1 / 25

The secrets behind learning users’ preferences Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr

The secrets behind learning users’ preferences Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr. Δομή. Έργα που χρησιμοποίησαν τον PServer. WebC -Mine. OurDMOZ. Ηλεκτρονικό εμπόριο /Ξενάγηση σε μουσεία. Εξατομικευμένες συστάσεις ενδυμάτων.

slone
Download Presentation

The secrets behind learning users’ preferences Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. The secrets behind learning users’ preferences Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr

  2. Δομή

  3. Έργα που χρησιμοποίησαν τον PServer WebC -Mine OurDMOZ

  4. Ηλεκτρονικό εμπόριο/Ξενάγηση σε μουσεία Εξατομικευμένες συστάσεις ενδυμάτων Multilingual Personalisation: Interaction with Personality & Dialogue enabled Robots using speech processing, natural language generation & computer vision

  5. Ατομικά μοντέλα χρηστών - Ορολογία • Attributes • χαρακτηριστικά του χρήστη: ηλικία, φύλο, σωματότυπος, εμπειρίαπουδενεξαρτώνται απότην εφαρμογή • Features • αντικείμενα και χαρακτηριστικά τουςπου ορίζουν την εφαρμογή: προϊόντα, εκθέματα, ιστοσελίδες, κτλ. • καταγράφουν το ενδιαφέρον του χρήστη στο αντικείμενο ή το χαρακτηριστικό του

  6. Ατομικά μοντέλα -Παράδειγματα

  7. Ατομικά μοντέλα -Παράδειγματα • Προτάσεις ταινιών σε χρήστες • χρήστες γνωστής ηλικίας, επάγγελματος, φύλου(attributes) • γνωρίζουμε τις ταινίες που έχουν δει, και πως έχουν βαθμολογήσει κάθε ταινία (features) • γνωρίζουμε το είδος της κάθε ταινίας (features)

  8. Ατομικά μοντέλα -Παράδειγματα Βελτιωμένη αναπαράσταση Οι ταινίες έχουν αντικατασταθεί με το είδος τους.

  9. Ατομικά μοντέλα -Κτήση, Χρήση • Ενημέρωση ατομικών μοντέλων

  10. Στερεότυπα Χρηστών - Κανόνες • Συνθήκες:βασισμένες σε attributes • Τυπικές συμπεριφορές:βασισμένες σε features • Συνήθως τα ορίζει ο σχεδιαστήςτης εφαρμογής

  11. Στερεότυπα -Παραδείγματα

  12. Στερεότυπα -Χρήση • Χρήσιμα για νέους χρήστες (κενό ιστορικό προτιμήσεων) • Ανάθεση χρηστών σε στερεότυπαβάσει attributes • Μόδα: σωματότυπος, χαρακτηριστικά/χρώμα προσώπου • Ξενάγηση: εμπειροι επισκέπτες, απλοί επισκέπτες, παιδιά • Συστάσεις με βάσητα features του στερεότυπου • Το στερεότυπο μπορεί να προσαρμόζεται με βάση τα ατομικά μοντέλατων χρηστών που ανήκουν σ’ αυτό!

  13. Κοινότητες: Χρηστών & Χαρακτηριστικών

  14. Κοινότητες χρηστών/χαρακτηριστικών Κοινότητα χρηστών δ Κοινότητα χαρακτηριστικών

  15. Κοινότητες Χρηστών -Χρήση • Συνεργατικό φιλτράρισμα (collaborative filtering) • Βάσει των προτιμήσεών του, ο χρήστης εντάσσεται σε κοινότητες • Παράδειγμα: • Ομάδες που βαθμολογούν παρόμοια ταινίες • Ομάδες που διαβάζουν τα ίδια άρθρα • Μπορούν να προταθούν στο χρήστη καινούργια προϊόντα που είναι δημοφιλή στην κοινότητα

  16. Κοινότητες Χαρακτηριστικών -Xρήση • Ο χρήστης επιλέγει ένα αντικείμενο και του προτείνονται κι άλλα • Παραδείγματα συστάσεων: • αυτοί που αγόρασαν αυτό το ρούχο αγόρασαν και αυτά (odermark trendTrousers, odermark trendJacket) (odermark trendOvercoat, oderemark exerciseShoes) (odermark trousers, odermarkCocktailDress, odermarkTrendJacket) • αυτοί που είδαν αυτό το άρθροείδαν και αυτά

  17. Πώς προκύπτουν οι κοινότητες • Τι είναι η κλίκα; • πλήρως συνδεδεμένο τμήμαενός γράφου/δικτύου • Τι εκφράζει; • συνοχή • Εύρεση μεγίστων κλικών: • Μaximal Cliques (Bron-Kerbosch)

  18. Πώς προκύπτουν οι κοινότητες Βήματα: • Ατομικά μοντέλα • Εύρεση συσχετίσεων μεταξύ τους • Κατασκευή γράφου συσχετίσεων • Διακριτοποίηση γράφου με κατώφλι • Εύρεση κλικών

  19. Εύρεση συσχετίσεων • κόμβος --> feature ή user • Εύρεση συσχετίσεων για κάθε ζεύγος κόμβων (συντελεστής συσχέτισης, π.χ. συχνότητα συνεμφάνισης) • Προκύπτει γράφος με βάρη Ατομικά Μοντέλα

  20. Γράφος συσχετίσεων

  21. Ρόλος κατωφλίου

  22. Εύρεση κλικών- κοινοτήτων

  23. 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 μεθόδουςτεχνητής νοημοσύνης, • βρίσκεται σε διαρκή εξέλιξη

  24. Επεκτάσεις • Ανακάλυψη στερεοτύπων από τα ατομικά μοντέλα • ομαδοποίηση + ταξινόμηση • γενετικοί αλγόριθμοι • πιθανοτικές μέθοδοι • Συνένωση παρόμοιων κοινοτήτων • Πρόσφατο ιστορικό σημαντικότερο από το παλιό • Ευκολότερη ενσωμάτωση προϋπάρχουσας γνώσης: • σχετιζόμενα χαρακτηριστικά, π.χ. σειρά βιβλίων • σχετιζόμενοι χρήστες, π.χ. φίλοι στο facebook • κανόνες γνώσης, π.χ. κάθε υπολογιστής έχει μία μητρική

More Related