Fallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle

Größe: px

Ab Seite anzeigen:

Download "Fallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle"

Thomas Julian Maier
vor 8 Jahren
Abrufe

1 Fallbasierte Bewertung von Internet-Domainnamen Von Sebastian Dieterle

2 Einleitung Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 2

3 Entstehung eines interdisziplinären Ansatzes 2002-: Unternehmensgründung u.a. Domainvermarktung 2011: Recherche & Konzeption (ohne praktische Umsetzung) Bachelorarbeit -2012: Forschungspraktikum Implementierung & Evaluierung Paper & Präsentation Praxis: Domainvermarktung Informatik: Künstliche Intelligenz Wirtschaftswissenschaften: Preisbildung 3

4 Einleitung Verbreitung des Internets Domainnamen als virtuelle Grundstücke Bewertung: schwierige Aufgabe Was ist spanienurlaub.de wert? Komplexität und Mehrdeutigkeit der natürlichen Sprache Bewertungsobjekt nicht vollständig verstanden (Bewertungsformel?) vergleichbare Domainnamen im Handel betrachten 4

5 Grundlagen Einleitung Grundlagen Grundidee CBR-Zyklus Existierende Bewertungsm. Ansatz Evaluierung Schlussfolgerungen 5

6 Grundidee von CBR am Bsp. einer Domainbewertung neues Problem: kredite.de Ähnlichkeit Früheres Problem: kredit.de neue Lösung: Nützlichkeit bekannte Lösung:

7 CBR-Zyklus Aamodt, A.; Plaza, E Retrieve: Finden der ähnlichsten Fälle Reuse: Übernahme und Anpassung dieser Fälle Revise: Überprüfung der Lösung in der realen Welt Retain: Bewahrung von nützlichen Erfahrungen 7

8 Existierende Bewertungsmodelle Ertragsorientierte Ansätze Generierung von Cashflow: Jahreseinn. * x Jahre * Risikofaktor Faktorenorientierte Ansätze RICK-Formel: (R)isiko + (I)mage + (C)ommerce + (K)ürze SCHARF-Modell: 42 verschiedene Merkmale & Umrechnungstab. Sunyaev et al.: Hilfe bei der Namensfindung mit Google-Suche Marktorientierte Ansätze Multiplikator-/Vergleichswertverfahren: Immobilien, Unt., etc. Estibot Tool: Transaktionen, die Wort der Anfrage enthalten Gonzalez & Laureano-Oriz: bewerten erstmalig Immob. mit CBR PROFIT: kombinieren CBR mit Fuzzy Logik CREST: anpassen von Vergleichsobjekten 8

9 Konzept Einleitung Grundlagen Ansatz Datenmodell Datenextraktion Ähnlichkeitsmaße Adaption Evaluierung Schlussfolgerungen 9

10 Phasenmodell behalten finden verhandeln & revidieren verwenden & anpassen überprüfen neuberechnen entfernen empfangen schätzen 10

11 Datenmodell Datenmodell Merkmale formalisieren, die wertrelevant sind und Domainnamen differenziert voneinander unterscheiden können Attribut-Wert-Darstellung: 27 Attribute strukturierte Repräsentation einzelne unstrukturierte textuelle Attribute Merkmal beispielhafte Ausprägung Domainname spanienurlaub.de SLD spanienurlaub TLD de Transaktionsjahr 2012 Länge 13 Anzahl Wörter 2 Anzahl Wortbestandteile 2 11

12 Datenmodell Kategorie World: Deutsch: Freizeit: Reisen: Wörter Reiseberichte: Europa: Spanien spanien urlaub Wortbestandteile spanien urlaub # Suchergebnisse Enthält Bindestriche nein Anzahl der Bindestriche 0 Enthält Sonderzeichen nein Enthält Zahlen nein Domainalter 1999,25 Globale monatliche Suchen Lokale monatliche Suchen Durchschnittl. CPC in 4,3 Tägliche Klicks 23,79 Tägliche Kosten in 102,33 Preis in unbekannt 12

13 Datenextraktion Informationen zu diesen Merkmalen automatisiert berechnen oder aus dem Internet extrahieren primäre Attribute der Fälle der Fallbasis: de- Domaintransaktionen aus Preisspiegel (domainspiegel.de, namebio.com), z.b. kredit.de wurde 2008 für verkauft. Domain in die darin vorkommenden einzelnen Wörter zerlegen, z.b. creditcards.net in credit cards Einordnung in die Kategorien des Open Directory Projects (ODP) 13

