Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

The secrets behind learning users’ preferences Δημήτριος Βογιατζής, Γεώργιος Παλιούρας,

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "The secrets behind learning users’ preferences Δημήτριος Βογιατζής, Γεώργιος Παλιούρας,"— Μεταγράφημα παρουσίασης:

1 The secrets behind learning users’ preferences Δημήτριος Βογιατζής, Γεώργιος Παλιούρας,

2 Δομή PServer PServer & Ερευνητικά Έργα Ατομικά Μοντέλα Χρηστών Συλλογικά Μοντέλα Χρηστών Στερεότυπα Χρήσης Εύρεση Κοινότητων Χρηστών Χαρακτηριστικών Μελλοντικές Επεκτάσεις

3 Έργα που χρησιμοποίησαν τον PServer

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 o χαρακτηριστικά του χρήστη: ηλικία, φύλο, σωματότυπος, εμπειρία που δεν εξαρτώνται από την εφαρμογή • Features o 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_1Attr_2... Attr_nFeat_1Feat_2... Feat_m Value...Value... Value

6 Ατομικά μοντέλα - Παράδειγματα ΜΟΔΑ AttributesFeatures User ModelsGenderBody Type Skin Colour skirt.MD jacket.slim.MD peplum.MD model-1 FemaleAveragelight ΞΕΝΑΓΗΣΗ Attributes Features User ModelsAgeLanguage of communication Temples.VisitedStoas.VisitedHistoricalPlaces.Visited model-2 adultGreek 30 1

7 Ατομικά μοντέλα - Παράδειγματα • Προτάσεις ταινιών σε χρήστες o 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)

8 Ατομικά μοντέλα - Παράδειγματα Βελτιωμένη αναπαράσταση MOVIESAttributesFeatures userIDAgeGenderOccupationGenre: Thriller Genre: Action Genre: Social MTechnician Οι ταινίες έχουν αντικατασταθεί με το είδος τους.

9 Ατομικά μοντέλα - Κτήση, Χρήση Ατομικά Μοντέλα Χρηστών Cookies Ερωτηματολό γιο Εγγραφής (attributes) Ενημέρωση ατομικού μοντέλου (features) Ρητή καταγραφή προτιμήσεων Ενημέρωση ατομικών μοντέλων

10 Στερεότυπα Χρηστών - Κανόνες • Συνθήκες: βασισμένες σε attributes • Τυπικές συμπεριφορές: βασισμένες σε features • Συνήθως τα ορίζει ο σχεδιαστής της εφαρμογής Attr_cond_1Attr_cond_2...Attr_cond_nFeat_1Feat_2...Feat_m Value...Value...Value

11 Στερεότυπα - Παραδείγματα ΜΟΔΑ AttributesFeatures StereotypeID Gender Body Typeskirt.pleated jacket.militaryjacket.peplum fem-avgFemaleAverage10.5 ΞΕΝΑΓΗΣΗ AttributesFeatures StereotypeIDAge description.length language.complexity child Child 21

12 Στερεότυπα - Χρήση • Χρήσιμα για νέους χρήστες (κενό ιστορικό προτιμήσεων) • Ανάθεση χρηστών σε στερεότυπα βάσει attributes o Μόδα: σωματότυπος, χαρακτηριστικά/χρώμα προσώπου o 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!

13 Κοινότητες: Χρηστών & Χαρακτηριστικών Εύρεση Κοινοτήτων Μηχανική Μάθηση Ατομικά Μοντέλα Μοντέλα ΧρηστώνΕύρεση κλικών Χρήστες: όμοιοι ως προς τη δραστηριότητα Χαρακτηριστικά: που τα προτιμούν από κοινού οι χρήστες

14 δ F1F2F3F4 User12/51/5 2/5 User21/52/54/5 User 33/5 4/55/5 User 43/5 2/51/5 Κοινότητες χρηστών/χαρακτηριστικών Κοινότητα χρηστών Κοινότητα χαρακτηριστι κών

15 Κοινότητες Χρηστών - Χρήση • Συνεργατικό φιλτράρισμα (collaborative filtering) • Βάσει των προτιμήσεών του, ο χρήστης εντάσσεται σε κοινότητες • Παράδειγμα: o Ομάδες που βαθμολογούν παρόμοια ταινίες o 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: 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

17 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)

18 Πώς προκύπτουν οι κοινότητες Βήματα: 1.Ατομικά μοντέλα 2.Εύρεση συσχετίσεων μεταξύ τους 3.Κατασκευή γράφου συσχετίσεων 4.Διακριτοποίηση γράφου με κατώφλι 5.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 κόμβος βαθμός συσχέτισης 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 μεθόδους τεχνητής νοημοσύνης, • βρίσκεται σε διαρκή εξέλιξη

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

25


Κατέβασμα ppt "The secrets behind learning users’ preferences Δημήτριος Βογιατζής, Γεώργιος Παλιούρας,"

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google