the secrets behind learning users’ preferences Δημήτριος Βογιατζής,...
DESCRIPTION
The secrets behind learning users’ preferences Δημήτριος Βογιατζής, [email protected] Γεώργιος Παλιούρας, [email protected]. Δομή. Έργα που χρησιμοποίησαν τον PServer. WebC -Mine. OurDMOZ. Ηλεκτρονικό εμπόριο /Ξενάγηση σε μουσεία. Εξατομικευμένες συστάσεις ενδυμάτων. - PowerPoint PPT PresentationTRANSCRIPT
The secrets behind learning users’ preferences
Δημήτριος Βογιατζής, [email protected]Γεώργιος Παλιούρας, [email protected]
Δομή
PServer
PServer & Ερευνητικά Έργα
Ατομικά Μοντέλα Χρηστών
Συλλογικά Μοντέλα Χρηστών
Στερεότυπα Χρήσης
Εύρεση Κοινότητων
Χρηστών
Χαρακτηριστικών
Μελλοντικές Επεκτάσεις
Έργα που χρησιμοποίησαν τον PServer
WebC -Mine
OurDMOZ
GPP
PBS
PNSPCS
Ηλεκτρονικό εμπόριο/Ξενάγηση σε μουσείαΕξατομικευμένες συστάσεις ενδυμάτων
Multilingual Personalisation: Interaction with Personality & Dialogue enabled Robots using speech processing, natural language generation & computer vision
Ατομικά μοντέλα χρηστών - Ορολογία
• Attributeso χαρακτηριστικά του χρήστη: ηλικία, φύλο, σωματότυπος, εμπειρία που
δεν εξαρτώνται από την εφαρμογή
• Featureso αντικείμενα και χαρακτηριστικά τους που ορίζουν την εφαρμογή:
προϊόντα, εκθέματα, ιστοσελίδες, κτλ.o καταγράφουν το ενδιαφέρον του χρήστη στο αντικείμενο ή το
χαρακτηριστικό του
Attr_1 Attr_2 ... Attr_n Feat_1 Feat_2 ... Feat_m
Value Value ... Value Value Value ... Value
Ατομικά μοντέλα - Παράδειγματα
ΜΟΔΑ
Attributes Features
User Models Gender Body Type Skin Colour skirt.MD jacket.slim.MD peplum.MD
model-1 Female Average light 0.78 0.67 0.0
ΞΕΝΑΓΗΣΗ
Attributes Features
User Models Age Language of communication
Temples.Visited Stoas.Visited HistoricalPlaces.Visited
model-2 adult Greek 3 0 1
Ατομικά μοντέλα - Παράδειγματα
• Προτάσεις ταινιών σε χρήστεςo χρήστες γνωστής ηλικίας, επάγγελματος, φύλου
(attributes)o γνωρίζουμε τις ταινίες που έχουν δει, και πως έχουν
βαθμολογήσει κάθε ταινία (features)o γνωρίζουμε το είδος της κάθε ταινίας (features)
Ατομικά μοντέλα - Παράδειγματα
Βελτιωμένη αναπαράσταση
MOVIES Attributes Features
userID Age Gender Occupation Genre: Thriller
Genre: Action
Genre: Social
...
1 24 M Technician 3.4 4.5 1.5 ....
Οι ταινίες έχουν αντικατασταθεί με το είδος τους.
Ατομικά μοντέλα - Κτήση, Χρήση
Ατομικά Μοντέλα Χρηστών
Cookies
Ερωτηματολόγιο Εγγραφής
(attributes)
Ενημέρωση ατομικού μοντέλου (features)
Ρητή καταγραφή
προτιμήσεων
Ενημέρωση ατομικών μοντέλων
Συστάσεις βάσει προσωπικού ιστορικού
Δυναμική παραγωγή εξατομικευμένων σελίδων
Web analytics: ποιοί χρήστες επισκέπτονται τις σελίδες, τι
βλέπουν
Αρχικό βήμα στην εύρεση κοινοτήτων
Στερεότυπα Χρηστών - Κανόνες
• Συνθήκες: βασισμένες σε attributes• Τυπικές συμπεριφορές: βασισμένες σε features • Συνήθως τα ορίζει ο σχεδιαστής της εφαρμογής
Attr_cond_1 Attr_cond_2 ... Attr_cond_n Feat_1 Feat_2 ... Feat_m
Value Value ... Value Value Value ... Value
Στερεότυπα - Παραδείγματα
ΜΟΔΑ Attributes Features
StereotypeID Gender Body Type skirt.pleated jacket.military jacket.peplum
fem-avg Female Average 1 0.5 -1
ΞΕΝΑΓΗΣΗ Attributes Features
StereotypeID Age description.length language.complexity
child Child 2 1
Στερεότυπα - Χρήση
• Χρήσιμα για νέους χρήστες (κενό ιστορικό προτιμήσεων)
• Ανάθεση χρηστών σε στερεότυπα βάσει attributes o Μόδα: σωματότυπος, χαρακτηριστικά/χρώμα προσώπουo Ξενάγηση: εμπειροι επισκέπτες, απλοί επισκέπτες, παιδιά
• Συστάσεις με βάση τα features του στερεότυπου
• Το στερεότυπο μπορεί να προσαρμόζεται με βάση τα ατομικά μοντέλα των χρηστών που ανήκουν σ’ αυτό!
