3. Präferenz-Theorie. 3.1 Präferenzen. 3.2 Formales Präferenzmodell. 3.3 Präferenz-Anfragen mit BMO-Semantik. 3.4 SV-Semantik. 3.
|
|
- Nadine Grosse
- vor 6 Jahren
- Abrufe
Transkript
1 3. Präferenz-Theorie 3. Präferenzen 3.2 Formales Präferenzmodell 3.3 Präferenz-Anfragen mit BMO-Semantik 3. SV-Semantik 3.5 Literatur 3-
2 3. Präferenzen Die Verwendung von Präferenzen: Präferenzen tauchen überall im Alltags- und Berufsleben auf. Für Datenbank- und Internet-Applikationen: Personalisierung von Suchmaschinen und Web Services Vermeidung bekannter Defizite wie Leere Ergebnismenge (empty result effect) bzw. Überflutungseffekt (flooding effect) Ad-hoc Behelfe: Parametrische Suche, Boolesche Suche durch Experten, 3-2
3 Anforderungen an ein geeignetes Präferenz-Modell: Präferenzen sind persönliche Wünsche wie Ich finde A besser als B. Es können Elemente existieren, die untereinander nicht vergleichbar sind. Besser als sollte intuitiv definiert sein auf - kategoriellen Domänen für Attribute (qualitativ), - numerischen Domänen für Attribute (quantitativ). Präferenzen können auch komplex sein, indem sie sich auf mehrere Attribute beziehen. Präferenzen können von verschiedenen, ja sogar unterschiedliche Ziele verfolgenden Quellen stammen (z.b. Käufer Verkäufer). 3-3
4 Anforderungen an ein geeignetes Präferenz-Modell: Präferenzen sind keine harten Bedingungen. Präferenzen sind nicht notwendigerweise Zahlen. Präferenzen sind nicht notwendigerweise totale Ordnungen (wie z.b. (, )). Bessere Datenbankunterstützung für Personalisierung: Bedarf für ein geeignetes, intuitives Präferenzmodell Bedarf für ein geeignetes deklaratives Anfragemodell für Präferenzen Kompatibel mit Industrie-Standards (SQL, XML) Time to market Effizienz 3-
5 3.2 Formales Präferenzmodell 3.2. Präferenzen als strikte partielle Ordnungen Sei A = {A, A2,, Ak} eine Menge von Attributen Aj mit den Domänen dom(aj), j k. Die Domäne von A ist definiert als dom(a) := XAj A dom(aj). Eine Präferenz P auf A ist definiert als P = (A, <P), wobei gilt: <P dom(a) X dom(a) ist eine strikte partielle Ordnung, kurz spo. 3-5
6 Eine strikte partielle Ordnung wird definiert durch:.) Irreflexivität: (x <p x) 2.) Transivität: (x <p y) (y <p z) (x <p z) 3-6
7 x <P y wird interpretiert als Ich finde y besser als x.. Falls zwischen den Elementen keine Relation besteht, liegen indifferente Elemente vor: x ~P y gdw. (x <P y) (y <P x) Elemente einer spo P = (A, <P ), die nicht von anderen Elementen der spo dominiert werden, heißen maximale Elemente: m max(p) gdw. y dom(a) : (m <P y) 3-7
8 Strikte partielle Ordnungen lassen sich anschaulich als HasseDiagramme darstellen. Beispiel: Es gelte a <P b, a <P c, a <P m, a <P m, b <P c, b <P m, c <P m, auf der Trägermenge A mit dom(a)= {a, b, c, m, m }. a b c max(p) = {m, m } m m b ~P m c ~P m m ~P m 3-8
9 Bekannte Spezialfälle: Total-/ Lineargeordnete bzw. Ketten-Präferenz: Für alle x y: x <P y y <P x (Vergleichbarkeit) a b c Die Antichain-Präferenz Für alle x y: x ~P y d.h. <P = (Unvergleichbarkeit) a b c 3-9
10 Eine schwache Ordnung ist definiert durch folgende Eigenschaften: Jede schwache Ordnung ist eine strikte partielle Ordnung mit den Eigenschaften von Irreflexivität und Transivität. Zusätzlich besitzen schwache Ordnungen die Eigenschaft: 3.) Negative Transitivität: (x <p y) (y <p z) (x <p z) 3-0
11 Die schwache Ordnung induziert dabei eine totale Ordnung auf den Äquivalenzklassen dieser Relation. L0 L L2 L3 L Beispiel: b e c d b2 a e2 c2 b3 Gegenbeispiel: z y x 3 -
12 Bemerkung: Für die meisten personalisierten Web- bzw. Datenbank-Applikationen im praktischen Einsatz sind Präferenzen in der Tat strikte partielle Ordnungen. Spezifikation von Präferenzen: Beliebige Prädikate der. Stufe über die Domäne von A können für < P angegeben werden, z.b. mit den Default-Operatoren wie =,, <,, >,. <P kann auch in jeder beliebigen Programmiersprache geschrieben werden. Jedoch ist für das Design einer deklarativen Anfragesprache mit Präferenzen ein induktiver, auf Konstruktoren basierender Ansatz wichtig. 3-2
13 3.2.2 Taxonomie der Basispräferenz-Konstruktoren SCOREd EXPLICIT CONTAINS LAYEREDm POS/POS POS/NEG POS NEG BETWEENd Temporal Spatial AROUNDd LESS_THANd MORE_THANd LOWESTd HIGHESTd 3-3
14 3.2.3 Basispräferenzen mit numerischer Bewertung SCORE(A, f) Gegeben sei eine Bewertungsfunktion f: dom(a) ℝ+ x <P y gdw. f(x) > f(y) SCORE ist eine schwache Ordnung. Beachte: Bessere Werte haben eine kleinere Bewertung. Werte mit gleicher Bewertung sind indifferent. 3 -
15 Kategorielle Sicht auf numerische Domänen Der elementare SCORE Präferenz-Konstruktor sei gegeben. d-parameter gruppiert Datenbereiche. Gegeben seien d mit d > 0 und eine Bewertungsfunktion f(v) 0 fd: dom(a), wobei fd(v) := f(v) / d SCOREd(A, f) : fd(v) A x <P y gdw. fd(x) > fd(y) = d a2 a3 a 3 5 a5 a6 3-5
16 Beispiel: fd(v) A d 5 6 f(x) f(z) f(y) y und z sind indifferent, weil sie in der gleichen Schublade (6) liegen. Dahingegen ist x sowohl besser als y wie auch z. Durch Variation des d-parameters kann die Größe der Indifferenz-Relation ~P beeinflusst werden. 3-6
17 Beispiel: Einfluss des d-parameters Sei gegeben: SCOREd(A, f) für R(A) = {a, a2, a3}, wobei f(a) = 2.5, f(a2) = 3.2 und f(a3) = 3.5. d =.0: f(a) / d = f(a2) / d = f(a3) / d = 2.5 /.0 = 3.2 /.0 = 3.5 /.0 = 2.5 = 3, 3.2 =, 3.5 = ; d2 =.7: f(a) / d2 = f(a2) / d2 = f(a3) / d2 = 2.5 /.7 = 3.2 /.7 = 3.5 /.7 =.59 = 2,.88 = 2, 2.06 = 3; d3 = 2.0: f(a) / d3 = f(a2) / d3 = f(a3) / d3 = 2.5 / 2.0 = 3.2 / 2.0 = 3.5 / 2.0 =.25 = 2,.60 = 2,.75 = 2; 3-7
