Ein meta-hybrides recommendation system für die webbasierte Filmplattform critic.de
|
|
- Ingrid Stieber
- vor 6 Jahren
- Abrufe
Transkript
1 Dr. Krasen Max Dimitrov Mustermann Christian Wolff Lehrstuhl für Referat Medieninformatik Kommunikation Institut & Marketing für Information und Sprache und Kultur Fakultät für Sprach-, Literatur- Medien, Verwaltung und Ein meta-hybrides recommendation system für die webbasierte Filmplattform critic.de WAM 2010 Media Recommendation Krasen Dimitrov und Christian Wolff Institut für Information und Medien, Sprache und Kultur Lehrstuhl für Medieninformatik
2 Übersicht - Einführung: Entwicklung eines Empfehlungssystems für Critic.de - Übersicht zu Techniken der Empfehlungsgenerierung - collaboratiove filtering - content-based filtering - Modell für ein meta-hybrides Empfehlungssystem - Fazit / Ausblick
3 Die Filmplattform Critic.de - Die Seite befindet sich seit 1. September 2004 in Betrieb - aktuell ca Besucher pro Monat bei Seitenaufrufen - ca komplette Filmeinträge (Kritik, Bildergallerie etc.) - CMS ist TYPO3 mit Datenverwaltung über MySQL - Die Seite wurde am Anfang des Jahres überbearbeitet. Die neue Seite steht seit Mitte Mai zur Verfügung. Z Z it k i B t d E f hl t - Zur Zeit keine Bewertungs- oder Empfehlungssysteme Empfehlungen sind nur als redaktionelle Beiträge möglich.
4
5 Verfahren der Empfehlungsgenerierung Collaborative Empfehlungssysteme (Collaborative Filtering) - Basis sind Benutzerbewertungen von verschiedenen Gegenständen (z.b. Bücher, Filme etc.). - Bewertungen Ermittlung von Ähnlichkeiten hk it bei den Vorlieben und Nachbarschaften von Nutzern. - Anhand einer Ähnlichkeit bei den Bewertungen der Gegenständen Nachbarschaften davon bilden. - Die Übereinstimmungen lassen sich auf zusätzliche Items Übertragen ( Kunden, die diesen Artikel erworben haben, haben auch jenen Artikel erworben ).
6 Methoden von Collaborative Filtering User based - Um ein Gegenstand zu empfehlen, werden die Bewertungen der Benutzer, aus welcher Nachbarschaft sich der aktuelle Nutzer befindet, berücksichtigt. Item based - Erstens werden Nachbarschaften von allen Gegenständen anhand von gewissen Ähnlichkeiten ermittelt. Danach wird eine Empfehlung anhand den Bewertungen des aktuellen Nutzers auf die Gegenstände aus der Nachbarschaft h gemacht.
7 Methoden von Collaborative Filtering Model based - User based und Item based CF haben als Nachteil den sehr großen Rechenaufwand, der zu Zeitverzögerungen führen kann, wenn man es nicht offline macht. - Daher versucht man, diese Berechnungen anhand von verschiedenen Modellen zu machen, um Cluster zu bilden. - Jeder Cluster ist durch sein Zentrum gekennzeichnet. Zur Bestimmung der Cluster stehen verschiedene Verfahren (Wahrscheinlichkeitsalgorithmen, h hk it l ith Ontologien (Super Clusters), Bayes-Modelle und andere) zur Verfügung.
8 Vorteile und Nachteile von Collaborative Filtering Vorteile von Collaborative Filtering : - kein Bezug zum Inhalt der Gegenstände, daher vielseitig einsetzbar Nachteile von Collaborative Filtering : - cold start-problem bei neuen Benutzern oder Gegenständen. - Notwendig sind sehr viele Bewertungen, um akkurate Empfehlungen zu machen (IMDB braucht 10 Item- Bewertungen um eine Bewertung überhaupt anzuzeigen; Movielens braucht 15 Bewertungen von dem Nutzer um eine Empfehlung zu machen). - Lösungen sind Verfahren wie demographic filtering oder hybride Systeme.
9 content based-empfehlungssysteme - Beim inhaltsbasierten Filtern handelt es sich um eine Objektzu-Objekt-Korrelation. - Dem Nutzer werden Objekte angeboten, die seinem Nutzerprofil zufolge passend wären. - Dieses Wissen wird von den Profilen des einzelnen Nutzers und Objektbeschreibungen abgeleitet und benutzt nicht wie beim kooperativen Filtern die Profile und Bewertungen anderer Nutzer.
10 content based-empfehlungssysteme - Empfehlungen werden auf der Basis von Objekten, die durch Merkmale als Vektoren oder durch die gewichtete Indexierung von Beschreibungstexten nach dem TFxIDF-Verfahren repräsentiert werden, generiert. - Benutzerprofile können implizit aufgebaut werden indem man - Benutzerprofile können implizit aufgebaut werden, indem man Daten über Aktionen und Bewertungen oder explizit durch gezielte Fragen (sog. Questionnaires) sammelt.
