Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Modely uživatelských preferencí. Obsah Jak se vyjadřují preference Modely preferencí a jejich učení Model založený na atributech Kolaborativní filtrování.

Podobné prezentace


Prezentace na téma: "Modely uživatelských preferencí. Obsah Jak se vyjadřují preference Modely preferencí a jejich učení Model založený na atributech Kolaborativní filtrování."— Transkript prezentace:

1 Modely uživatelských preferencí

2 Obsah Jak se vyjadřují preference Modely preferencí a jejich učení Model založený na atributech Kolaborativní filtrování Preferenční relace Použití preferencí v e-shopu

3 Vyjádření preference Typicky se rozlišují dva základní přístupy Preferenční relace Porovnání dvou objektů  x je lepší než y Hodnotící funkce Ohodnocení jednoho objektu  x je dobrý na 5 hvězdiček Chování

4 Co je to model preferencí Něco, co umožní zjistit, jak je nějaký objekt preferovaný A my pak můžeme najít nejlepší objekty pro uživatele Vytváří se z toho, co nám uživatel řekl Nebo pouze z toho, jak se pohyboval na stránkách My budeme dále pracovat s hodnocením objektu

5 Model založený na atributech User model learning is divided into two steps 1.Local preferences - normalization of the attribute values of notebooks to their preference degrees Transforms the space into [0,1] N 2.Global preferences - aggregation of preference degrees of attribute values into the predicted rating

6 User model Normalization functions Transform the space to monotone space [0,1] N Define pareto front Set of incomparable objects Candidates for the best object (1,…,1) is the best object 1 1 0

7 User model Aggregation Resolves the best object from pareto front The second best object may not be on pareto front 1 1 0 1st best 2nd best

8 Learning user model Regression for numerical attributes Average rating for nominal attributes

9 Learning user model Statistical Learned weights for weighted average Using distribution of ratings Instances Uses objects from training set for estimation of rating

10

11 Kolaborativní filtrování Najdu si množinu V uživatelů podobných uživateli U Ti, kterým se líbí stejné věci jako U Najdu věci, které se líbí uživatelům v množině V Tyto věci se zřejmě budou také líbit U „Zákazníci, kteří si koupili x si také koupili y“

12 Kolaborativní filtrování Založené na uživatelích KNN K nejpodobnějších uživatelů, kteří hodnotili objekt x Vzdálenost uživatelů Hodnocení objektu x Váha sousedů Využití váhy při výpočtu hodnocení

13 Kolaborativní filtrování Příklad Průměrné hodnocení Rozptyl Bára ~ Danka podobné hodnocení Alice ~ !Eliška opačné hodnocení wxyz Alice1153 Bára5542 Cilka1211 Danka3542 Eliška4411 d(A,B)=(4+4+1+1)/16=0,625 d(A,E)=(3+3+4+2)/16=0,75 d(B,D)=(2+0+0+0)/16=0,125 d(B,E)=(1+1+3+1)/16=0,375 d(C,D)=(2+3+3+1)/16=0,5625

14 Kolaborativní filtrování Založené na objektech Bayesovy sítě Klasifikátor – dostane nějaký vstup a dá na výstup číslo Lze použít i jiný – neuronové sítě,... Vstup – hodnocení ostatních objektů x 1,...,x M Výstup – hodnocení objektu c Vyjadřuje, jakým způsobem závisí hodnocení objektu c na ostatních hodnoceních Podobnost mezi objekty Opět i negativní podobnost

15 Kolaborativní filtrování Bayesovy sítě Pro každý objekt x jeden klasifikátor Klasifikátor se učí na hodnocení uživatelů, kteří hodnotili x Používá Bayesovo pravidlo r(x) r u (1)r u (2)r u (x-1)r u (x+1)r u (M)

16

17 Preferenční relace Užívané v ekonomii Porovnání objektů – x je lepší než y Neumožňuje jednoduché setřídění objektů podle aktuální vhodnosti Vytvořeno podle lidského uvažování Přirozené pro uživatele Ale možná moc složité – moc se na webu nepoužívá, na rozdíl od hodnocení