18 Kategorielle Basispräferenz-Konstruktoren Intuitive Präferenzen auf kategoriellen Attributen: Statt natürlicher Zahlen, die durch die Diskretisierung mit dem d-parameter entstehen, werden semantisch eindeutige Begriffe zugeordnet. LAYEREDm(A, L) POS/POS (A, POS -set; POS2 -set) POS/POS(category, {cabriolet}; {roadster}) POS/NEG (A, POS-set; NEG-set) POS/NEG(color, {yellow}; {gray}) POS (A, POS-set) POS(transmission, {automatic}) NEG (A, NEG-set) NEG(make, {Ferrari}) 3-8
19 LAYEREDm Präferenz-Konstruktor: Sei m 0, L = (L0,, Lm) eine geordnete Liste von Mengen mit folgenden Eigenschaften: L ist eine Partition von dom(a). Genau m von diesen m + disjunkten Mengen sind gegeben als Aufzählungen von Werten aus dom(a). Die übrig bleibende Menge heißt others. 0 Die Funktion layerm: dom(a) ist definiert als: Für i {0,..., m} und für alle v Li ist die Bewertungsfunktion definiert als: layerm(v) := i. 3-9
20 Beispiel: L0 {0,, 2} L {3, } L2 others L3 {6, 7} 0 3 wobei dom(a) = {0,, 2, 3,, 5, 6, 7}
21 POS/POS(A, POS-set; POS2-set) L0 POS-set L POS2-set L2 others Beispiel: POS/POS(category, {cabriolet}; {roadster}) 3-2
22 POS/NEG(A, POS-set; NEG-set) L0 POS-set L others L2 NEG-set Beispiel: POS/NEG(color, {yellow}; {gray}) 3-22
23 POS(A, POS-set) Beispiel: POS(transmission, {automatic}) L0 POS-set L others L0 others L NEG-set NEG(A, NEG-set) Beispiel: NEG(make, {Ferrari}) 3-23
24 Numerische Basispräferenz-Konstruktoren Intuitive Präferenzen auf numerischen Attributen: BETWEENd (A, [low, up]) BETWEEN2000 (mileage, [20000, 30000]) AROUNDd (A, z) AROUND5000 (price, 0000) MORE THANd (A, z) MORE THAN0 (horsepower, 00) LESS THANd (A, z) LESS THAN000 (price, 0000) LOWESTd (A, infa) LOWEST2 (fuel_consumption, 0) HIGHESTd (A, supa) HIGHEST20 (horsepower, 20) Bemerkung: infa ist das Infimum und supa das Supremum der Domäne A. Der d-parameter ist optional. 3-2
25 BETWEENd(A, [low, up]) Seien low, up dom(a) mit low up. Für alle v dom(a) sei definiert: fd(v) = distance(v, [low, up]) / d := if v [low, up] then 0 else if v < low then (low v) / d else (v up) / d fd(x) = fd(y) [ A x low up y ] 3-25
26 Beispiel: BETWEEN2000(mileage, [20000, 30000]) L0 [20000, 30000] L [8000, 20000) (30000, 32000] L2 [6000, 8000) (32000, 3000]
27 AROUNDd(A, z) fd(x) = fd(y) [ A x z y ] fd(v) = distance(v, [z, z]) / d := abs (z - v) / d AROUNDd ist Sub-Konstruktor von BETWEENd aufgrund der Spezialisierung: low := up := z 3-27
28 Beispiel: AROUND5000(price, 0000) L L [35000, 0000) (0000, 5000] L2 [30000, 35000) (5000, 50000]
29 HIGHESTd(A, supa) A [ a3 a2 a5 a6 a a ] supa fd(v) = distance(v, [supa, supa]) / d := (supa- v) / d L0 Beispiel: HIGHEST5(horsepower, 20) L [225, 20) L2 [20, 225)
30 LOWESTd(A, infa) A [ a5 a a3 infa a2 a ] a6 fd(v) = distance(v, [infa, infa]) / d := ( v - infa) / d Beispiel: LOWEST2(fuel_consumption, 0) L0 0 Bemerkung: HIGHEST und LOWEST sind Sub-Konstruktoren von AROUND mit z := supa bzw. z := infa L (0, 2] L2 (2, ]
31 3.2. EXPLICIT Basispräferenz-Konstruktor EXPLICIT(A, E-graph) Charakterisiere E-graph = {(val, val2), } ein Hasse-Diagramm. Beachte: Hasse-Diagramm muss azyklisch sein. Die Menge dom(a) ohne die vali aus dem E-graph wird als die Menge others bezeichnet. Eine strikte partielle Ordnung E = (V, <E ) wird induziert, wie folgt: (vali, valj) E-graph vali <E valj vali <E valj valj <E valk vali <E valk Die EXPLICIT-Präferenz ist definiert als: x <P y gdw. x <E y (x others y E-graph) 3-3
32 Beispiel: dom(color) = {green, yellow, red, white, black, blue} EXPLICIT(color, {(green, yellow), (green, red), (yellow, white)}) Das dazugehörige Hasse-Diagramm hat folgendes Aussehen: white Beachte: Es liegt hier keine schwache Ordnung vor. red yellow green others 3-32
33 3.2.5 Zeitliche Basispräferenz-Konstruktoren Intuitive Präferenzen auf zeitlichen Attributen: Die SQL-Typen DATE, TIME, TIMESTAMP und INTERVAL sind Spezialisierungen von NUMBER. Natürliche Sprachen benutzen für zeitliche Relationen auf dom( T) jedoch eigene Begriffe. So lassen sich Präferenzen intuitiver ausdrücken durch: HIGHESTd(T, supa) LATESTd(T, supa) LOWESTd(T, infa) EARLIESTd(T, infa) MORE THANd(T, t) LATER THANd(T, t) LESS THANd(T, t) EARLIER THANd(T, t) Bemerkung: d-parameter muss vom Typ INTERVAL sein. 3-33
34 3.2.6 Räumliche Basispräferenz-Konstruktoren Intuitive Präferenzen auf räumlichen Attributen: A ist vom Typ Geometry. NEARBY (A, Längengrad, Breitengrad) d WITHINd (A, KML) ONROUTEd (A, KML) BUFFERd (A, KML) Angabe komplexer geometrischer Objekte (Polygon, LineString) mittels Keyhole Markup Language (KML): <Polygon><outerBoundaryIs><LinearRing> <coordinates>28.98, ,.062</coordinates> </LinearRing></outerBoundaryIs></Polygon> 3-3
35 NEARBYd(A, Längengrad, Breitengrad) L0 L L2 3-35
36 WITHINd(A, KML) L L0 3-36
37 ONROUTEd(A, KML) L0 L 3-37
38 BUFFERd(A, KML) L L0 3-38
39 Istanbul-Demo: Hotelsuche in Istanbul mit räumlichen, numerischen, kategoriellen und komplexen Präferenzen wurde auf VLDB 202 präsentiert. 3-39
40 Demo: Hotelsuche in Istanbul 3-0
41 3.2.7 Komplexe Präferenz-Konstruktoren Basispräferenz-Konstruktoren sind typischerweise elementare Präferenzen auf einzelnen Datenbank-Attributen. Mit Hilfe von Basispräferenzen, die sich aufteilen in Kategorielle Präferenzen, Numerische Präferenzen, Zeitliche Präferenzen und Räumliche Präferenzen. werden induktiv komplexe Präferenzen aufgebaut. 3 -
