1. Trust-based recommender systems Hofinger Tobias 09.01.2014

2. Inhaltsverzeichnis Einleitung Zusammenhang zwischen Vertrauen und Empfehlungssystemen Vertrauen berechnen Darstellung von Vertrauen Berechnen Trust-based recommender systems Empfehlungen 2/31

3. Inhaltsverzeichnis Automatische Vertrauensberechnung Empirische Auswertung Vorraussetzungen fr Empfehlungssysteme Axiome 1 8 Schlussfolgerung 3/31

4. Einleitung Web 2.0 Zusammenarbeit Informationen austauschen Empfehlungssysteme Vorhersagen/Empfehlungen Basieren auf Informationen ber Benutzer und deren Beziehungen zu anderen Benutzern 4/31

5. Vertrauen Menschen neigen dazu Empfehlungen von vertrauenswrdigen Menschen (Freunden) mehr zu vertrauen als herkmlichen Empfehlungssystemen 5/31

6. Vertrauen Soziale Netzwerke ermglichen das Erstellen von Vertrauensnetzwerken (Web of Trust) Kombination von Empfehlungssystemen und Vertrauensnetzwerken Es ist auch mglich Misstrauen abzubilden (Block list) 6/31

7. Darstellung Wahrscheinlichkeitsbezogen Einem Knoten entweder gar nicht oder voll vertrauen (0 oder 1) Berechnung der Wahrscheinlichkeit dass einem Knoten vertraut werden kann Stufenweiser Ansatz Vertrauensstufen (zb. 0.0 1.0) 7/31

8. Berechnung In groen Vertrauensnetzwerken stehen die meisten Knoten nicht in direkter Beziehung zueinander Web of Trust eines Knotens daher klein Vertrauensmatrizen Berechnung ob und wieviel ein Knoten einem anderen Knoten vertrauen kann Verschiedene Ausfhrungen 8/31

9. Berechnung Vertrauensmatrizen werden mittels zwei Verfahren berechnet Ausbreitung (Propagation) Zusammenfhrung (Aggregation) 9/31

10. Ausbreitung Transitivitt A vertraut B B vertraut C Daher kann A - C vertrauen (zu einem gewissen Grad) 10/31

11. Ausbreitung von Vertrauen Operator Multiplikation Formeln Reichweite ber das ganze Netzwerk Bis zu definierten Grenzen 11/31

12. Ausbreitung von Vertrauen Multiplikation: t1 x t2 Vertrauenswert von A in B ist 0.5 Vertrauenswert von B in C ist 0.7 Daher ist der Wert fr A in C = 0.35 12/31

13. Ausbreitung von Misstrauen Mehrere Anstze mit teils komplizierten Formeln Knoten werden mit Tupeln aus Vertrauen/Misstrauen beschrieben (t, d) Uneinigkeit ber den besten Ansatz um Misstrauen zu berechnen 13/31

14. Ausbreitung von Misstrauen (t3, d3) = (t1 x t2, t1 x d2) (t3, d3) = (t1 x t2 + d1 x d2 t1 x t2 x d1 x d2, t1 x d2 + d1 x t2 t1 x d2 x d1 x t2) 14/31

15. Zusammenfhrung Mehrere Kanten zu einem Knoten Operatoren Durchschnitt Minimum/Maximum Gewichtet Reihenfolge wichtig 15/31

16. Trust-based recommender systems Vertrauenssysteme und Empfehlungssysteme kombinieren Schwchen von Empfehlungssystemen beheben Sparsity Cold Start User Attacks Manuelle WoT Automatische WoT 16/31

17. Empfehlungen berechnen Werte der Knoten in Vertrauensmatrizen als Grundlage der Gewichtung Viele verschiedene Algorithmen Trust-based weighted mean TidalTrust Trust-based collaborative filtering MoleTrust 17/31

18. Trust-based weighted mean a = Benutzer fr den eine Empfehlung erstellt werden soll i = Gegenstand der Empfohlen werden soll ta,u = Vertrauen von a in Benutzer u RT = Menge der Benutzer die i bewertet haben 18/31

19. TidalTrust Experiment Bekannten Vertrauenswert neu berechnet Kurze Wege sind genauer Normale Matrix Wege mit hohen Werten sind genauer Spezielle Vertrauensmatrix (TidalTrust) Maximale Pfadlnge Untergrenze fr Vertrauenswerte eines Pfads 19/31

20. Trust-based collaborative filtering hnlich zu normalen collaborative filtering Statt hnlichkeit zu anderen Benutzern/Gegenstnden wird hier Vertrauen eingesetzt 20/31

21. MoleTrust Zyklen entfernen Vertrauensnetzwerk wird azyklischer Graph Graph durchlaufen Propagation horizon Anfangs festgelegt Grenze des WoT Vertrauensuntergrenze Anfangs festgelegt 21/31

22. Automatische Vertrauensberechnung Bisher direkte Eingaben von Vertrauenswerten Nicht immer mglich Automatische Berechnung Profile- and item-level trust Trust-based filtering 22/31

23. Profile- and item-level trust Benutzer die viele gute Empfehlungen aufweisen sind Vertrauenswrdiger als andere Zwei Vertrauensmatrizen Profile-level trust Item-level trust 23/31

24. Trust-based filtering Nur Vertrauenswrdige Benutzer werden einbezogen Vertrauenswrdigkeit wird durch profile/ item-level trust ermittelt 24/31

25. Empirische Auswertung Die bisher genannten Anstze wurden mittels zwei Datenstzen von Epinions.com getestet Leave-one-out Methode Zufllige Gegenstnde Kaum Verbesserung gegenber bisherige Verfahren Umstrittene Gegenstnde Verbesserung unter gewissen Umstnden 25/31

26. Vorraussetzungen fr Empfehlungssysteme Allgemeine angenommene Vorraussetzungen Sollten von allen Vertrauensbasierten Empfehlungssysteme erfllt werden 8 Axiome 26/31

27. Axiome 1 - 3 Symmetrie Vertrauensnetzwerke Symmetrisch Positive Antwort Gleich viele Knoten denen man vertraut/misstraut Unentschlossener Knoten empfiehlt falls er mit positiven Knoten verbunden ist Unabhngigkeit von Irrelevanten Knoten Knoten zu denen keine Verbindung besteht flieen nicht in Empfehlung ein 27/31

28. Axiome 4 - 6 Einigkeit der Nachbarschaft Ausbreitung von Vertrauen Falls alle umliegenden Knoten empfehlen Propagation, A vertraut B, B vertraut C A vertraut C Skaleninvarianz Verdoppeln der ausgehenden Kanten ndert keine Empfehlungen 28/31

29. Axiome 7-8 Mehrheit Die Empfehlung eines Knotens sollte der Mehrheit der umliegenden Vertrauenswrdigen Nachbarn entsprechen Kein Gruppendenken Die Empfehlung einer Gruppe von Knoten sollte der Mehrheit der umliegenden vertraunswrdigen Nachbarn entsprechen 29/31

30. Schlussfolgerung Groer Nutzen fr Empfehlungssysteme mit Vertrauensnetzwerk Kein kompletter Ersatz fr normale Systeme Probleme Noch wenig erforscht Relativ unbekannt Kaum Testdaten In Zukunft grere Bedeutung 30/31

31. Quellen Trust and Recommendations (Patricia Victor et al., 2010) Trust-based recommendation systems: An axiomatic approach (Reid Andersen et al., 2008) 31/31