5Flash Camp Chennai - What is new in AIR 2.5
Flash Camp Chennai - What is new in AIR 2.5
 
Contratación y gestion. desviación estándar y coeficiente de variación. ...
 Contratación y gestion. desviación estándar y coeficiente de variación. ... Contratación y gestion. desviación estándar y coeficiente de variación. ...
Contratación y gestion. desviación estándar y coeficiente de variación. ...
 
Investigacion
InvestigacionInvestigacion
Investigacion
 
Idujuridico. ecuacion de regresión. inocencio melédnez julio.
 Idujuridico. ecuacion de regresión. inocencio melédnez julio. Idujuridico. ecuacion de regresión. inocencio melédnez julio.
Idujuridico. ecuacion de regresión. inocencio melédnez julio.
 
Investigación. la investigación de mercados. inocencio meléndez julio
Investigación.  la investigación de mercados. inocencio meléndez julioInvestigación.  la investigación de mercados. inocencio meléndez julio
Investigación. la investigación de mercados. inocencio meléndez julio
 
Articulación con el P.E.I.
Articulación con el P.E.I. Articulación con el P.E.I.
Articulación con el P.E.I.
 
Preguntas tics
Preguntas ticsPreguntas tics
Preguntas tics
 
Action script 3.0
Action script 3.0Action script 3.0
Action script 3.0
 
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
Inocencio meléndez julio. oportunidad empresarial. la segmentación del merc...
 
gold im Januar – das STAR-MAGAZIN
gold im Januar – das STAR-MAGAZINgold im Januar – das STAR-MAGAZIN
gold im Januar – das STAR-MAGAZIN
 

Ähnlich wie Information Retrieval und Recommender Systems

Evaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenEvaluierung von Empfehlungssystemen
Evaluierung von Empfehlungssystemen
Florian Stegmaier
 
Ansätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches FilteringAnsätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches Filtering
Florian Stegmaier
 
Personalisierung
PersonalisierungPersonalisierung
Personalisierung
Udo Ornik
 
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem FilternFunktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
Florian Stegmaier
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Spark Summit
 
Clickstream Analysis with Spark
Clickstream Analysis with Spark Clickstream Analysis with Spark
Clickstream Analysis with Spark
Josef Adersberger
 
Clickstream Analysis with Spark - Understanding Visitors in Real Time
Clickstream Analysis with Spark - Understanding Visitors in Real TimeClickstream Analysis with Spark - Understanding Visitors in Real Time
Clickstream Analysis with Spark - Understanding Visitors in Real Time
QAware GmbH
 
Statistiken für Repositories
Statistiken für RepositoriesStatistiken für Repositories
Statistiken für Repositories
uherb
 
Enhanced SEO with Machine Learning
Enhanced SEO with Machine LearningEnhanced SEO with Machine Learning
Enhanced SEO with Machine Learning
Michael Weber
 
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
DataValueTalk
 
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
Hamburg University of Applied Sciences (HAW)
 
Brand Analytics
Brand AnalyticsBrand Analytics
Brand Analytics
Olesya Afanasyeva
 
eoda R-Akademie 2014
eoda R-Akademie 2014 eoda R-Akademie 2014
eoda R-Akademie 2014
eoda GmbH
 
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
Lucas M
 

Ähnlich wie Information Retrieval und Recommender Systems (14)

Evaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenEvaluierung von Empfehlungssystemen
Evaluierung von Empfehlungssystemen
 
Ansätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches FilteringAnsätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches Filtering
 
Personalisierung
PersonalisierungPersonalisierung
Personalisierung
 
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem FilternFunktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
 
Clickstream Analysis with Spark
Clickstream Analysis with Spark Clickstream Analysis with Spark
Clickstream Analysis with Spark
 
Clickstream Analysis with Spark - Understanding Visitors in Real Time
Clickstream Analysis with Spark - Understanding Visitors in Real TimeClickstream Analysis with Spark - Understanding Visitors in Real Time
Clickstream Analysis with Spark - Understanding Visitors in Real Time
 
Statistiken für Repositories
Statistiken für RepositoriesStatistiken für Repositories
Statistiken für Repositories
 
Enhanced SEO with Machine Learning
Enhanced SEO with Machine LearningEnhanced SEO with Machine Learning
Enhanced SEO with Machine Learning
 
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
’Klare Sicht auf Ihre Kunden - Erfolgsfaktor korrekter Kundendaten!” Klaus Sc...
 