42 Für Anwendungen sind folgende vier komplexen PräferenzKonstruktoren von besonderer Bedeutung: Pareto-Präferenz: A ist mir genauso wichtig wie B. Priorisierungspräferenz: A ist mir wichtiger als B. Ranking-Präferenz: A hat den gleichen Rang wie B, bzw. A hat einen höheren / niedrigeren Rang als B. Duale Präferenz: Die der Präferenz P entgegen gesetzte Präferenz wird bevorzugt. 3-2
43 Pareto-Präferenz Gegeben seien P = (A, <P ) und P2 = (A2, <P ). 2 Für alle x = (x, x2) und y = (y, y2) dom(a) X dom(a2): P und P2 sind gleich wichtig. Pareto-Präferenz P: P = ({A, A2}, <P P2) x <P P2 y gdw. (x <P y (x2 <P y2 x2 = y2)) 2 (x2 <P y2 (x <P y x = y)) 2 Triviale SV-Semantik! Beispiel : POS/POS(color, {white}; {yellow}) AROUND(age, 0) 3-3
44 Beispiel : POS/POS(color, {white}; {yellow}) AROUND(age, 0) white 0 yellow 3 others
45 Beispiel : POS/POS(color, {white}; {yellow}) AROUND(age, 0) oldtimer ident Maggie Bart Homer Selma Smithers Skinner color age 29 white white 9 yellow 35 0 red 3 red yellow 5 (white, 29) (yellow, 35) (red, 0) (yellow, 5) (red, 3) (white, 9) 3-5
46 Priorisierungspräferenz Priorisierungspräferenz P: P ist wichtiger als P2. Gegeben seien P = (A, <P ) und P2 = (A2, <P ). 2 Für alle x = (x, x2) und y = (y, y2) dom(a) dom(a2): P = ({A, A2}, <P ) & P 2 x <P & P2 y gdw. x <P y (x = y x2 <P y2) 2 Triviale SV-Semantik! Beispiel: AROUND(age, 0) & POS/POS(color, {white}; {yellow}) 3-6
47 Beispiel 3: (Änderung Maggie white 29 := Maggie white 9): AROUND(age, 0) & (red, 0) POS/POS(color, {white}; {yellow}) oldtimer ident Maggie Bart Homer Selma Skinner Smithers color age white 9 green 9 yellow 35 red 0 yellow 5 red 3 (red, 3) (yellow, 35) (yellow, 5) (white, 9) (green, 9) 3-7
48 Ranking-Präferenz Ranking-Präferenz P: Gegeben seien zwei schwache Ordnungen P = (A, <P ) und P2 = (A2, <P ) mit ihren Bewertungsfunktionen f(a) und f2(a2). 2 Zudem ist gegeben eine Kombinationsfunktion F: ℝ ℝ ℝ. Dann definieren wir für alle x = (x, x2), y = (y, y2) dom(a) = dom(a) dom(a2): RANK({A, A2}, F) = ({A, A2}, <rank ) F x <rank y gdw. F( f(x), f2(x2)) > F( f(y), f2(y2)) F 3-8
49 Der RANK-Präferenz-Konstruktor lässt sich analog zum SCOREPräferenz-Konstruktor mit einen d-parameter diskretisieren: Gegeben seien d mit d > 0 und die Kombinationsfunktion F(v) eines Rank-Präferenz-Konstruktors, die als Bewertungsfunktion dient: Fd: dom(a) dom(a2) 0, wobei Fd (v) := F(v) / d RANKd ({A, A2}, F) = { x <P y gdw. Fd (x) > Fd (y) } 3-9
50 Beispiele für typische Kombinationsfunktionen sind: Mittelwert Gewichtetes Mittel Minimum / Maximum... Anmerkung: Die Kombinationsfunktion F bildet ein Aggregat über mehrere Funktionen fi. Damit die Funktionen die gleiche Gewichtung haben, sollten sie jeweils normiert sein bezüglich des Intervalls [0.0,.0]. Perfekte Treffer haben den Wert
51 Beispiel 5: Sei gegeben P = AROUND (age, 0), wobei infage = 0 und supage = 60 seien. f(v) = abs(0 - v) / max(60-0; 0-0) = abs(0 - v) / 30 Sei gegeben P2 = POS/POS(color, {white}; {yellow}). f2(v) = { 0 0,5 falls v {white} falls v {yellow} falls v others Gewichtetes Mittel: F(f(a), f2(c)) = (3 * f(a) + * f2(c) ) / P = ({age, color}, <rankf) 3-5
52 P = ({age, color}, <rankf) (red, 0) (yellow, 35) ident color f(c) age f(a) F(a,c) Homer yellow 0,5 35 0,7 0,25 Selma red,0 0 0,00 0,25 Smithers red,0 3 0,0 0,36 Skinner yellow 0,5 5 0,37 0,0 Maggie white 0,0 9 0,70 0,53 Bart green,0 9 0,70 0,78 (red, 3) (yellow, 5) (white, 9) (green, 9) 3-52
53 age color (white, 9) age & color (red, 0) ¾*f(a) + ¼*f2(c) (red, 0) (yellow, 35) (red, 3) (red, 0) (yellow, 35) (yellow, 35) (red, 3) (red, 3) (yellow, 5) (yellow, 5) (yellow, 5) (white, 9) (white, 9) (green, 9) (green, 9) (green, 9) 3-53
54 Duale Präferenz P: a b c Pδ: a b c Die duale Präferenz ist der ursprünglichen Präferenz P entgegen gesetzt. 3-5
55 Ausdrucksmächtigkeit komplexer Konstruktoren Theorem: Pareto kann nicht durch rank ausgedrückt werden und F umgekehrt. Pareto kann nicht durch Priorisierung ausgedrückt werden und umgekehrt. Priorisierung kann nicht durch rank ausgedrückt F werden und umgekehrt. Personalisierung, die nur auf numerisches Ranking beruht, hat deshalb eine begrenzte Ausdrucksmächtigkeit und ist zudem oft nicht sehr intuitiv. 3-55
56 Demo für Selbststudium: Excel-Simulation: Vergleich Ranking mit Pareto Es können einerseits künstliche Datensätze generiert werden, die vorher definierten Verteilungen entsprechen. Andrerseits besteht die Möglichkeit, mit dem realen Datensatz der Istanbul-Demo zu arbeiten. Versuchen Sie, ob Sie die durch den Pareto-Konstruktor ausgewählten Tupel auch durch ein geschicktes Scoring erzielen können? Download 3-56
57 Gewichtete Summe durch RANK-Konstruktor: BMO =, Steigung der Gerade passt. 3-57
58 3.2.8 Induktive Konstruktion von Präferenzen Induktive Konstruktion von Präferenz-Termen: Jede mit einem Basiskonstruktor erzeugte Präferenz ist ein Präferenz-Term. Gegeben seien die Präferenz-Terme P und P2, P ist ein PräferenzTerm gdw. Pareto-Präferenz: P := P P2 Priorisierungspräferenz: P := P & P2 Numerisches Ranking: P := rankf(p, P2) wobei für rankf(p, P2) gilt: P und P2 sind schwache Ordnungen 3-58
59 Theorem: Jeder Präferenz-Term definiert eine strikte partielle Ordnung. Theorem: Pareto erzeugt i. A. keine schwache Ordnung. Theorem: Priorisierung ist eine schwache Ordnung, falls die enthaltenen Präferenzen schwache Ordnungen sind. Theorem: rankf ist eine schwache Ordnung. 3-59
60 Bemerkung: Dieser konstruktive Ansatz ist erweiterbar! Neue elementare oder komplexe PräferenzKonstruktoren, welche die strikte partielle Ordnungseigenschaft einhalten, können bei Bedarf jederzeit hinzu gefügt werden. 3-60
