context basierte personalisierungsansätze

Prasentation:

Thema: Kontext-BasiertePersonalisierungsansatze

Referent: Lucas Mußmacher

Datum: 6. Dezember 2013

1 / 25

Ablauf der Prasenation:

I Kontext in Empfehlungssystemen

I Bestimmung des Kontexts von Benutzern

I Unterschiede zu normalen Empfehlungssystemen

I Berechnungs-Ansatze der relevanten Items

I Problem der Komplexitat

I Studie: Einwirkung auf den Benutzer

2 / 25

Einfuhrungs Beispiel

Definition:Unter dem Begriff Kontext versteht man ”die Bedingungen undUmstande, die sich auf einen Menschen auswirken”.

Beispiel Amazon:Ein Ehemann, der ein Weihnachtsgeschenk z.B ein Parfum furseine Frau kaufen will wurde sich im Kontext Geschenkkauf furdie Freundin befinden. Im normalen Kaufverhalten wurde derEhemann andere Waren bevorzugen.

In diesem Beispiel wurde der Kontext uns Konsumenten im Bezugauf Kaufentscheidungen von Waren (Items) beeinflussen.

3 / 25

Kontext in Empfehlungssystemen

Ziele:Einbeziehung des Kontexts in Empfehlungssysteme, um dieGenauigkeit der Vorhersage relevanter Waren den (Items) zuverbessern.

Technische Modellierung:Ein Kontext k besteht aus mehreren Attributen a1 ... an.

a1 = Wochentag, a2 = KaufAbsichtk = (a1 ... an)

Beispiele:

k1 = (Werktag, GeschenkFreundin), k2 = (Montag, Sohn)

4 / 25

Kontext in der Baumhierarchie

Die Attribute des Kontexts k liegen in baumahnlichenhierrachischen Strukturen.

Wochentag

Werktag

Montag Dienstag

Wochenende

Samstag Sonntag

Beispiele:k = (Werktag, Geschenk)k1 = (Montag, Geschenk fur Freundin)

k ist eine Generalisierung der Kontexts k1, wegen(Montag→Werktag) und (GeschenkFreundin→Geschenk)

5 / 25

Bestimmung des Kontext vom Benutzer

Um Kontextinformationen uber einen Benutzer inEmpfehlungssystemen einzubauen, mussen diese vor derBerechnung der relevanten Items moglichst genau bestimmtwerden.

Der Kontext eines Benutzers muss vorallem beobachtbar sein, dasheißt er muss formal definiert werden konnen.

Explizite Bestimmung:Direktes Nachfragen beim Benutzer,z.B durch ein Webformular (Absicht des Kaufs, Aktuelle Stimmng)

Implizite Bestimmung:Indirektes Abgreifen der Informationen eines Benutzersz.B Standort, Wochentag beim Kauf, Online Shop Seitenaufrufe

6 / 25

Beispiele zur Kontext Bestimmung eines Benutzers

(a) Explizite Bestimmung (b) Implizite Bestimmung

7 / 25

Unterschiede zu normalen Empfehlungssystemen

Alle konkreten Kontexte, in denen sich der Benutzer einesEmpfehlungssystems befinden kann, wird als Menge K definiert.

Die Menge K wird als zusatzliche Dimension fur die Berechnungder Bewertungs-Funktion Rank eingefuhrt.

Normale Bewertungs Funktion:Rank: U × I → Bewertung

Kontext-Basierte Bewertungs Funktion:Rank: U × I ×K→ Bewertung

U: Menge aller Benutzer uI: Menge aller Items iK: Menge aller Kontexte k

8 / 25

Vorhandener Datensatz in Empfehlungssystemen

Benutzer × Items Star Wars Star Gate Micky Mouse

Julia 0 3 4

Paul 5 4 4

Peter 5 3.5 0Torsten 1 0 3

Hans 5 2 0Olaf 1 0 0

In normalen Empfehlungssystemen wird zu jedem Benutzer undjedem Item, eine abgegebene Benutzerbewertung gespeichert.z.B r ∈ [0-5]

Datensatz der Form: <U, I, R>R: Menge aller Benutzerbewertungen r

9 / 25

Aufstellen der Bewertungsfunktion: Rank

Annahmen zum Aufstellen:

1) Benutzer, die ahnlich sind, haben die gleichen Vorlieben undwurden z.B auch Filme, ahnlich bewerten.

2) Items, die ahnlich vom Inhalt her sind und eine guteBewertung aufweisen, wurden automatisch besser bewertetwerden.

Benutzer × Items Star Wars Star Gate Micky Mouse

Julia (Wert ?) 3 4Paul 5 4 4Peter 5 3.5 (Wert ?)