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
Relevance Assessment Tool - Ein Werkzeug zum Design von Retrievaltests sowie ...
 
Brand Analytics
Brand AnalyticsBrand Analytics
Brand Analytics
 
eoda R-Akademie 2014
eoda R-Akademie 2014 eoda R-Akademie 2014
eoda R-Akademie 2014
 
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
Untersuchung und anschließende Implementierung eines Empfehlungssystems für d...
 

Information Retrieval und Recommender Systems

  • 4. 4 Gliederung Information Retrieval  Komponenten  allgemeine Definition  Techniken  Algorithmen Recommender Systems IR & RS in der PG
  • 5. 5 Information Retrieval Information Retrieval Social Information Retrieval Extrahierung Speicherung Abruf Parser/Crawler Storage Retrieval {Bild Mähdrescher} {Bild Speicher} {Bild Lupe}
  • 6. 6 RS: Komponenten Ziele des RS  (Zusatz-) Informationen bereitstellen  Entscheidungshilfen, Referenzen bieten User model  Erreichen der Ziele benötigt personifizierte Informationen  abhängig von der Domäne Umgebungsvariablen  Wohldefiniertheit der Items  Erstellung und Wartung von Metadaten  stark Domänenabhängig  Verkauf von Zusatzprodukten  Loyalität aufbauen (Konkurrenz Klick entfernt)  PG:  eigene Publikationen, selbst referenziert  bereits bewertet  Überfluss an Informationen  Echtzeit  Arbeiten mit Stereotypen 8
  • 7. 7 RS: allgemeine Definition Nutzer C Items S Gesucht usefulness u: C x S → R {Bild GruppeUser} {Bild GruppeDateien}
  • 8. 8 RS: inhaltsbasierte Techniken  schätze u(c, s) durch die Suche nach u(c, ) ab  wobei Item möglichst ähnlich zu s ist  gutes c durch Benutzerprofile: ContentBasedProfile(c)  explizit: z.B. Befragung, Formulare  implizit: Mitschnitt des Nutzerverhaltens über die Zeit  gutes s durch Itemprofile: Content(s)  charakteresierende Attribute extrahieren: z.B. Keywords  Gewichte für Wichtigkeit: z.B. TF-IDF Gesucht usefulness u: C x S → R si si
  • 9. 9 RS: Kategorie CB Name Herangehensweise Vorteile Nachteile inhaltsbasierte Techniken (CB) rating-based ähnliche Bewertungen ↔ ähnlicher Geschmack des einzelnen Nutzers - Domänenunabhängig - verbessert sich über die Zeit - cold-start-Problem - new-user-Problem - nur begrenze Vorschläge attribute-based gewichte Item-Attribute ↔ Benutzer-Attribute - kein cold-start- Problem - kein new-user- Problem - regiert gut auf Änderungen - nur parsebare Inhalte - lernt nicht über die Zeit - funktioniert nur mit Kategorien - erfordert Wartung/ Kategorisierung - Güte nicht ableitbar - redundante Vorschläge
  • 10. 10 RS: kollaborative Techniken  schätze u(c, s) durch die Suche nach u( , s) ab  wobei User möglichst ähnlich zu c ist: user peers  memory/heuristic-based: auf vorangegangenen Bewertungen  gesucht: unbekannte Wertung:  C' Menge ähnlicher Nutzer (aus N), die Item s bewertet haben  wähle z.B. einfacher Durchschnitt ihrer Bewertungen, gewichtete Summe, angepasste gewichtete Summe  model-based  Modell lernt und macht dann eine Vorhersage: W'keit, dass Nutzer bestimmtes Rating zu Item abgibt  Auflösung der W'keiten durch User-Cluster und Bayes- Netzwerke Gesucht usefulness u: C x S → R ci ci rc , s