61 3.2.9 Beispiel: E-commerce Scenario Julia und Leslie wollen einen Gebrauchtwagen vom Gebrauchtwagenhändler Michael kaufen. Julia äußert folgende komplexe Kunden-Präferenz QJulia: P := POS/POS(category, {cabriolet}; {roadster}) P2 := POS(transmission, {automatic}) P3 := AROUND20(horsepower, 00) P := LOWEST000(price) P5 := NEG(color, {gray}) QJulia = ({color, category, transmission, horsepower, price}, < QJulia) := P5 & ((P P2 P3) & P) 3-6
62 Michael als Händler besitzt spezifisches Domänenwissen über Autos: P6 := HIGHEST2(year-of-construction) Michael hat natürlich aber auch eigene Interessen, seine VerkäuferPräferenz: P7 := HIGHEST50(commission) Michael ist Julia wohl gesonnen, da er Julias Anfrage folgendermaßen erweitert (query expansion): QMichael = ({color, category, transmission, horsepower, price, year-of-construction, commission}, <QMichael) := (QJulia & P6) & P7 = ((P5 & ((P P2 P3) & P)) & P6) & P7 3-62
63 Nun kommt Leslie ins Spiel. Sie hat einen anderen Farbgeschmack: PLeslie := POS/NEG(color, {blue}; {gray, red}) Julia besteht auf ihren Farbgeschmack P5, lässt aber auch Leslies Farbgeschmack PLeslie gelten. Im Lauf der weiteren Diskussion überzeugt Leslie Julia, dass die Kosten genauso wichtig sind wie die Autofarbe. Julia ändert daraufhin ihre Meinung zu ihrem Wunschauto: QJulia* = ({color, category, transmission, horsepower, price}, < Q ) Julia* := (P5 PLeslie P) & (P P2 P3) Letztendlich erweitert Händler Michael erneut Julias Präferenzen zu einem Wunschauto QMichael* und die Geschichte könnte damit enden, dass jeder glücklich ist mit dem erzielten Resultat 3-63
64 3.3 Präferenz-Anfragen mit BMO-Semantik Best-Matches-Only (BMO)-Anfragemodell: Präferenzen sind Bedingungen mit einer weichen Selektion (nicht jeder Wunsch muss wahr werden). Perfekte Treffer sind die maximalen Elemente einer gegebenen Präferenz P. Ergebnis einer BMO-Anfrage: Spüre die perfekten Treffer auf, falls sie im Datenbestand existieren. Ansonsten liefere die am besten passenden Alternativen zurück, aber auf keinem Fall schlechtere Elemente. 3-6
65 Deklarative Semantik der Präferenz-Selektion: Gegeben seien eine Relation R, R[A] dom(a) und eine Präferenz P = (A, <P): σ[p](r) := { t R v R: t[a] <P v[a] } Die BMO-Menge enthält alle Tupel aus R, die bezüglich <P nicht dominiert sind oder dazu äquivalent: Die BMO-Menge enthält alle maximalen Elemente aus R bezüglich <P. 3-65
66 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
67 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
68 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
69 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
70 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
71 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
72 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
73 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
74 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
75 Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T
76 Ergebnistupel Beispiel: Sei dom(a) = dom(b) = dom(c) = {,, 9} σ[ HIGHEST (A) HIGHEST (B) HIGHEST (C) ](R) R A B C T 3 5 T2 3 T3 2 6 T 2 3 T3 T2 T BMO-Set = {T2, T3} 3-76 T
77 Eigenschaften von BMO: Kooperatives Verhalten, automatische Erzielung der besten Übereinstimmung (match making): Die Ergebnismenge einer BMO-Anfrage adaptiert sich an die Qualität der Daten des Datenbestands. Die leere Ergebnismenge (empty result) ist beseitigt: Implizite Relaxation der Anfrage Der Überflutungseffekt (flooding effect) ist reduziert: Schlechtere Ergebnisse werden automatisch gefiltert. Mühsame Parametrische Suche und Boolesche Suche durch Experten sind technisch überholt. 3-77
78 3. SV-Semantik Bedeutung von indifferenten Werten: Die Indifferenz-Relation ~P ist folgendermaßen definiert: x ~P y gdw. (x <P y) (y <P x) Beispiel: Betrachte P := AROUND(A, 0): -5 ~P
79 Was sind ersetzbare Werte (substitutable values = SV)? Beispiel: P := AROUND(A, 0), P2 := LOWEST(A2), P3 := P P2 Betrachte die Tupel (-5, 3) und (5, ). Bisher gilt: -5 ~P 5, 3 <P (-5, 3) ~P (5, ) 2 3 Was passiert, wenn einige indifferente Werte eines Attributs als ersetzbare (synonym: gleich gute) Werte betrachtet werden? Sei ein Unterschied von +5 oder -5 vom perfekten Treffer 0 als gleich gut bewertet, dann lässt uns das intuitive Gefühl folgendes Ergebnis viel eher erwarten: (-5, 3) <P3 (5, ) 3-79
80 Herausforderung: Wie sollte die Definition einer Pareto-Präferenz angepasst werden? Bekannte Vorschläge in der Literatur lauten: Ersetze Gleichheit = in der Definition von (vgl ) durch Indifferenz ~. Schwerer Fehler: Die Eigenschaft einer strikten partiellen Ordnung geht verloren! Eine semantisch korrekte (und berechnungseffiziente) Lösung: SV-Semantik. 3-80
81 Intuitive Semantik von Ersetzbarkeit: Gegeben sei P = (A, <P), P wird Ersetzbarkeit-Relation (SV-Relation, substitutable values) genannt gdw. für x, y dom(a) gilt: x, y: x P y x ~P y x, y, z: x p y z <P x z <P y x, y, z: x p y x <P z y <P z P ist eine Äquivalenz-Relation. Indifferente Werte, die nicht ersetzbar sind, heißen alternative Werte. 3-8
82 Beispiel: Gegeben sei eine Präferenz P mit diesem Hasse-Diagramm: a b e c d f x P y gdw. x = y x, y {a, b} x, y {c, d} 3-82
83 Erweiterung der Präferenz-Definition: Eine Präferenz P mit einer SV-Relation P wird so gekennzeichnet: P = (A, <P, P) Theorem: Triviale SV-Relation = ist eine SV-Relation für jede Präferenz P. Theorem: Reguläre SV-Relation x P y gdw. x ~P y ist eine SV-Relation für jede SCOREd-Präferenz P (oder von Subkonstruktoren von P). 3-83