11 Vorteile und Nachteile von content based- Empfehlungssystemen Vorteile - Minimierung der cold start-problematik, da es keine new item- Probleme gibt. - Keine privacy-probleme, eigene Bewertungen und Vorlieben sind nicht sichtbar für andere Nutzer. - Detaillierte Präferenzen von Nutzern können berücksichtigt i werden, anstatt von Metabewertungen. Nachteile - Können nur dann funktionieren, i wenn die Profile von Benutzern und Gegenständen vollständig aufgebaut sind. - Man braucht genügend Deskriptoren, um Metabewertungen wie bei Collaborative Filtering zu vermeiden.
12 Inhärente Probleme - Bewertungen sind zu allgemein (s.g. Metabewertungen, z.b. von sehr schlecht bis sehr gut, von 0 bis 10 etc.). - Dies führt zu Fehlinterpretationen, z. B. bewerten zwei Personen den Film Titanic mit 9, der eine hat 9 gegeben, weil er auf romantische Filme steht, der andere ist ein Fan von James Cameron und tollen Effekten. D h d b id i d l i h N hb h ft - Dennoch werden beide in der gleichen Nachbarschaft verortet, obwohl sie verschiedene Interessen haben.
13 Inhärente Probleme - Dieses Problem kann durch Einführen von multiplen Kriterien behoben werden (z. B. Bewertungen und Ähnlichkeitsanalyse erfolgen über mehrere Kriterien wie Filmgenre, Regie, Oscarnominierungen, Hauptdarsteller etc.). - Daraus können weitere Probleme entstehen: ungewichtete Kriterien (alle Kriterien sind gleichbedeutend, was offensichtlich nicht korrekt ist). - Wenn man diese gewichtet, bleibt das nächste Problem: ist die Gewichtung richtig? (z. B. subjektive Gewichtung)
14 Ein Empfehlungssystem für critic.de - Um diese Problematik zu lösen, schlagen wir ein hybrides System vor, das inhaltsbasierte Bewertungen mit Benutzerprofilen koppelt und um CF-Elemente erweitert werden kann. - Wir gehen von einem einfachen Datenmodell für die Repräsentation wesentlicher Filmmerkmale als Vektoren(Genre, Regisseur, Schauspieler und Land) aus. - Vektoren lassen sich aufgrund ihrer einfachen Struktur leichter als strukturiertere Datenmodelle in gängigen mathematischen Modellen nutzen. - Vektoren sind zur Darstellung von Genres und vergleichbarer Merkmale sehr gut geeignet, da diese i. d. R. eine überschaubare Anzahl an Wertausprägungen haben.
15 Das Datenmodell Die nachfolgende Tabelle illustriert Merkmale und ihre Die nachfolgende Tabelle illustriert Merkmale und ihre Ausprägungen.
16 Das Datenmodell Wir definieren: - Einen movie feature vector (MFV), der die obengenannten Merkmale umfasst, - einen user preference vector (UPV), der das Interessenprofil des Nutzers reflektiert und - einen feature dependency vector (FDV), der das tatsächliche Surfverhalten des Nutzers abbildet. Al Äh li hk it ß k t di klidi h Di t - Als Ähnlichkeitsmaß kommt die euklidische Distanz zum Einsatz.
17 Ein Anwendungsbeispiel: The Matrix Es gelten folgende Beschreibungsmerkmale: Genre: Action, Adventure, Sci-Fi, Thriller; Land: USA; Regisseur: Andy und Lana Wachowski; Schauspieler: Keanu Reeves, Laurence Fishburne, Carrie-Anne Moss u.v.a. Dies wird wie folgt als movie feature vector (MFV) repräsentiert:
18 Aufbau des Modells
19 Berechnung des Berechnung des Beispiels
20 Das meta-level hydridization-modell Ein Empfehlungssystem, das die Ausgabe von dem Content Based Filtering als Eingabe für das CF benutzt, wird von Burke als Meta Level Hybridization Method bezeichnet mit folgenden Vorteilen: The benefit of the meta-level method, especially for the content/collaborative hybrid is that the learned model is a compressed representation of a user s interest, and a collaborative mechanism that t follows can operate on this information-dense representation more easily than on raw rating data. (Burke, 2002)
21 Implementierung - Für die Programmierung wurde PHP ausgewählt: leichte Koppelung an MySQL und Ausführung auf dem Linuxserver als Cronjob. - Nachteil: sehr speicherintensive Repräsentation von strukturierten Daten (z.b. Arrays). Maximum von 256 MB Arbeitsspeicher bi ih per Skript. ki - Folgen: Verzicht auf die Speichrung von dem gesamten Relationsmatrix. t i Jeweils nur die besten 25 Treffer werden gespeichert. Befürchtungen dass die euklidische Distanz zu - Befürchtungen, dass die euklidische Distanz zu rechenaufwändig sein wird, haben sich nicht bestätigt.
