Empfehlungs-Systeme. Recommender-Systeme. Buch-Recommender. Personalisierung. Kollaboratives Filtern & inhaltsbasierte Empfehlungen

Transkript

1 Epfehlngs-Systee Recoender-Systee Kollaboratves Fltern & nhaltsbaserte Epfehlngen Systee, Ntzern Dnge z epfehlen (z.b. Bücher, Fle, Ds, Webseten, Nesgrop Nachrchten, de af hren vorgen Präferenzen baseren. Vele On-lne-Läden lefern Epfehlngen (z.b. Aazon, DNo. Recoender haben den Usatz von On-Lne-Läden erheblch gestegert. Es gbt ze grndlegende Ansätze für Epfehlngen: kollaboratves Fltern (a.k.a. sozales Fltern nhaltsbasert Fltern 2 Bch-Recoender Personalserng Red Mars Fond aton Jrassc Park Lost World 200 Dfference Engne Machnelles Lernen Profl Neroancer 200 Recoender snd spezelle Personalserngs- Softare. De Personalserng betrfft de Anpassng an ndvdelle Bedürfnsse, Interessen nd Präferenzen jedes s. Recoender fassen: Epfehlen Fltern Vorhersagen (z.b. Forlar-Vervollständgngen As geschäftlcher Perspektve erden Recoender als Tel des stoer Relatonshp Manageent (RM angesehen. 3 4

2 Machnelles Lernen nd Personalserng Machnelles Lernen kann das Lernen enes odells oder Profls enes bestten Bentzers nterstützen, baserend af: Interaktonsstern beerteten Bespelen Deses Modell oder Profl kann dann verendet erden : Objekte z epfehlen Inforatonen z fltern Verhalten vorherzsagen Kollaboratves Fltern Pflegen ener Datenbank t beertngen ener Velzahl von Objekten. Fnde für enen gegebenen andere, ähnlche, deren Beertngen stark t de aktellen korreleren. Epfehle Objekte, de von desen ähnlchen n hoch engestft erden, aber vo aktellen noch ncht beertet rden. Nahez alle vorhandenen koerzellen Recoender verenden desen Ansatz (z.b. Aazon. 5 6 Kollaboratves Fltern Kollaboratve Flterethode Gechte alle n Bezg af hre Ähnlchket t de aktven. Databank A B 9 Z 0 A 5 Z 7 A B 8 Z Korrelatons- Überenstng A 6 Z A 0 8 Z A 0 8 Z Wähle ene Telenge der as (Nachbarn, se zr Vorhersage z verenden. Noralsere Beertngen nd berechne ene Vorhersage as ene gechteten Mttel der asgeählten Nachbar-Beertngen. Präsentere Objekte t höchsten vorhergesagten Beertngen als Epfehlngen. Aktver extrahere Epfehlngen 7 8

3 Ähnlchketsgechtng Verende typscherese den Pearson-Korrelatonskoeffzenten zschen Beertngen für den aktven a nd ene eteren. c = covara, r σ σ r a r r a nd r snd de Beertngsvektoren für de Objekte, de soohl von a als ach von beertet snd. Kovaranz nd Standard-Abechng Kovaranz: covar, r Standard-Abechng: a r r r a, = r x, x = r,j st de Beertng von für das Objekt j. σ r x = r 2 x, x 9 0 Sgnfkanz-Gechtng Es st chtg, kenen Korrelatonen z vertraen, de nr af sehr engen geensa beerteten Objekten baseren. Verende Sgnfkanzgechte s, de af der Anzahl vo geensa beerteten Objekten, baseren. = s c t f > 50 = f s a, Nachbar-Selekton Asahl der z de aktven a a stärksten korrelerenden, de dann als Qelle der Vorhersagen denen. Der Standardansatz st, de n ähnlchsten z verenden, baserend af den Ähnlchketsgechten. En alternatver Ansatz st es, alle enzschleßen, deren Ähnlchket z a über ener gegebenen Schelle legt. 2

4 Beertngs-Vorhersage Problee t kollaboratve Fltern Sage nter Verendng der n asgeählten Nachbar- {,2,,n} für den aktven a ene Beertng p für jedes Objekt voras. U de verschedenen Beertngsnveas nterschedlcher z berückschtgen, baseren r de Vorhersagen af der Dfferenz z Drchschntt der Beertngen aller Beertngen des jeelgen Ntzers. Gechte de Beertngsbeträge des s nach hrer Ähnlchket t de aktven. p n = = ra + n =, r 3 Kaltstart: Es üssen berets geng andere Syste sen, ene Überenstng z fnden. Seltenhet: Wenn vele Objekte epfohlen erden sollen, st de / Beertngsatrx dünn besetzt selbst enn es vele gbt nd es st scherg, z fnden, de de glechen Objekte beertet haben. Erster Berteler: koll. Fltern kann ken Objekt epfehlen, das ncht zvor beertet orden st. Nee Objekte Exotsche Objekte Poplartäts-Asrchtng: koll. Fltern kann jeande t sehr spezellen Vorleben kene Objekte epfehlen. De Methode negt daz, popläre Objekte z epfehlen. 4 Inhaltsbasertes Epfehlen Epfehlngen baseren her eher af Inforatonen über den Inhalt (de Egenschaften von Objekten als af den Menngen anderer. Verendet enen Algorths für aschnelles Lernen, en Profl der präferenzen as Bespelen z erzegen, de af Merkalsbeschrebngen des Inhalts baseren. Enge exsterende Anendngen: Neseeder (Lang, 995 Syskll nd Webert (Pazzan et al., 996 Vortele enes nhaltsbaserten Ansatzes Ken Bedarf an Daten über andere. Ken Kaltstart-Proble nd kene Seltenhetsproblee. Ist fähg, n t endetgen Vorleben Epfehlngen aszsprechen Ist fähg, nee nd npopläre Objekte z epfehlen Ken Erster-Berteler-Proble. Kann Erläterngen z den epfohlenen Objekten drch de Aflstng der Inhaltserkale lefern, de de Epfehlng berkten. 5 6

5 Nachtele der nhaltsbaserten Methode Erfordert Inhalt, der snnvoll drch Merkale kodert erden kann. -Vorleben üssen als lernbare Fnkton deser Inhaltserkale dargestellt erden können. Ncht fähg, Qaltätsbertelngen anderer aszerten. Es se denn, dese snd rgende n den Inhaltserkalen enthalten. 7