84 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
85 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
86 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
87 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
88 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
89 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
90 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
91 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
92 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
93 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
94 Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T
95 Ergebnistupel Beispiel zu regulärer SV-Semantik: dom(a) = dom(b) = {0,, 9} σ[ LOWEST (A, =) AROUND (B, 5, ~) ] (R) R A B DistanzB T T2 0 T3 0 6 T T3 T T T2 BMO-Set = {T3, T} 3-95
96 Vergleich mit trivialer SV-Semantik: σ[ LOWEST (A, =) AROUND (B, 5, =) ] (R) Attribute R A B T T2 0 T3 0 6 T 2 5 T T3 T T2 BMO-Set = {T, T3, T} 3-96
97 Erweiterung des Pareto-Konstruktors um SV-Relationen: P = P P2 = { (x, x2) <P (y, y2) gdw. (x <P y (x2 <P y2 x2 P y2)) 2 2 (x2 <P y2 (x <P y x P y)) } 2 Spezialfall: Triviale SV-Relation entspricht der bisherigen ParetoDefinition. 3-97
98 Erweiterung des Priorisierung-Konstruktors um SVRelationen: P = P & P2 = { (x, x2) <P (y, y2) gdw. (x <P y (x P y x2 <P y2 )) } 2 Spezialfall: Triviale SV-Relation entspricht der bisherigen PriorisierungDefinition. 3-98
99 Beispiel -SV (vgl. 3. Pareto-Präferenz): POS/POS(color, {white}; {yellow}, ~) AROUND(age, 0, ~) oldtimer ident Maggie Bart Homer Selma Smithers Skinner age color white 29 white 9 yellow 35 0 red red 3 yellow 5 (white, 29) (yellow, 35) regulär (red, 0) (yellow, 5) (red, 3) (white, 9) 3-99
100 Beispiel 2-SV (Änderung Bart white 9 := Bart green 9): POS/POS(color, {white}; {yellow}, ~) AROUND(age, 0, ~) ident color Maggie Bart Homer Selma age white green yellow red Smithers red Skinner 5 yellow (white, 29) (yellow, 35) regulär (red, 0) (yellow, 5) 3 regulär (red, 3) (green, 9) 3-00
101 Beispiel 5-SV (vgl Ranking-Präferenz): age color age & color ¾*f(a) + ¼*f2(c) (red, 0) (red, 0) (yellow, 35) (white, 9) (red, 3) (red, 0) (yellow, 35) (yellow, 35) (red, 3) (red, 3) (yellow, 5) regulär (yellow, 5) (yellow, 5) (white, 9) (white, 9) (green, 9) (green, 9) (green, 9) 3-0
102 Theorem: Erhalt der strikten partiellen Ordnung Gegeben seien P = (A, <P, P ) und P2 = (A2, <P, P ), 2 2 dann ist P := P P2 eine Präferenz mit SV-Semantik, d.h.: <P ist eine strikte partielle Ordnung auf A A2 Induktive Konstruktion von Präferenzen mit SVSemantik erhält die Eigenschaft der strikten partiellen Ordnung der Konstituenten! (Priorisierung & : analog) 3-02
103 3.5 Literatur J. Chomicki: Preference formulas in relational queries ACM Transactions on Database Systems (TODS), Volume 28, Issue (December 2003), pp , W. Kießling: Foundations of Preferences in Database Systems 28th International Conference on Very Large Data Bases (VLDB 2002). pp , Hong Kong, China, Aug
104 W. Kießling: Preference Queries with SV-Semantics th International Conference on Management of Data (COMAD 2005). pp. 5-26, Goa, India, Jan In Jayant R. Haritsa, T. M. Vijayaraman (eds.): Advances in Data Management Computer Society of India. 3-0
Suchmaschinen. Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6
Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6 Aufgabe 1: Pareto mit SV-Semantik Suchmaschinen Pareto Definition: x < P
5.3 Auswertung der Präferenz-Selektion
. Auswertung der Präferenz-Selektion Klassifizierung: Algorithmen ohne vordefinierte Indexstruktur mit vordefinierter Indexstruktur: effizient, jedoch nicht geeignet im Allgemeinen Algorithmen für allgemeine,
4. Das Preference SQL - System
4. Das Preference SQL - System 4.1 Preference SQL Middleware 4.2 Preference SQL Syntax 4.2.1 Präferenz-Konstruktoren 4.2.2 Qualitätsfunktionen für Bewertung 4.2.3 Top-k Schnittstelle zum Auffüllen 4.2.4
Klausur. Universität Augsburg, Institut für Informatik Sommersemester 2007 Prof. Dr. Werner Kießling 21. Juli (Suchmaschinen) Hinweise:
Universität Augsburg, Institut für Informatik Sommersemester 2007 Prof. Dr. Werner Kießling 21. Juli 2007 Dr. A. Huhn Datenbanksysteme II (Suchmaschinen) Klausur Hinweise: Die Bearbeitungszeit beträgt
Semi-Skylines und Skyline Snippets
Skyline von Manhattan, NY, USA Semi-Skylines und Skyline Snippets Markus Endres Universität Augsburg 10. Februar 2011 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] 2.0
Vorlesung Suchmaschinen Semesterklausur Sommersemester 2015
Universität Augsburg, Institut für Informatik Sommersemester 2015 Prof. Dr. W. Kießling 15. Juli 2015 F. Wenzel, L. Rudenko Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Sommersemester 2015 Hinweise:
Seminar : Benutzerzentrierte Datenbankanfragen. Referent : Axel Schön
Kapitel 1 : Prolog Kapitel 2 : Preference SQL Kapitel 3 : Chomicki Framework Kapitel 4 : Epilog Was sind präferenzgestützte Datenbankanfragen? Beispiel: Familie Vielflieger will in den Urlaub fliegen
5. Implementierung von Präferenz- Querysprachen
5. Implementierung von Präferenz- Querysprachen Es werden Implementierungsdetails zu folgenden Themen vorgestellt: 5.1 Integration mit SQL-Datenbanken 5.2 Algebraische Präferenz-Optimierung 5.3 Auswertung
5.3.4 Hexagon-Algorithmus