Torsten 1 5 3

10 / 25

Bewertungsfunktion: Rank

Formal:Die Bewertungsfunktion Rank ordnet jedem Benutzer u undjedem Item i einen positiven Wert großer 0 zu.

Wichtig:Je großer dieser Wert ausfallt, desto wichtiger ist ein Item fureinen Benutzer.

TopN Items

BenutzerBewertung R = U × IBenuzter U

Items I

Funktion: Rank Bewertung ∈ ]0,...]

Nach der Berechnung der Rank Funktion werden die hochstbewerteten Items in die Menge TopN gespeichert.

11 / 25

Einfuhrung Kontext Dimension: K

Benutzer × Items Forrest Gump Star Wars 7 Cast Away

Julia in k’ 0 0 3

Julia in k” 0 4 0

Torsten in k’ 1 0 2Torsten in k” 0 5 0

Torsten in k”’ 0 0 3

In Kontext basierten Empfehlungssystemen wird zu jedemBenutzer, jedem Item und jedem Kontext ein durch den Benutzerabgegebene Benutzerbewertung gespeichert.

Datensatz der Form: <U, I, K, R>.

k’ und k”’ sind unterschiedliche Kontexte, in denen sich derBenutzer Torsten befand und eine Benutzerbewertungabgegeben hat.

12 / 25

Beispiele zur Dimension: K

Benutzer × Items Forrest Gump Star Wars 7 Cast Away

Julia in k’ 0 0 3Julia in k” 0 4 0

Torsten in k”’ 1 0 2

Beispiele:1) k’ wurde bedeuten, dass Julia an einem Samstag, zuhause ist(Standortbestimmung). Dort schaut sie sich die Film Cast Awayalleine an bzw. bewertet diesen auch.

2) k” wurde bedeuten, dass Julia an einem Sonntag mit ihremFreund ins Kino geht, und dabei Star Wars 7 anschaut unddiesen mit 4 bewerten wurde.

Formal:k’ = (zuhause, Samstag, alleine), k” = (Kino, Sonntag, Freund)

13 / 25

Berechnung relevanter Items: TopN

Die Berechnung der relevanten Items i in der TopN Menge fureinen bestimmten Benutzer u kann mithilfe von 3unterschiedlichen Berechnungs Ansatzen bewerkstelligt werden.

Dabei liegen die Datensatze der Form DATA := <U, I, K, R> vor.

Schritt 1: Kontext BestimmungZuerst wird der aktuelle k’ eines Benutzers u’ ermittelt.

Schritt 2: Berechnung relevanter Items: TopN1) Kontextuelle Vorfilterung,2) Kontextuelle Nachfilterung oder3) Kontext-Basierte Modelle.

14 / 25

Berechnungs-Ansatze in der Ubersicht

(c) Berechnungsansatze

15 / 25

Ansatz 1: Kontextuelle Vorfilterung

Bei der kontextuellen Vorfilterung wird zunachst die Dimension Kaus dem Datensatz durch Selektion mit K=k’ eliminiert.

DATA := <U, I, K=k’, R>

Somit entsteht die Datenmenge DATA’:DATA[k’] = <U, I, k’, R> → DATA’ = <U, I, R>

Auf der neuen Datenmenge DATA[k’] kann wie bei normalenEmpfehlungssystemen die Bewertungsfunktion Rank aufgestelltund berechnet werden, da die Dimension K des Kontexts wegfallt.

16 / 25

Ansatz 1: Kontextuelle Vorfilterung

Benutzer × Items Forrest Gump Star Wars 7 Cast Away

Julia in k’ 0 0 3Julia in k” 0 4 0

Torsten in k’ 1 0 2

Selektion:Mit K=k’ entsteht der neue Datensatz DATA[k’].DATA[k’] = <U, I, k’, R>

Benutzer × Items Forrest Gump Star Wars 7 Cast Away

Julia in k’ 0 0 3

Torsten in k’ 1 0 2

Julia befindet sich momentan im Kontext k’. Alle anderenabgegebenen Bewertungen der Benutzer im Kontext k’ warenfur sie relevant.

17 / 25

Ansatz 3: Modellbasierte Einbeziehung des Kontexts

Bei Modell basierten Ansatzen wird die Dimension des KontextsK direkt in die Bewertungsfunktion Rank einbezogen um je nachKontext k Items i besser oder schlechter zu bewerten.

Vorhandener Datensatz:DATA = <U, I, K, R>

Kontext basierte Bewertungs Funktion:Rank: U × I ×K→ Bewertung

Ansatze:Benutzer, die sich z.B im ”gleichen”Kontext (zuhause) befinden,wurden ahnliche Items auch gleich bewerten.

Das Aufstellen und Berechnen der Rank Funktionmodellbasierter Ansatze ist sehr Komplex !