14 Ähnlichkeit Auf Basis eines Ähnlichkeitsmodells ähnliche Domainnamen finden gewichtete Summe der einzelnen lokalen Ähnlichkeitsfunktionen (z.b. Jahr 5%, Länge 10%, Kategorie 15%) für 18 Attribute lokale Ähnlichkeitsfunktionen, z.b. Textuelle (z.b. für die Wörter), symbolische (z.b. Kategorie), numerische Ähnlichkeitsfunktionen (wie etwa Länge) 14

15 Ähnlichkeit Ähnlichkeit: 1-0,1*4 = 0,6 15

16 Ähnlichkeit 16

17 Adaption Ähnlichste Domainnamen mit Hilfe von Multiplikatoren anpassen globale und lokale Multiplikatorfunktionen, z.b. für unterschiedliche TLD, Länge oder Vorhandensein von Sonderzeichen Indexwerte, z.b. mittels des Internet Domain Name Index (IDNX), einem Domainpreisindex 2006-heute Ausreißer unberücksichtigt lassen Gewichtung der ähnlichen Domaintransaktionen orientiert sich am Grad ihrer Ähnlichkeit 17

18 Beispiel Adaptionsregeln für die TLD 18

19 Ergebnisanzeige: Revision & Lernen 19

20 Evaluierung Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 20

21 Evaluierung Evaluierung ist Maß für die Brauchbarkeit des Systems ähnliche Domaintransaktionen bewerten nach Anpassung zu einem bestimmten Prozentsatz die Bewertungsanfrage korrekt Leave-One-Out -Evaluierung wurde umgesetzt: alle Fälle der Fallbasis werden nacheinander bewertet die jeweilige Anfrage wird aus der Fallbasis heraus genommen Anteil hinreichend korrekter Bewertungen ermitteln (0,5-2- fache des tatsächlichen Wertes) zusätzlich Korrelation zwischen tatsächlichen Preisen und geschätzten Werten ermitteln 21

22 Szenarien & Ergebnisse Experimentelles Design Grundannahme weniger Semantik mehr Semantik semantische Aspekte 37,04 % 22,73 % 54,05 % numerische Aspekte 62,96 % 77,27 % 45,95 % Experimentelles Design Grundannahme weniger Semantik mehr Semantik korrekt bewertet 46,02 % 46,84 % 42,68 % Korrelationskoeffizient 0,6729 0,5344 0,6452 Rangkorrelationskoeffizient 0,5742 0,5952 0,

23 Graphische Visualisierung der Evaluierung 46 % im inneren Intervall 7 % außerhalb des äußeren Intervalls ( extreme Ausreißer ) Dauer: 6,1 s /Anfrage 7,2 h / LOOE 23

24 Schlussfolgerungen Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 24

25 Fazit & Ausblick Es wurde gezeigt: Domainnamen können mit Hilfe von CBR bewertet werden Schwierigkeit: Fälle sind zu wenig, um für jede Anfrage ausreichend viele Fälle zu finden, die in allen Merkmalen eine ausreichende Überdeckung aufweisen Ansatzpunkt: Vergrößerung der Datenbasis Andere TLDs als.de Adaption abhängig von Sprache & Popularität eines Begriffs Völlig generisches Modell, da bald unbegrenzt viele neue TLDs Bei extremer Vergrößerung der Datenbasis (z.b Transaktionen) effizienteres Retrieval notwendig, z.b. k-d- Bäume, MACFAC-Ansatz oder Case Retrieval-Netze 25

26 Vielen Dank an Professor Ralph Bergmann. Ausführlicherer Beitrag kann nachgelesen werden: Sebastian Dieterle and Ralph Bergmann: Case-Based Appraisal of Internet Domains. In: B. Díaz Agudo and I. Watson (Eds.): ICCBR 2012, LNCS (LNAI) 7466, pp , Springer-Verlag Berlin Heidelberg (Internet Domain Name Appraisal Tool, IDNAT) Vielen Dank für Ihre Aufmerksamkeit. Haben Sie noch Fragen oder Anmerkungen? 26

Ähnliche Dokumente

Hilfedatei der Oden$-Börse Stand Juni 2014

Hilfedatei der Oden$-Börse Stand Juni 2014 Inhalt 1. Einleitung... 2 2. Die Anmeldung... 2 2.1 Die Erstregistrierung... 3 2.2 Die Mitgliedsnummer anfordern... 4 3. Die Funktionen für Nutzer... 5 3.1 Arbeiten