5.3.4 Hexagon-Algorithmus Der Hexagon-Algorithmus nutzt die Verbandseigenschaften des BTG für eine Optimierung aus. Verwendet dazu den explizit erstellten BTG in Form eines Feldes. Der Algorithmus besteht
Vorlesung Suchmaschinen Semesterklausur Sommersemester 2016
Universität Augsburg, Institut für Informatik Sommersemester 2016 Prof. Dr. W. Kießling 12. Juli 2016 Dr. F. Wenzel, L. Rudenko Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Sommersemester 2016
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen Dozentin: Wiebke Petersen 4. Foliensatz Wiebke Petersen math. Grundlagen 89 starke / schwache Ordnungen Eine Ordnung R einer Menge A ist
Kapitel 6. Fixpunkte und semantische Bereiche
Kapitel 6 Fixpunkte und semantische Bereiche Sowohl bei der Definition der operationalen Semantik als auch bei der Definition der mathematischen Semantik haben wir mehr oder weniger explizit Fixpunkte
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen Dozentin: Wiebke Petersen 4. Foliensatz Wiebke Petersen math. Grundlagen 86 starke / schwache Ordnungen Eine Ordnung R einer Menge A ist
Universität Augsburg, Institut für Informatik Sommersemester 2009 Prof. Dr. Werner Kießling 16. Juli Semesterklausur
Universität Augsburg, Institut für Informatik Sommersemester 2009 Prof. Dr. Werner Kießling 16. Juli 2009 Dr. A. Huhn, M. Endres Suchmaschinen Semesterklausur Hinweise: Die Bearbeitungszeit beträgt 90
Diskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Mathematik für Informatiker I Mitschrift zur Vorlesung vom
Mathematik für Informatiker I Mitschrift zur Vorlesung vom 18.11.2004 Zur Wiederholung: Das Kartesische Produkt dient dem Ordnen von Mengen. A B = {(a, b) : a A, b B)} Spezialfall A = Äquivalenzrelation
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
WS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws13/14
Aufgabe 3. Sei A eine Menge von Zahlen und neg das Tripel. neg = (A, A, R) A = N A = Z A = R A = R \ {0} mod : N 0 N N 0
Funktionen Aufgabe 1. Finden Sie 3 Beispiele von Funktionen und 3 Beispiele von partiellen Funktionen, die nicht total sind. Es sollten auch mehrstellige Funktionen darunter sein. Aufgabe 2. Zeigen Sie,
13 Auswahlaxiom und Zornsches Lemma
13 Auswahlaxiom und Zornsches Lemma Handout zur Funktionalanalysis I von H. Glöckner, 25.11.2008 Wichtige Teile der modernen Mathematik beruhen auf dem sogenannten Auswahlaxiom der Mengenlehre. Dieses
6 Denotationale Semantik Semantik von Programmiersprachen
6.2 Fixpunkttheorie Im vorherigen Abschnitt haben wir den Fixpunktoperator FIX als Grenzwert der Fixpunktiteration postuliert. Es ist aber noch nicht klar, dass die Fixpunktiteration immer zu einem Grenzwert
Die Prädikatenlogik erster Stufe: Syntax und Semantik
Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,
13 Abstrakte Datentypen
13 Abstrakte Datentypen Bisher: Konkrete Datentypen Menge von Elementen Operationen auf den Elementen (Konstruktoren, Selektoren, Typprädikate) Eigenschaften abgeleitet Jetzt: Abstrakte Datentypen (ADT)
Injektiv, Surjektiv, Bijektiv
Injektiv, Surjektiv, Bijektiv Aufgabe 1. Geben Sie einen ausführlichen Beweis für folgende Aussage: Wenn f A B surjektiv ist und R A A A eine reflexive Relation auf A ist, dann ist R B = {( f(x), f(y)
METHODEN UND MODELLE DES SYSTEMENTWURFS
METHODEN UND MODELLE DES SYSTEMENTWURFS 3. Algebraische Spezifikation mit CASL 3.1 Spezifikationen 3.2 CASL JAN SÜRMELI u.hu-berlin.de/mms-13 3.1 SPEZIFIKATIONEN ZUR ERINNERUNG 2 Signatur charakterisiert
Aufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
funktionale Abhängigkeiten: Semantik funktionale Abhängigkeiten: Syntax
funktionale Abhängigkeiten: Syntax < R U F > ein Relationenschema mit R ein Relationensymbol, U eine Menge von Attributen, F eine Menge von funktionalen Abhängigkeiten (über R und U) Eine funktionale Abhängigkeit
Kapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
Reelle Zahlen, Gleichungen und Ungleichungen
9 2. Vorlesung Reelle Zahlen, Gleichungen und Ungleichungen 4 Zahlenmengen und der Körper der reellen Zahlen 4.1 Zahlenmengen * Die Menge der natürlichen Zahlen N = {0,1,2,3,...}. * Die Menge der ganzen
Elemente der Verbandstheorie
Elemente der Verbandstheorie Michael Zirpel (mz@qlwi.de), München 13. April 2013 1 Verband Eine Menge L mit den Verknüpfungen : L L L,(a,b) a b : L L L,(a,b) a b bezeichnet man als Verband (L,, ), engl.
Semantik von Programmiersprachen SS 2017
Lehrstuhl für Programmierparadigmen Denis Lohner Sebastian Ullrich denis.lohner@kit.edu sebastian.ullrich@kit.edu Semantik von Programmiersprachen SS 2017 http://pp.ipd.kit.edu/lehre/ss2017/semantik Lösungen
Σ = (z; c : z, f : z z) Σ = (z; c : z, f : z z) ( ; 17, x -x) ( ; 17, pred) ( ; true, neg) ( ; 0, suc) ({a,b} + ; a, xa xb und xb xa)
METHODEN UND MODELLE DES SYSTEMENTWURFS 3. Algebraische Spezifikation mit CASL 3.1 Spezifikationen 3.2 CASL 3.1 SPEZIFIKATIONEN JAN SÜRMELI u.hu-berlin.de/mms-13 ZUR ERINNERUNG 2 DAS ZIEL 3 Signatur charakterisiert
4. Funktionen und Relationen
Bestimmung der Umkehrfunktionen c) bei reellen Funktionen geometrisch durch Spiegelung des Funktionsgraphen an der Winkelhalbierenden y = x. y = x 3 y = x y = x y = (x+1)/2 y = x 1/3 y = 2x 1 Seite 27
2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
Algebraische Strukturen und Verbände
KAPITEL 4 Algebraische Strukturen und Verbände Definition 4.1. Sei M eine Menge. Eine Abbildung : M M M nennt man eine (zweistellige) Verknüpfung in M. Man schreibt dafür auch a b := (a, b) mit a, b M.
