MyMedia. Dynamic Personalization of Multimedia. Lars Schmidt-Thieme. Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim

Transkript

1 MyMedia Dynamic Personalization of Multimedia Lars Schmidt-Thieme Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim November 2011 Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 0 / 12

2 Was sind Emfephlungssysteme? Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 1 / 12

3 Was sind Empfehlungssysteme? customer OPERATIVE SYSTEM info layer access layer databases keyword/properties search relevance sorting properties hierarchical catalog gallery detailview cross links customer reviews hierarchy search index recommender system task spec. comparison INFORMATION SYSTEM marketing system log market basket gallery order system TRANSACTION SYSTEM customer preferences ANALYTICAL S. databases shop data warehouse preference indicators Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 2 / 12

4 Wie funktionieren Empfehlungssysteme? customer OPERATIVE SYSTEM ANALYTICAL S. info layer access layer databases databases keyword/properties search relevance sorting properties hierarchical catalog gallery detailview cross links customer reviews hierarchy search index shop data warehouse recommender system task spec. comparison INFORMATION SYSTEM marketing system log preference indicators market basket gallery order system TRANSACTION SYSTEM customer preferences LEARNING Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 3 / 12

5 MyMedia Dynamic Personalization of Multimedia Empfehlungssysteme für Internet-basiertes Fernsehen (IPTV), Web-Fernsehen und -Radio und Online-Shopping Partner: Microsoft Deutschland (EMIC) BT BBC microgénesis TU Eindhoven Novay Universität Hildesheim Laufzeit Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 4 / 12

6 MyMedia Applications Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 5 / 12

7 MyMedia Applications Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 5 / 12

8 MyMedia Applications Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 5 / 12

9 MyMedia Applications Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 5 / 12

10 MyMedia Dynamic Personalization of Multimedia Ergebnisse: Beteiligung an der Weiterentwicklung des ETSI-Standard TV-Anytime Erprobung der Entwicklungen in vier Feldversuchen in drei Ländern mit insgesamt mehr als Teilnehmern. Veröffentlichung eines Software-Frameworks für Multimedia-Empfehlungssysteme Zahlreiche Auszeichnungen im akademischen Bereich: Best Paper auf der 19. International World Wide Web Conference Best Student Paper ACM Conference on Web Search and Data Mining 2010 ECML PKDD Discovery Challenge 2009 CAMRa Challenge 2010 Präsentation auf der CeBIT 2011 Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 6 / 12

11 Item Recommendation Video Rental: Netflix AUC BPR MF BPR knn WR MF SVD MF Cosine knn most popular np max number of dimensions State-of-the-art (applications): Collaborative Filtering (Cosine-kNN) [Goldberg et al. 1992] State-of-the-art (research): Weighted Regularized MF (WR-MF) [Hu et al. 2008] Our method: Bayesian Personalized Ranking (BPR) [Rendle et al. 2009] Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 7 / 12

12 Item Recommendation Online shopping: Rossmann AUC BPR MF BPR knn WR MF SVD MF Cosine knn most popular np max number of dimensions State-of-the-art (applications): Collaborative Filtering (Cosine-kNN) [Goldberg et al. 1992] State-of-the-art (research): Weighted Regularized MF (WR-MF) [Hu et al. 2008] Our method: Bayesian Personalized Ranking (BPR) [Rendle et al. 2009] Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 8 / 12

13 Sekundäreffekte von Empfehlungssystemen Sekundär erhöhen Empfehlungssysteme die Kundenbindung: Sie verbessern die Kundenzufriedenheit: Sie strukturieren Angebote. Sie senken die Suchkosten. Sie erhöhen die Markttransparenz. Sie bauen langfristige Wechselbarrieren auf, da Profile nicht zu Wettbewerbern übertragen werden können. Empfehlungssysteme besitzen mehrere weitere Sekundäreffekte: Sie verbessern die Qualität von Marketing-Daten, da die Daten operative Zwecke erfüllen. Sie liefern umfassende Informationen für die Marktforschung. Sie erlauben die Berechnung verschiedener Kontrollgrößen wie Kundenwerte, Kundenzufriedenheit, etc. Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 9 / 12

14 (e-)commerce-anwendungen der Präferenzschätzung Umfassende Präferenzschätzung erlaubt viele weitere (E-)Commerce-Anwendungen wie z.b. Mass Customization, Product Bundling, Targeted Advertising, Dynamic Pricing, Produktlinien-Optimierung, etc. Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 10 / 12

15 MyMediaLite: Empfehlungssystem-Bibliothek Features Rating-Vorhersage, Item-Empfehlungen Evaluations-Framework State-of-the-art-Algorithmen; multicore-fähig Zielgruppen Wissenschaftler Lehrende und Studenten Anwendungsentwickler Entwicklung geschrieben in C#, läuft unter Mono und Microsoft.NET GNU General Public License (GPL) monatliche Releases einfach frei skalierbar umfangreiche Dokumentation stabil große Auswahl an Features Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 11 / 12

16 Zusammenfassung 1. Empfehlungssysteme sind eine der Schlüsseltechnologien für den E-Commerce, die insb. Cross- und Up-Selling unterstützen. 2. Empfehlungssysteme sind ein Instrument zur Absatzsteigerung, das flexibel von der Online-Werbung bis hin zur Verkaufsberatung einsetzbar ist. 3. Empfehlungssysteme besitzen zahlreiche Sekundäreffekte, die die Kundenbindung erhöhen. 4. Empfehlungssysteme sind personalisiert (targeted) auf den Einzelkunden (oder das Einzelprodukt), basierend auf beobachtetem Kundenverhalten als Präferenzindikatoren. 5. Empfehlungssysteme sind mittlerweile in der Praxis weit verbreitet, in der Forschung werden weiterhin neue Methoden mit besserer Vorschlagsgüte, für komplexere Szenarien etc. erforscht. Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim 12 / 12