Κοινότητες: Χρηστών & Χαρακτηριστικών
Μοντέλα Χρηστών
Εύρεση κλικών
Χρήστες: όμοιοι ως προς τη δραστηριότητα
Χαρακτηριστικά: που τα προτιμούν από κοινού οι χρήστες
Ατομικά Μοντέλα
Μηχανική Μάθηση
Εύρεση Κοινοτήτων
δ
F1 F2 F3 F4
User1 2/5 1/5 1/5 2/5
User2 1/5 2/5 4/5 4/5
User 3 3/5 3/5 4/5 5/5
User 4 3/5 3/5 2/5 1/5
Κοινότητες χρηστών/χαρακτηριστικών
Κοινότητα χρηστών
Κοινότητα χαρακτηριστικών
Κοινότητες Χρηστών - Χρήση
• Συνεργατικό φιλτράρισμα (collaborative filtering)
• Βάσει των προτιμήσεών του, ο χρήστης εντάσσεται σε κοινότητες
• Παράδειγμα:o Ομάδες που βαθμολογούν παρόμοια ταινίεςo Ομάδες που διαβάζουν τα ίδια άρθρα
• Μπορούν να προταθούν στο χρήστη καινούργια προϊόντα που είναι δημοφιλή στην κοινότητα
Κοινότητες Χαρακτηριστικών - Xρήση
• Ο χρήστης επιλέγει ένα αντικείμενο και του προτείνονται κι άλλα
• Παραδείγματα συστάσεων:o αυτοί που αγόρασαν αυτό το ρούχο αγόρασαν και
αυτά(odermark trendTrousers, odermark trendJacket)(odermark trendOvercoat, oderemark exerciseShoes)(odermark trousers, odermarkCocktailDress, odermarkTrendJacket)
o αυτοί που είδαν αυτό το άρθρο είδαν και αυτά
Πώς προκύπτουν οι κοινότητες
• Τι είναι η κλίκα;o πλήρως συνδεδεμένο τμήμα ενός γράφου/δικτύου
• Τι εκφράζει;o συνοχή
• Εύρεση μεγίστων κλικών: o Μaximal Cliques (Bron-Kerbosch)
Πώς προκύπτουν οι κοινότητες
Βήματα:1. Ατομικά μοντέλα2. Εύρεση συσχετίσεων μεταξύ τους3. Κατασκευή γράφου συσχετίσεων4. Διακριτοποίηση γράφου με κατώφλι5. Εύρεση κλικών
Εύρεση συσχετίσεων
• κόμβος --> feature ή user
• Εύρεση συσχετίσεων για κάθε ζεύγος κόμβων (συντελεστής συσχέτισης, π.χ. συχνότητα συνεμφάνισης)
• Προκύπτει γράφος με βάρη
κόμβος
κόμβος
βαθμός συσχέτισης
1 2 0.5
1 3 0.1
1 4 0.1
1 5 0.1
1 6 0.6
1 7 0.5
2 3 0.1
2 4 1
... ... ...
ΑτομικάΜοντέλα
Γράφος συσχετίσεων
Ρόλος κατωφλίου
Εύρεση κλικών- κοινοτήτων
Σύνοψη
Ο PServer • υποστηρίζει διάφορα είδη μοντελοποίησης,
κατάλληλα για διαφορετικές εφαρμογές• έχει δοκιμαστεί σε πολύ διαφορετικές
εφαρμογές• υποστηρίζεται από το εργαστήριο
τεχνολογίας γνώσεων και λογισμικού, που αναπτύσσει νέες μεθόδους τεχνητής νοημοσύνης,
• βρίσκεται σε διαρκή εξέλιξη
Επεκτάσεις
• Ανακάλυψη στερεοτύπων από τα ατομικά μοντέλαo ομαδοποίηση + ταξινόμησηo γενετικοί αλγόριθμοιo πιθανοτικές μέθοδοι
• Συνένωση παρόμοιων κοινοτήτων
• Πρόσφατο ιστορικό σημαντικότερο από το παλιό
• Ευκολότερη ενσωμάτωση προϋπάρχουσας γνώσης:o σχετιζόμενα χαρακτηριστικά, π.χ. σειρά βιβλίωνo σχετιζόμενοι χρήστες, π.χ. φίλοι στο facebooko κανόνες γνώσης, π.χ. κάθε υπολογιστής έχει μία μητρική