22 Ausblick: Zeitbezogene Phänomene in CF - Im April 2010 wurde in CACM ein Beitrag mit dem Titel Collaborative Filtering with Temporal Dynamics von Y. Koren publiziert. - Ziel ist ein Modell, das langfristige und kurzfristige Tendenzen bei Bewertungen erkennen kann. Dabei sollen langfristige Tendenzen aufbewahrt und in CF-Modell einbezogen werden, kurzfristige (sog. noise) dagegen isoliert. - Er macht folgende Beobachtungen bei dem Netflix Dataset: - Die Bewertungen im Durschnitt stiegen plötzlich li von 3.4 auf 3.6 in Bewertungen steigen mit dem Alter von Filmen an
23 Zeitbezogene Phänomene in CF - Solche temporäre Deviationen können sehr negative Auswirkungen haben, weil sie die langfristigen Vorhersagen (hier Empfehlungen) verfälschen können. - Was für eine Bedeutung haben diese Deviationen für unseres Modell? - Das hybride Modell wird nicht so stark davon beeinflusst, da es als Basis ein Content-based Empfehlungssystem hat. Eigentlich um 50% weniger. - Dennoch eine Aussortierung von solchen Deviationen kann nur vorteilhaft sein.
24 Vielen Dank für Ihre Aufmerksamkeit!
Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006
Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und
MehrSeminar Datenbanksysteme
Seminar Datenbanksysteme Recommender System mit Text Analysis für verbesserte Geo Discovery Eine Präsentation von Fabian Senn Inhaltsverzeichnis Geodaten Geometadaten Geo Discovery Recommendation System
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Initial implementation Martin Krüger, Sebastian Kölle 12.05.2011 Seminar Collaborative Filtering Projektplan Implementierung Ideen Wdh.: Item-based Collaborative Filtering
MehrEin meta-hybrides Empfehlungssystem für Filme
UNIVERSITÄT REGENSBURG PHILOSOPHISCHE FAKULTÄT III Ein meta-hybrides Empfehlungssystem für Filme Magisterarbeit in der Philosophischen Fakultät III (Sprach- und Literaturwissenschaften) der Universität
MehrVorstellung des Diplomarbeitsthemas. dawn. (direction. anticipation in web-navigation. navigation) Sebastian Stober 12.
Vorstellung des Diplomarbeitsthemas dawn (direction anticipation in web-navigation navigation) Sebastian Stober 12. August 2005 Motivation Suchmaschinen & Verzeichnisse bieten einem User einen guten Einstiegspunkt
MehrRecommendation Engines im E Commerce
Recommendation Engines im E Commerce Funktionsweise Einsatzgebiete Wirtschaftlichkeit Silvio Steiger, prudsys AG www.prudsys.de Ziele mehr Kunden die mehr kaufen Persönlich relevante: Angebote Inhalte
MehrSchön, dass Sie da sind. 16. Juni 2008. E-Commerce im Handel SS 2008 Lehrbeauftragte: Maria-Christina Nimmerfroh
Schön, dass Sie da sind. 16. Juni 2008 E-Commerce im Handel SS 2008 Lehrbeauftragte: Maria-Christina Nimmerfroh Personalisierung (Online- Marketing) Anpassung des Angebotes/der Seite/der Elemente an den
MehrHow to Drupal 8 CMS. Tertianum Juni 2016
How to Drupal 8 CMS Tertianum Juni 06 Inhaltsverzeichnis Login-Screen Die Redakteur Menüleiste 5 Inhaltsübersichtsseite 7 Inhalte hinzufügen 8 Erstellen von Terminen 9 PIO Hotspot Map erstellen 0 Presseeintrag
MehrWeb Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion
Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische
MehrSeminararbeit zum Thema. Recommender-Systeme. von. Stefan Muno. 8. Dezember 2008. Im Rahmen des Seminars: Soziales Retrieval im Web 2.