18 / 25

Komplexitat modellbasierter Ansatze

Bei der Berechnung der Bewertungsfunktion Rank muss furjeden Kontext eine Bewertung fur ein Item und einen Benutzerberechnet werden.

Folgerung: Die Komplexivitat der Berechnung steigt stark an:

Normale Berechnung der Rank Funktion:ANZAHL(U) = 50k (50.000 Benutzer)ANZAHL(I) = 200 (200 Verschiedene Items bzw. Waren)DATA = <U, I, R>

Berechnungsschritte der Rank Funktion:GESAMT = ANZAHL(U) * ANZAHL(I) = 50k * 200 = 10kkentspricht etwa 10 Millionen Berechnungen !

19 / 25

Komplexitat modellbasierter Ansatze

Beispiel: Online-Buchshop:k = (WochenTag, KaufAbsicht, Niederschlag, Stimmung)

WochenTag = [Mo, Di, Mi, Do, Fr, Sa, So, WE, WT...]KaufAbsicht = [Arbeit, Persohnlich, Geschenk, Partner, Freund,Eltern, Sammlung, GeburtstagsGeschenk, HeiratsGeschenk]Niederschlag = [0-2mm, 2-4mm, 4-100mm]Stimmung = [ruhig, positiv, tatkraftig, trube]

Uberschlags Rechnung:GESAMT(K) = ANZAHL(WochenTag) ×ANZAHL(KaufAbsicht) × ANZAHL(Niederschlag) ×ANZAHL(Stimmung)= 9 × 9 × 3 × 4= 972 entspricht etwa 980 verschiedenen Kontexten in K.

20 / 25

Komplexitat modellbasierter Ansatze

Modell-Basierte Berechnung der Rank Funktion:Ein Benutzer u konnte sich, beim Kauf eines Buches in etwa980 verschiedenen Kontexten K befinden.

ANZAHL(K) = 980;DATA = <U, I, K, R>

Berechnungsschritte der Rank Funktion:GESAMT = ANZAHL(U) × ANZAHL(I) × GESAMT(K)

= 50k × 200 × 980 = 10kkkentspricht etwa 10 Milliarden Berechnungen !!

21 / 25

Studie: Einwirkung auf das Kaufverhalten

Kontext basierte Empfehlungssysteme sind meistensrechenintensiver als normale Empfehlungssysteme, aber dafurgenauer in der Bestimmung relevanter Items TopN fur einenbestimmten Benutzer.

Studie zu Normalen Systemen:Ausgegebenes Geld pro Monat pro User: +17% (Anstieg)Menge an gekauften Items pro Monat pro User: +37% (Anstieg)Preis pro gekaufter Items pro Monat pro User: -15% (Abfall)

Studie zu Kontext-Basierten Systemen:Ausgegebenes Geld pro Monat pro User: +28% (Anstieg)Menge an gekauften Items pro Monat pro User: -8% (Abfall)Preis pro gekaufter Items pro Monat pro User: +39% (Anstieg)

Quelle:

The Effect of Context-Aware Recommendations on Customer Purchasing

Behavior and Trust22 / 25

Genauigkeit der Vorhersage relevanter Items

Genauigkeit der TopN Items:Treffergenauigkeit (Ja-Nein) fur einen Benutzer liegt bei beidenEmpfehlungssysteme bei etwa 60% - 70%.

Zum Vergleich mit der Kontrollgruppe:zufallsbasierte Item Empfehlungen liegen bei 40% - 50%

Durchschnitt der positiven Feedbacks:Benutzerbewertungen liegen in Kontext-BasiertenEmpfehlungsysteme bei 55% - 70%.Bei normalen Empfehlungssystemen bei nur 50% - 60%.

Offline Einkaufe:Die meisten Benutzer der Empfehlubngssysteme gaben an,dass sie offline mehr Produkte gekauft haben, als Benutzer mitzufallsbasierten Empfehlungen.

23 / 25

Interpretation beim Kaufverhalten

Durch den Einsatz von Empfehlungssysteme kann z.b eine OnlineVerkaufsplattform bis zu 30% mehr Geld einnehmen !

Fazit:Bei Normalen Empfehlungssystemen kauften die Benutzer inder Summe viel mehr Items, zahlten dafur aber einen geringerenItems Stuckpreis.

Bei Kontext-Basierten Empfehlungssystemen kauften dieBenutzer in der Summe etwas weniger Items, aber zahlten dafureinen sehr hohen Items Stuckpreis.

Mogliche Grunde:Genauere Vorhersage relevanter Items durch zielgerichteteEinbeziehung des jeweiligen Kontexts.

24 / 25

Ende

...

25 / 25