3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
2 Mengen, Abbildungen und Relationen
Vorlesung WS 08 09 Analysis 1 Dr. Siegfried Echterhoff 2 Mengen, Abbildungen und Relationen Definition 2.1 (Mengen von Cantor, 1845 1918) Eine Menge M ist eine Zusammenfassung von wohlbestimmten und wohl
WS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Algorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation
Algorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation Daniel Reinhold Shenja Leiser 6. Februar 2006 2/28 Gliederung Einführung Transitive Hülle Definition Iterative Algorithmen 1. Naive
MIA Analysis einer reellen Veränderlichen WS 06/07. Kapitel II. Die reellen Zahlen
Version 23.11. November 2006 MIA Analysis einer reellen Veränderlichen WS 06/07 Kurzfassung Martin Schottenloher Kapitel II. Die reellen Zahlen Die reellen Zahlen werden in diesem Kapitel axiomatisch eingeführt
2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
Die Unentscheidbarkeit extensionaler Eigenschaften von Turingmaschinen: der Satz von Rice
Die Unentscheidbarkeit extensionaler Eigenschaften von Turingmaschinen: der Satz von Rice Holger Arnold Dieser Text befasst sich mit der Frage, unter welchen Bedingungen das Problem, zu bestimmen, ob die
Grundlagen der Programmierung 2. Operationale Semantik
Grundlagen der Programmierung 2 Operationale Semantik Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 29. April 2009 Semantik von Programmiersprachen Semantik = Bedeutung
Funktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation
Grundlagen der Programm- und Systementwicklung Funktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation Technische Universität München Institut für Informatik Software &
4 ZU V5"4. Er wart ungsnut zenhyp ot hese. Dogmenhistorische Ausgangslage, analytische Voraussetzungen und moderne Entwicklungen
4 ZU V5"4 Er wart ungsnut zenhyp ot hese Dogmenhistorische Ausgangslage, analytische Voraussetzungen und moderne Entwicklungen Vorwort 15 1.1 Zufall und die Erwartungsnutzentheorie 16 1.2 Inhalt und Fortgang
Logik erster Stufe FO
Logik erster Stufe FO Sonderstellung als die Logik für die Grundlegung der Mathematik natürliche Semantik (Tarski) und große Ausdrucksstärke vollständige Beweiskalküle (Gödelscher Vollständigkeitssatz)
Einleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
Informationssysteme für Ingenieure
Informationssysteme für Ingenieure Vorlesung Herbstsemester 2016 Überblick und Organisation R. Marti Organisation Web Site: http://isi.inf.ethz.ch Dozent: Robert Marti, martir ethz.ch Assistenz:??
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
Abschnitt 1.2. Rechnen mit reellen Zahlen
Abschnitt 1.2 Rechnen mit reellen Zahlen Addition und Multiplikation Zwei reelle Zahlen a und b kann man zu einander addieren, d. h., den beiden Zahlen wird eine dritte Zahl, a + b, zugeordnet, welche
Das relationale Modell (Teil 1)
Vorlesung #2 Das relationale Modell (Teil 1) Fahrplan WS 2010/11 Feedback Vorlesung#1 Das relationale Modell Einordnung (wir überspringen die Modellierung, das kommt im 4. Semester Datenmanagement ) Definition,
10 Abstrakte Datentypen
10 Abstrakte Datentypen abstrakte Datentypen generische Implementierung datengesteuerte Programmierung Operationstabelle 10.1 Abstrakte Datentypen Bisher: Konkrete Datentypen Menge von Elementen Operationen
mathematische Grundlagen der Modelltheorie: Mengen, Relationen, Funktionen
Einführung in die Logik - 6 mathematische Grundlagen der Modelltheorie: Mengen, Relationen, Funktionen Modelltheoretische / Denotationelle Semantik der Prdikatenlogik Ein Modell ist ein künstlich geschaffenes
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 10. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 10. Juni 2005 Zusammenfassung Wahrheitsfunktionale Fuzzy-Semantik besteht aus Mengen aller wahrheitsfunktionalen Belegungen von Formeln, jedem Modell in M entspricht
Lösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
Kapitel 1. Grundlagen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
5. Äquivalenzrelationen
5. Äquivalenzrelationen 35 5. Äquivalenzrelationen Wenn man eine große und komplizierte Menge (bzw. Gruppe) untersuchen will, so kann es sinnvoll sein, zunächst kleinere, einfachere Mengen (bzw. Gruppen)
Bereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
Einführung in die Logik
Einführung in die Logik Klaus Madlener und Roland Meyer 24. April 2013 Inhaltsverzeichnis 1 Aussagenlogik 1 1.1 Syntax................................. 1 1.2 Semantik............................... 3 1.3
6. Induktives Beweisen - Themenübersicht
6. Induktives Beweisen - Themenübersicht Ordnungsrelationen Partielle Ordnungen Quasiordnungen Totale Ordnungen Striktordnungen Ordnungen und Teilstrukturen Noethersche Induktion Anwendung: Terminierungsbeweise
Teil 4: Lernen rekursiver Funktionen
Theorie des Algorithmischen Lernens Sommersemester 2007 Teil 4: Lernen rekursiver Funktionen Version 1.0 Gliederung der LV Teil 1: Motivation 1. Was ist Lernen 2. Das Szenario der Induktiven Inf erenz
5. Äquivalenzrelationen
36 Andreas Gathmann 5. Äquivalenzrelationen Wenn man eine große und komplizierte Menge (bzw. Gruppe) untersuchen will so kann es sinnvoll sein zunächst kleinere einfachere Mengen (bzw. Gruppen) zu betrachten
Ordnungsrelationen auf Mengen
Ordnungsrelationen auf Mengen Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
Ordnungsrelationen auf Mengen. Beispiel einer Ordnungsrelation. Spezielle Elemente von Ordnungen. Spezielle Elemente von Ordnungen
Ordnungsrelationen auf Mengen! Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
Ordnungsrelationen auf Mengen
Ordnungsrelationen auf Mengen Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
Bereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
Vorlesung Datenbanktheorie. Einige Erweiterungen der Anfragesprachen. Regelbasierte konjunktive Anfragen mit = Vorlesung vom Mittwoch, 26.