Seminararbeit zum Thema Recommender-Systeme von Stefan Muno 8. Dezember 2008 Im Rahmen des Seminars: Soziales Retrieval im Web 2.0 Sommersemester 2008 Betreuer: Prof. Dr.-Ing. Norbert Fuhr Lehrstuhl für
MehrMash-Up Personal Learning Environments. Dr. Hendrik Drachsler
Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities
MehrMining the Network Value of Customers
Mining the Network Value of Customers Seminar in Datamining bei Prof. Fürnkranz Benjamin Herbert Technische Universität Darmstadt Sommersemester 2007 1 / 34 1 2 Werbung Netzwerkwert 3 Bezeichnungen Ansatz
MehrPersonalisierung elektronischer Märkte: Möglichkeiten und Techniken
Personalisierung elektronischer Märkte: Möglichkeiten und Techniken Vortrag in der Lehrveranstaltung Unternehmen im internationalen Leistungswettbewerb von Stefan Marr Agenda 2 Motivation Nutzen für Kunden
MehrSemantische Bildsuche mittels kollaborativer Filterung und visueller Navigation
Semantische Bildsuche mittels kollaborativer Filterung und visueller Navigation Prof. Dr. Kai Uwe Barthel HTW Berlin / pixolution GmbH Übersicht Probleme der gegenwärtigen Bildsuchsysteme Schlagwortbasierte
MehrDiplomarbeit. IPTV: Chancen durch Individualisierung
Diplomarbeit IPTV: Chancen durch Individualisierung Entscheidungsunterstützung bei der Auswahl von Inhalten für Nutzer und bei der individualisierten und kontextabhängigen Belegung von Werbeunterbrechungen
MehrKontextsensitive Empfehlungssyteme Ein Graph-Basierter Ansatz
Kontextsensitive Empfehlungssyteme Ein Graph-Basierter Ansatz Context-Aware Recommender Systems A Graph-Based Approach Michael Thomas Bachelorarbeit an der Freien Universität Berlin, Institut für Informatik
MehrTYPO3 Commerce Extension
TYPO3 Commerce Extension Einsatzmöglichkeiten am Beispiel von www.hai-end.com Thanks2Developers Ingo Schmitt Volker Graubaum Thomas Hempel (team@typo3-commerce.org) 14.03.08 TYPO3 Commerce 2 Versionsstand
MehrPersonalisierung und Benutzermodellierung. Aufdecken von Benutzerinteressen und Benutzerbedürfnissen: Mining U s Interests
Personalisierung und Benutzermodellierung Aufdecken von Benutzerinteressen und Benutzerbedürfnissen: Mining U s Interests Prof. Dr. N. Henze 18. Juni 2007 Inhaltsverzeichnis 6 Aufdecken von Benutzerbedürfnissen
MehrSemantik auf Knopfdruck? Qualität von CMS-generierten semantischen Daten. Hannes Mühleisen, AG NBI / WBSG
Semantik auf Knopfdruck? Qualität von CMS-generierten semantischen Daten Hannes Mühleisen, AG NBI / WBSG Xinnovations 2012 Fahrplan 2 Fahrplan Eingebette strukturierte Daten auf Webseiten 2 Fahrplan Eingebette
MehrAnhang C Testprotokoll. 1. Testumgebung. 2. Test der HTML-Seiten. 3. Anwendungstest
Anhang C 1. Testumgebung Wie im Pflichtenheft beschrieben, wird die Anwendung auf folgenden Systemen installiert : Debian GNU/Linux Sarge auf einem Pentium M 1500 mit 512 MB RAM, Apache 2, MySQL 4, PHP
MehrA/B-TESTING WISSEN STATT RATEN GRUNDLANGEN UND CMS EINBINDUNG
A/B-TESTING WISSEN STATT RATEN GRUNDLANGEN UND CMS EINBINDUNG A/B-Testing Agenda Was ist A/B-Testing? Was wird getestet? Beispiele aus der Realität Vor- und Nachteile Do s und Don ts Technische Umsetzung
MehrIdentity Maturity Assessment
Identity Maturity Assessment Case Study Atos Fachtagung zum Thema Identity Management & Cyber Security München, 24 Juni 2014 Wer ist Bay31 Bay31 ist Software-Hersteller im Bereich Identity Governance:
MehrW-Seminar Operations Management
W-Seminar V3 Bestimmung der Produkteigenschaften (Conjoint Analyse) Gymnasium Bad Königshofen Wirtschaft/Recht Schuljahr 2014-2016 Grundlegende Problemstellung Welche Produkteigenschaften soll unser Produkt
MehrConversion: Konvertierung zum Erstkunden. Akquisitionskosten für Neukunden. Konvertierungsrate der Neukunden. Ertrag je Neukunde
Internet- Nutzer Besucher der Webseite Kunde Stammkunde Attraction: Besucher Akquisition Conversion: Konvertierung zum Erstkunden Retention: Erhalt als Stammkunde Anzahl der Besucher Akquisitionskosten
MehrMental Model. Basis für eine nachhaltige Informationsarchitektur. NetFlow - Karen Lindemann
Mental Model Basis für eine nachhaltige Informationsarchitektur NetFlow - Karen Lindemann Wie meistens vorgegangen wird 6.10.2009 Seite 2 von 48 Top-down Jesse James Garrett 6.10.2009 Seite 3 von 48 Bottom-up
MehrMythen des Cloud Computing
Mythen des Cloud Computing Prof. Dr. Peter Buxmann Fachgebiet Wirtschaftsinformatik Software Business & Information Management Technische Universität Darmstadt 12.09.2012 IT-Business meets Science Prof.