  • 11. 11 RS: Kategorie CF Name Herangehensweise Vorteile Nachteile kollaborative Techniken (CF) user-based/ item-based ähnliche Bewertungen ↔ ähnlicher Geschmack der verschiedene Nutzer - keine Inhaltsanalyse nötig - Domänenunabhängig - verbessert sich über die Zeit - Zufallsfunde möglich - cold-start-Problem - beliebter Geschmack - Skalierbarkeit - Seltenheit - ”Rauschen” – Skala nicht klar – Grund für Abstimmung Stereotypen oder Demografien clustert Nutzer anhand bekannter Attribute - kein cold-start- Problem - Domänenunabhängig - Zufallsfunde möglich - Informationsbeschaffung/ Metadaten - unzureichende Informationen - nur beliebter Geschmack - Wartung
  • 12. 12 RS: hybride Techniken hybride Techniken  implementieren CB und CF Technik separat  kombinieren Ausgabe  abhängig vom Szenario für ”bessere” entscheiden
  • 13. 13 char. Attribute gewichten: TF-IDF  Keyword , Dokument  Anzahl der Vorkommnisse von in Dokument  s = ”Das rote Auto hält an der roten Ampel” = 2  Vorkommenshäufigkeit: normalisierte Häufigkeit von in : ki s j f i , j ki s j f rot , s TFi, j ki s j TFi, j= f i , j maxz f z , j
  • 14. 14 char. Attribute gewichten: TF-IDF  S Anzahl aller Dokumente, Anzahl Dokumente mit Keyword  Inserve Dokumentenhäufigkeit: misst Relevanz zu anderen Dokumenten  Gewicht von Keyword im Dokument wird berechnet:   Content( ) = ( , …, ) TFi, j= f i , j maxz f z , j si ki IDF i=log  S si  wi , j ki s j wi , j=TFi , j∗IDFi s j w1, j wk , j Vorkommenshäufigkeit:
  • 15. 15 CB: Bayes-Klassifikator  model-based Ansatz  lernt aus statischem Wissen einer Trainingsmenge  überträgt Wissen auf unbekannte Szenarien  Beispiel Webseiten-Klassifikator:  gesucht: W'keit das Webseite zu der Klasse (relevant/irrelevant) gehört P( | & … & )  gegeben: Keywords auf Seite : , …,  Ann.: Keywords unabhängig pj Ci Ci k1, j kn, j pj k1, j kn, j PCi∗∏x Pkx , j .Ci
  • 16. 16 RS: Algorithmen  Standarddatensatz für Benchmarks (MovieLens, Book-Crossing, …)  Technisches Richtmaß:  Genauigkeit (accuracy): Entfernung von echten Nutzerpräferenz  Deckungsgrad (coverage): Anteil der Items für die RS eine Vorhersage treffen kann  allgemeine: Laufzeit, Speicherbedarf, Skalierbarkeit, …  Vorgehen:  durch Heuristiken oder Modelle die usefulness Funktion u bestimmen und empirisch untersuchen  die Funktion abschätzen, um bestimmte Kriterien zu verbessern
  • 17. 17 IR & RS in der PG  Inhaltsanalysen liefern Keywords  nicht eindeutig und synonym  Zitierung ähnlich wie Bewertung  Matthew Effect, Eigenzitierung  Referenzen und Autoren ergeben Cluster  mehrdeutige Autorennamen  Lesezeichen und Downloads ermöglichen kontinuierliche Beobachtung  Implizite und explizite Bewertungen  Mindestanzahl an Nutzern notwendig
  • 18. 18 Danke für Ihre Aufmerksamkeit!
  • 19. 19 Literatur  [Drachsler2007] Recommendations for learners are different : Applying memory-based recommender system techniques to lifelong learning  [Drachsler2009] Identifying the Goal, User model and Conditions of Recommender Systems for Formal and Informal Learning  [Kargioti2010] Supporting Emergent Learning through Social Recommendations  [Adomavicius2005] Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions  [Gipp2009a] Scienstein: A research paper recommender system