Vorlesung Datenbanktheorie Vorlesung vom Mittwoch, 26. April 2006 Nicole Schweikardt Humboldt-Universität zu Berlin Sommersemester 2006 Letzte Vorlesung: regelbasierte konjunktive Anfragen Tableau-Anfragen
Relationenkalkül. Prof. Dr. T. Kudraß 1
Relationenkalkül Prof. Dr. T. Kudraß 1 Relationenkalkül Zwei Ausprägungen: Tupelrelationenkalkül (TRK) und Domänenrelationenkalkül (DRK). Kalkül hat Variablen, Konstanten, Vergleichsoperatoren, logische
Theorie der reell abgeschlossenen Körper (RCF)
Theorie der reell abgeschlossenen Körper (RCF) 1 Einführung Die im Vortrag betrachteten Modelle verwenden die Sprache L ORing ={0,1,+,-,,
Automaten und Coinduktion
Philipps-Univestität Marburg Fachbereich Mathematik und Informatik Seminar: Konzepte von Programmiersprachen Abgabedatum 02.12.03 Betreuer: Prof. Dr. H. P. Gumm Referentin: Olga Andriyenko Automaten und
Universität Heidelberg 12. April 2018 Institut für Informatik Klaus Ambos-Spies Nadine Losert. 2. Klausur zur Vorlesung Mathematische Logik
Universität Heidelberg 12. April 2018 Institut für Informatik Klaus Ambos-Spies Nadine Losert 2. Klausur zur Vorlesung Mathematische Logik Es können maximal 48 Punkte erworben werden. Die Klausur ist bestanden,
Elemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
Formale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik
Formale Grundlagen der Informatik 1 Kapitel 19 & Frank Heitmann heitmann@informatik.uni-hamburg.de 23. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/25 Motivation Die ist eine Erweiterung
Relationen-Algebra. Prof. Dr. T. Kudraß 1
Relationen-Algebra Prof. Dr. T. Kudraß 1 Relationale Anfragesprachen Query Language (QL): Manipulation und Retrieval von Daten einer Datenbank Relationenmodell erlaubt einfache, mächtige Anfragesprachen
Relationales Datenbanksystem Oracle
Relationales Datenbanksystem Oracle 1 Relationales Modell Im relationalen Modell wird ein relationales Datenbankschema wie folgt beschrieben: RS = R 1 X 1 SC 1... R n X n SC n SC a a : i=1...n X i B Information
3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
Spiele. Programmierpraktikum WS04/05 Lange/Matthes 106
Spiele Programmierpraktikum WS04/05 Lange/Matthes 106 Theorie eines Spiels mathematisch: k-spieler Spiel ist Graph G = (V, E) wobei V partitioniert in V 1,..., V k Knoten v V heissen Konfigurationen oft
Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 4
Prof. Dr. Bernhard Steffen Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt
9.A Kategorien, Limiten und Funktoren
9.A Kategorien, Limiten und Funktoren Die Sprache der Kategorien und Funktoren ist unabdingbar für viele Aussagen in der heutigen Mathematik. Sie ist formal und weniger als Selbstzweck anzusehen, sondern
Begriffsklärung: Dominanz
Einführung Begriffsklärung: Dominanz Gegeben: d-dimensionaler Raum, jeder Punkt p im Raum hat d Attribute: (p 1,,p d ) Definition Dominanz: 1 i d : p i p i und 1 i d : p i < p i Begriffsklärung: Dominanz
Datenbanken Unit 4: Das Relationale Modell & Datenintegrität
Datenbanken Unit 4: Das Relationale Modell & Datenintegrität 15. III. 2016 Outline 1 Organisatorisches 2 SQL 3 Relationale Algebra Notation 4 Datenintegrität Organisatorisches Erster Zwischentest: nach
3 Topologische Gruppen
$Id: topgr.tex,v 1.4 2010/05/31 08:41:53 hk Exp hk $ 3 Topologische Gruppen Nachdem wir jetzt gezeigt haben das Quotienten G/H topologischer Gruppen wieder topologische Gruppen sind, wollen wir das Ergebnis
Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
SS Juli Übungen zur Vorlesung Logik Blatt 11
SS 2011 06. Juli 2011 Übungen zur Vorlesung Logik Blatt 11 Prof. Dr. Klaus Madlener Abgabe bis 13. Juli 2011 10:00 Uhr 1. Aufgabe: [Axiomatisierung, Übung] 1. Definieren Sie eine Formel A n der Prädikatenlogik
Dieses Kapitel vermittelt:
2 Funktionen Lernziele Dieses Kapitel vermittelt: wie die Abhängigkeit quantitativer Größen mit Funktionen beschrieben wird die erforderlichen Grundkenntnisse elementarer Funktionen grundlegende Eigenschaften
Vergleich und Erzeugung von Topologien und topologischen
KAPITEL 3 Vergleich und Erzeugung von Topologien und topologischen Räumen 3.1. Definition. Auf einer Menge X seien zwei Topologien τ und σ gegeben. Ist jede bezüglich σ offene Menge auch bezüglich τ offen,
Anwendungen der Logik, SS 2008, Martin Goldstern
Anwendungen der Logik, SS 2008, Martin Goldstern Total geordnete Körper Ein total geordneter Körper ist ein Körper (K, +,, 0, 1, ) mit einer totalen (=linearen) Ordnung, die mit den Operationen verträglich
Konstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Dieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
Datenbanken Unit 5: Datenintegrität und funktionale Abhängigkeit
Datenbanken Unit 5: Datenintegrität und funktionale Abhängigkeit 23. IV. 2018 Outline 1 Organisatorisches 2 Relationale Algebra Notation 3 Datenintegrität 4 Funktionale Abhängigkeit 5 SQL Outline 1 Organisatorisches
PRG2 Folien Zicari Teil 5. Einführung in Datenbanken SS 2007
PRG2 Folien Zicari Teil 5 Einführung in Datenbanken SS 2007 Prof. Dott. Ing. Roberto Zicari Johann Wolfgang Goethe-Universität Frankfurt am Main PRG2 V-1 Fachbereich Informatik und Mathematik SQL SQL =
Überabzählbarkeit der reellen Zahlen
Überabzählbarkeit der reellen Zahlen Mathematik M4 Dozentin: Dr. Regula Krapf Jan Lukas Schallenberg Matr. Nr.: 214202241 November 2017 1 Inhaltsverzeichnis 1 Dedekindsche Schnitte 3 2 Addition und Multiplikation
Man kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
Die Mengenlehre ist ein Grundelement der Sprache der Mathematik und geht als
Kapitel 1 Naive Mengenlehre 1.1 Mengen (Mengenalgebra; kartesisches Produkt) Die Mengenlehre ist ein Grundelement der Sprache der Mathematik und geht als naive Mengenlehre (im Gegensatz zur strengen Axiomatik)
Finden Sie eine Relation R und eine Menge A so dass
Relationen Aufgabe 1. Überlegen Sie, wie man folgende Relationen R grafisch darstellen könnte und entscheiden Sie, ob die Relationen reflexiv auf A, symmetrisch bzw. transitiv sind. Geben Sie eine kurze