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrCheckliste 10 Tipps für ein erfolgreiches Social Media Marketing
Checkliste 10 Tipps für ein erfolgreiches Social Media Marketing WiPeC - Experten für Vertrieb & Marketing 2.0 www.kundengewinnung-im-internet.com WiPeC-Checkliste 10 Tipps für ein erfolgreiches Social
Mehrplista Content Distribution
plista Content Distribution Ihr Content an die richtigen Nutzer: intelligente Content Verbreitung Nachhaltiges Branding auf Basis von Content Oplayo GmbH für Content Distribution Marketing bis dato: Marken
MehrÜbungspaket 23 Mehrdimensionale Arrays
Übungspaket 23 Mehrdimensionale Arrays Übungsziele: Skript: Deklaration und Verwendung mehrdimensionaler Arrays Kapitel: 49 Semester: Wintersemester 2016/17 Betreuer: Kevin, Matthias, Thomas und Ralf Synopsis:
MehrInfrastruktur für Web Intelligent Systems
Infrastruktur für Web Intelligent Systems Thema: Business Intelligence Teil II: Data Mining & Knowledge Discovery von Christian Merker Gliederung Web-Intelligent-Systeme Begriffsklärung Personalisiertes
MehrDAFFODIL: Übersicht und Entwicklung von möglichen Algorithmen für Recommendation
Diplomarbeit DAFFODIL: Übersicht und Entwicklung von möglichen Algorithmen für Recommendation Phillip Look Diplomarbeit am Fachbereich Informatik der Universität Dortmund 17. September 2003 Betreuer: Prof.
MehrEntwicklung und Implementierung von
Verteidigung der Diplomarbeit: Entwicklung und Implementierung von Michael Rentzsch Technische Universität Chemnitz Professur Datenverwaltungssysteme 20. Oktober 2005 Inhaltsübersicht 1 2 3 4 5 6 Bedeutung
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
MehrQS solutions GmbH. präsentiert das Zusammenspiel von. Ihr Partner im Relationship Management
QS solutions GmbH präsentiert das Zusammenspiel von & Ihr Partner im Relationship Management Verbinden von Dynamics CRM mit Yammer Yammer ist ein internes soziales Netzwerk, das den Kollegen in Ihrer Organisation
MehrWeb Services und Recommender Systeme
Web Services und Recommender Systeme Proseminar Semantic Web UNI Kaiserslautern Ralf Kretschmann Gliederung Web Services Motivation für (Semantic) Web Services Grundlagen: Zusammenspiel Beschreibungssprachen
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
Mehriphone app - Berichte
iphone app - Berichte Berichte - iphone App Diese Paxton-App ist im Apple App Store erhältlich. Die App läuft auf allen iphones mit ios 5.1 oder höher und enthält hochauflösende Bilder für Geräte mit Retina-Display.
MehrObjects First With Java A Practical Introduction Using BlueJ. Mehr über Vererbung. Exploring polymorphism 1.0
Objects First With Java A Practical Introduction Using BlueJ Mehr über Vererbung Exploring polymorphism 1.0 Zentrale Konzepte dieses Kapitels Methoden-Polymorphie statischer und dynamischer Typ Überschreiben
MehrWIRTSCHAFTSUNIVERSITÄT WIEN DIPLOMARBEIT
WIRTSCHAFTSUNIVERSITÄT WIEN DIPLOMARBEIT Titel der Diplomarbeit: Recommendersysteme im M-Commerce Verfasserin/Verfasser: Erich Brenner Matrikel-Nr.: 9350443 Studienrichtung: Betriebswirtschaft J151 Beurteilerin/Beurteiler:
MehrVergleich: Positionen der Word 2003-Befehle in Word
Seite 1 von 6 Word > Erste Schritte Vergleich: Positionen der Word 2003-Befehle in Word 2007 Dieser Artikel enthält eine Einführung in die grundlegenden Elemente der neuen Microsoft Office Word 2007- Benutzeroberfläche
MehrUniversität Zürich und Open Access
Universität Zürich und Mitgliedschaft bei BioMed Central Symposium on to Knowledge and Scholarly Communication Unterzeichnung Berliner Erklärung - ein Strategisches Ziel Verabschiedung Leitlinien für die
MehrSchwachstellen von Recommender Systemen. Weaknesses of Recommender Systems. Seminar. Sommersemester 2005. Sabine Kuzdas
Weaknesses of Recommender Systems Seminar Sommersemester 2005 Sabine Kuzdas Univ. Dr. Michael Hahsler und Univ. Prof. Dr. Wolfgang H. Janko Abteilung für Informationswirtschaft Institut für Informationsverarbeitung
MehrContext-adaptation based on Ontologies and Spreading Activation
-1- Context-adaptation based on Ontologies and Spreading Activation ABIS 2007, Halle, 24.09.07 {hussein,westheide,ziegler}@interactivesystems.info -2- Context Adaptation in Spreadr Pubs near my location
MehrÜberschreiben von Methoden
Vergleich der DoME Realisierungen: Methode ausgeben Version 1 (ohne Vererbung): Anzeigen aller Informationen CD: A Swingin Affair (64 Min)* Frank Sinatra Titelanzahl: 16 Mein Lieblingsalbum von Sinatra