18 Preferenční relace P(x,y) Mám radši y než x R(x,y) y je alespoň tak dobrá jako x I(x,y) Mezi x a y nedokážu rozlišit, jsou stejně dobré

19 Preferenční relace CP-sítě Conditional probability networks Preference mohou záviset na aktuálním stavu světa Polévka a víno

20 Preferenční relace Chomicky Tabulka R=A 1,...,A N Preferenční relace definována výrazem např. A 1 (x)<A 1 (y) & A 2 (x) < A 2 (y) → x<y Obecný výraz používající jen =,!=,,logické spojky a konstanty Může obsahovat cykly, nemusí být transitivní,... Operátor winnow – vrací nedominované objekty Jen pro výrazy odpovídající částečnému uspořádání Překlad do SQL

21 Preferenční relace Kiessling Relace pouze jako ostré částečné uspořádání Bez cyklů, transitivní,... Relace nad hodnotami atributů, ne nad objekty POS(transmission, {automatic}) – chceme automatickou převodovku NEG(maker, {Ferrari}) – nechceme Ferrari POS/NEG(color, {yellow};{gray}) – preferujeme žlutou, když není žlutá, tak hlavně ne šedou (srovnej s CP-nets) POS/POS(category,{cabrio};{roadster}) - chceme kabriolet, když ne, tak roadster (srovnej s CP-nets)

22 Preferenční relace Kiessling Relace na hodnotami atributů, ne nad objekty AROUND(price, 40000) – cena okolo 40000 euro BETWEEN(mileage, [20000, 30000]) HIGHEST(power)

23 Preferenční relace Kiessling Operace s atomickými preferencemi atributů Pareto preference: P1 ⊗ P2 P1 i P2 stejně důležité Prioritized preference: P1&P2 P1 důležitější Sjednocení a průnik preferencí Integrace do SQL a XPath Rozšíření jazyků o konstrukt PREFERRING  SELECT * FROM apartments PREFERRING HIGHEST(area); P1 := AROUND(A1, 0), P2 := LOWEST(A2), P3 := HIGHEST(A3) P4 = ({A1, A2, A3}, <P4) := (P1 ⊗ P2) ⊗ P3 P8 = ({A1, A2}, <P8) := P1&P2

24

25 WIRSS 2010, Toronto, Canada, 28.8.2010 User preferences in web shop Preference searching Ordering instead of restriction To help the user to see what is good about an object For faster evaluation of quality of the object For higher transparence of recommendation

26 WIRSS 2010, Toronto, Canada, 28.8.2010 Preference search in PrefShop Nominal and boolean attributes As in a standard web shop Numerical attributes Sliders used for easier and more user-friendly specification of values

27 WIRSS 2010, Toronto, Canada, 28.8.2010 Preference search in PrefShop Visual representation of restrictions Priority of the attribute Possibility to set is as restriction Textual representation

28 Preference search in PrefShop For each object, the preference of its attribute values is estimated How well the value corresponds to the criteria f i :D A i → [0,1] The preference of attribute values is aggregated into the overall preference Using a weighted average Objects are ordered according to their preference WIRSS 2010, Toronto, Canada, 28.8.2010

29 Visual preference hints in PrefShop Visual feedback after query issue Green and red colour represents how successfully the criteria is satisfied The size of the circle represents the priority of the attribute If the circle is void, then it is a restriction Otherwise the > sign

30 WIRSS 2010, Toronto, Canada, 28.8.2010 Visual preference hints in PrefShop Rating using stars is allowed Overall preference of the object (when no search is specified) Stars If the user ordered the object Collaborative filtering Other methods in future (content-based filtering)

31 WIRSS 2010, Toronto, Canada, 28.8.2010 PrefShop Implemented by Branislav Vaclav as Master thesis In Java, based on Tomcat, JSF, MySQL Available at http://195.113.17.17:8080/eshop/http://195.113.17.17:8080/eshop/ Will serve as a base for experiments E.g. connection with preference learning, top-k queries, etc.


Stáhnout ppt "Modely uživatelských preferencí. Obsah Jak se vyjadřují preference Modely preferencí a jejich učení Model založený na atributech Kolaborativní filtrování."

Podobné prezentace


Reklamy Google