MehrEmpfehlungssysteme aus informationswissenschaftlicher
aus informationswissenschaftlicher Sicht State of the Art Stefanie Höhfeld und Melanie Kwiatkowski, Düsseldorf Informationswissenschaft Empfehlungssysteme tragen Inhalte individuell an Nutzer im WWW heran,
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen LACE Katharina Morik LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund 28.1.2014 1 von 71 Gliederung 1 Organisation von Sammlungen Web 2.0
MehrSharePoint 2010 (Beta) - Ein Praxisbeispiel
SharePoint 2010 (Beta) - Ein Praxisbeispiel Layer 2 GmbH Kurzprofil Praxisbeispiel Extranet 2010 Installation und Administration Lessons Learned Key Features Demo Layer 2 GmbH Eiffestr. 664b 20537 Hamburg
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrSALSAH eine virtuelle Forschungsumgebung für die Geisteswissenschaften
SALSAH eine virtuelle Forschungsumgebung für die Geisteswissenschaften Zusammenfassung: Abstract: Einführung genuin digital Virtuelle Forschungsumgebungen für die Geisteswissenschaften in Bezug auf die
MehrWebbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient
Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient Zhihang Yao, Kanishk Chaturvedi, Thomas H. Kolbe Lehrstuhl für Geoinformatik www.gis.bgu.tum.de 11/14/2015 Webbasierte Exploration
Mehromoo WHITEPAPER WIE PRÄSENTIERE ICH ERFOLGREICH PRODUKTE IM INTERNET? Niederlassung Darmstadt Geschäftsführung Marco Frank Timo Schmidt omoo
omoo Medienagentur Niederlassung Darmstadt Geschäftsführung Marco Frank Timo Schmidt WHITEPAPER WIE PRÄSENTIERE ICH ERFOLGREICH PRODUKTE IM INTERNET? omoo 21 TIPPS FÜR EINE ERFOLGREICHE PRODUKT- PRÄSENTATION
MehrJoomla 1.5. Einführung in die Installation und Benützung
Joomla 1.5 Einführung in die Installation und Benützung Programm Was ist Joomla Installation auf Ubuntu Benützung von Joomla Templates wechseln Nützliche Komponenten Weiterführende Informationen Was ist
MehrAuswirkungen von Fahrpreisänderungen im öffentlichen Personennahverkehr
Auswirkungen von Fahrpreisänderungen im öffentlichen Personennahverkehr Von Dr. Willy Frank DUNCKER & HUMBLOT / BERLIN Inhaltsverzeichnis 1 Einleitung : 1 1.1 Ausgangslage und Problemstellung 1 1.2 Ziel
MehrIFRIC Draft Interpretation D3 Determing whether an Arrangement contains a Lease
IFRIC Draft Interpretation D3 Determing whether an Arrangement contains a Lease Liesel Knorr Düsseldorf, 16. März 2004-1- DRSC e.v/öffentliche Diskussion/16.03.2004 Überblick 1. Hintergrund des Interpretationsentwurfs
MehrData Mining im Internet
Data Mining im Internet Dipl.-Dok. Helga Walter Bayer HealthCare, Wuppertal PH-R-EU Scientific Information and Documentation 1 Arten / Quellen wissenschaftlicher Information Strukturierte Informationen:
MehrGroup and Session Management for Collaborative Applications
Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences
Mehriphone Push bei den VZ Netzwerken
iphone Push bei den VZ Netzwerken Max Horváth, Steffen Irrgang 1 Vorstellung der Speaker 2 Was sind Push Notifications?? 3 Was sind Push Notifications? Eine Möglichkeit, eine Nachricht an individuelle
MehrProjektbericht Agententechnologie
Projektbericht Agententechnologie Projekt Realisierung verteilter Agentensysteme im SoSe 2003 von Christian Poulter Inhaltsübersicht: 1. Einleitung 2. Projektziel / Szenario 3. Aufgaben des Marktagenten
MehrKapitel 12: Schnelles Bestimmen der Frequent Itemsets
Einleitung In welchen Situationen ist Apriori teuer, und warum? Kapitel 12: Schnelles Bestimmen der Frequent Itemsets Data Warehousing und Mining 1 Data Warehousing und Mining 2 Schnelles Identifizieren
MehrWhitepaper Facebook Marketing - Open Graph & Social Plugins
Whitepaper Facebook Marketing - Open Graph & Social Plugins Ende April 2010 hat Facebook auf der Entwicklerkonferenz f8 eine Reihe weitreichender Änderungen vorgestellt, in deren Mittelpunkt der Ausbau
MehrDesign von Reputationssystemen für online Communities
4. Paderborner Frühjahrstagung Modelle im E-Business - Session 5 - Design von en für online Communities Dipl.-Kfm. Christian Bizer Fachbereich Wirtschaftswissenschaft Lehrstuhl für Wirtschaftsinformatik
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrCustomer Experience Week
Customer Experience Week Die Macht der Sterne Einfluss von Bewertungen auf die Kaufentscheidung Sebastian von Dobeneck BIG Social Media Senior Account Manager www.big-social-media.de Wem vertrauen Kunden?
MehrArbeitsgruppe Multimedia DLmeta in echten Anwendungen
Arbeitsgruppe Multimedia DLmeta in echten Anwendungen Christian Aschoff (christian.aschoff@e-technik.uni-ulm.de) Till Hänisch (till.haenisch@rz.uni-ulm.de) Janet Ferko (janet.ferko@rz.uni-ulm.de) Carola
MehrBildungsportale als Infrastrukturen für Wissensmanagement & Community-Building. Stefanie Panke, Institut für Wissensmedien, Tübingen
Bildungsportale als Infrastrukturen für Wissensmanagement & Community-Building Stefanie Panke, Institut für Wissensmedien, Tübingen Gliederung Bildungsportale Potentiale Portalbausteine Ausblick Portale
MehrBERUFSPRAKTIKUM UND -VORBEREITUNG
Department für Geographie Marco Brey BERUFSPRAKTIKUM UND -VORBEREITUNG Crashkurs IT-Methoden ein anwendungsorientierter Einstieg in Datenbanksysteme, Programmierung und fortgeschrittene Excel-Funktionen
MehrWikiWikiWeb. Proseminar Website-Management-Systeme. Markus Müller m_muell@informatik.uni-kl.de. Inhalt - Teil 1
WikiWikiWeb Proseminar Website-Management-Systeme Markus Müller m_muell@informatik.uni-kl.de 1 Inhalt - Teil 1 1. Einige Begriffsklärungen 2. Das Konzept des WikiWikiWeb 3. Die innere Struktur des WikiWikiWeb
MehrBenutzer- und Gruppenverwaltung, Registrierung
OS Content Management mit Zope/Plone Benutzer- und Gruppenverwaltung, Registrierung in Plone 4.0 Jennifer Meyer, Christopher Oehmig Inhalt 1. Benutzer- und Gruppenverwaltung a. Allgemeine Arbeitsweise
MehrWeb 2. Gang. Python User Group Köln 13.12.2006 Christopher Arndt <chris@chrisarndt.de>
Web 2. Gang Praktische Einführung in die Entwicklung von Webanwendungen mit TurboGears Python User Group Köln 13.12.2006 Christopher Arndt Was ist TurboGears? Ein Python Web-Meta-Framework!
MehrMyMedia. Dynamic Personalization of Multimedia. Lars Schmidt-Thieme. Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim
MyMedia Dynamic Personalization of Multimedia Lars Schmidt-Thieme Wirtschaftsinformatik und Maschinelles Lernen, Universität Hildesheim November 2011 Lars Schmidt-Thieme, Wirtschaftsinformatik und Maschinelles
MehrContent Strategy for Mobile
Content Strategy for Mobile Maik Derek Schneitler Responsive Webdesigner Büro für kreative Zusammenarbeit B User = Wir Es gibt keine Content Strategy für Mobile. Wir brauchen: Eine Strategie für alles.
MehrOffenes Archiv-Informations-System die deutsche Übersetzung des OAIS-Referenzmodells
Offenes Archiv-Informations-System die deutsche Übersetzung des OAIS-Referenzmodells Sabine Schrimpf, Deutsche Nationalbibliothek nestor - Kompetenznetzwerk digitale Langzeitarchivierung Motivation des
MehrPrognose von Ressourcenbedarfen zur langfristigen Prozessoptimierung
ibi research Seite 1 Prognose von Ressourcenbedarfen zur langfristigen Prozessoptimierung Christian Ritter ibi research an der Universität Regensburg GmbH Competence Center Business Process and Quality
MehrKlassendiagramm und Datenbankableitung : Version 3 'Verleihnix 1.0'
Änderungsprotokoll: Version 2 auf Version 3 (g.schabus) Änderung Datentypen von Geschlecht, Typ und Status. Da wir diese Eigenschaften nicht als Relationen sondern als Eigenschaften abbilden, hat die Geschäftslogik
MehrSocial Media? Smart Media!
Social Media? Smart Media! Was Kleinstunternehmer und KMUs im Digitalen schon jetzt tun müssen und was sie morgen erwartet. Michael Geffken / 29. Februar 2016 Heute + SEO muss sein, aber Ohne Facebook
MehrExercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part VIII) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises.
MehrComparison of Software Products using Software Engineering Metrics
Comparison of Software Products using Software Engineering Metrics Alexander Bätz Fakultät EIM Universität Paderborn 23. Juli 2009 1 / 28 Motivation Qualitätsbewertung von Software Vergleichbarkeit von
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
MehrBraucht Social TV ein neues Interface? Felix Segebrecht
Braucht Social TV ein neues Interface? Felix Segebrecht Braucht Social TV ein neues Interface? Nein! Social TV hat sehr erfolgreiche Interfaces Was ist social TV? Gemeinsam gucken? Im Büro über den Tatort
MehrModel-View-Controller
Software Design Pattern Model-View-Controller Michael Lühr Gliederung Einführung und Problemstellung Ansatz durch MVC Detaillierte Darstellung der Komponenten Model View Controller Vor- und Nachteile Zusammenfassung
MehrContent Management Systeme
Content Management Systeme Ein Vergleich unter besonderer Berücksichtigung von CoreMedia und TYPO3 Bachelorthesis im Kooperativen Bachelor Studiengang Informatik (KoSI) der Fachhochschule Darmstadt University
MehrPLONE - Das CMS. Das PLONE CMS bietet vielfältige Nutzungsmöglichkeiten
PLONE - Das CMS Das PLONE CMS bietet vielfältige Nutzungsmöglichkeiten und technische Rafinessen. Das Redaktionssystem ist ein Webframework, der den Redakteuren eine optimale Bearbeitung ermöglicht und
MehrAufbau und Pflege von Internetseiten leicht gemacht
Aufbau und Pflege von Internetseiten leicht gemacht Einführung in die Grundlagen der CMS (Content Management Systeme) Was ist ein CMS? frei übersetzt: Inhaltsverwaltungssystem ist ein System, das die gemeinschaftliche
MehrInformationen für Neue Museen DEUTSCH
euromuse.net TYPO3 Informationen für Neue Museen DEUTSCH Letzte Aktualisierung: 01.03.2012 Inhalt - Willkommen auf euromuse.net (Seite 2) - Login und Einstellungen (Seiten 3-5) - Über die Module (Seiten
MehrOptimiertes E-Mail-Marketing Durch Customer Intelligence Elisabeth Pomierska, Account Sales Manager
The Global SaaS Leader in Relationship Marketing Optimiertes E-Mail-Marketing Durch Customer Intelligence Elisabeth Pomierska, Account Sales Manager Emailvision Gruppe Führender Anbieter von SAAS-Lösungen
MehrWirtschaftsinformatik
MEBRA-: Vertragsverwaltung (1/8) Die Spezial-Lösung auf Basis Microsoft Dynamics NAV (vorm. NAVISION) Mit der Vertragsverwaltung der MEBRA- rechnen Sie regelmäßig per Knopfdruck Ihre Verträge ab. Alle
MehrOrganisation 2020: Mitarbeiterzufriedenheit. Stephan Meyerding
Organisation 2020: Mitarbeiterzufriedenheit Stephan Meyerding Agenda 1 Organisation 2020 Bedeutung weicher Themen wächst 2 Warum Mitarbeiterzufriedenheit messen? 3 Von der Motivationspsychologie lernen:
MehrObjektorientierte Datenmodelle und - verwaltung
Schlagworte der 90er: Objektorientiertes GIS OpenGIS Case-Tool Geoökologe Legt Problemstellung fest (Art, Anzahl, Dimension, Skalierung) Wählt Koordinatensystem Wählt Fachattribute OOUI (object-oriented
MehrMehrdimensionale Skalierung - MDS
Mehrdimensionale Skalierung - MDS Warum? Angesichts der ständigen Suche nach Differenzierungsmöglichkeiten ist es für ein Unternehmen von Vorteil zu wissen, auf welche Weise die Leistungsabnehmer seine
MehrCPU-Caches. Christian Duße. Seminar Effiziente Programmierung in C
CPU-Caches Christian Duße Seminar Effiziente Programmierung in C Arbeitsbereich Wissenschaftliches Rechnen Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität
MehrInhaltsverzeichnis. Vorwort... Autoren... XIII. Teil I Entscheidungsorientierung... 1
Inhaltsverzeichnis Vorwort... Autoren... XIII Teil I Entscheidungsorientierung... 1 1 Stellenwert von Social Media Marketing im Rahmen der Unternehmenskommunikation... 3 1.1 Soziale Medien im virtuellen
MehrTomTom WEBFLEET 2.12. Contents. Let s drive business TM. Versionshinweis für Händler vom 12.04.2011
TomTom WEBFLEET 2.12 Versionshinweis für Händler vom 12.04.2011 Contents OptiDrive TM Indikator und Trend in der Fahrerliste 2 Detaillierte Informationen zum OptiDrive TM Indikator 3 Konfiguration der
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
Mehr<? $ZeilenMax = 9; $SpaltenMax = 9; echo "<pre>";
Vorbemerkungen Diese Schrittanleitung bezieht sich auf die Aufgaben 4 bis 6 von "Übung 2 - Schleifenbeispiele (1)" Sie soll als Anregung dienen, wie Sie Ihren Code blockweise erstellen und testen können.
MehrMySQL Queries on "Nmap Results"
MySQL Queries on "Nmap Results" SQL Abfragen auf Nmap Ergebnisse Ivan Bütler 31. August 2009 Wer den Portscanner "NMAP" häufig benutzt weiss, dass die Auswertung von grossen Scans mit vielen C- oder sogar
MehrHerausfinden der 'User' von eingegebenen Daten in ProMISe
Herausfinden der 'User' von eingegebenen Daten in ProMISe Um herauszufinden, von welchem User bestimmte Daten eines Falles eingegeben, geändert oder gelöscht wurden, braucht man zuerst einen Filter, der
MehrAttention Visibility View Time
read not read Attention Visibility View Time Aktuelle Ergebnisse zum Nutzungs- und Leseverhalten von Websites sowie Sichtbarkeit it und View-Time von Website- Elementen November 2009 Attention, Visibility
Mehr