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

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
ΑΓΟΡΑΣΤΙΚΕΣ / ΚΑΤΑΝΑΛΩΤΙΚΕΣ ΣΥΝΗΘΕΙΕΣ Αγοραστικές Συνήθειες Θα σας διαβάσω τώρα μια σειρά από απόψεις που έχουν εκφραστεί για τις συνήθειες κατανάλωσης.
Advertisements

Ταξινόμηση Κειμένων με Νευρωνικά Δίκτυα. Γ. Ταμπουρατζής Ινστιτούτο Επεξεργασίας του Λόγου ΙΝΣΤΙΤΟΥΤΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΤΟΥ ΛΟΓΟΥ10/12/2002 INSTITUTE FOR LANGUAGE.
“Recommendation systems” Σπύρος Συρμακέσης, Επίκουρος Καθηγητής
ΣΕΜΙΝΑΡΙ Α ΦΘΙΝΟΠΩΡΟΥ ποιοι είμαστε • To εργαστήριο in-design seminars λειτουργεί από το 2008 στο Χαλάνδρι, με κύριο στόχο την πρωτοτυπία στη σκέψη,
Βασικές κατηγορίες εκπαιδευτικού λογισμικού
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΤΟΙΧΕΙΑ
Βήματα στην Κατασκευή ενός Ψυχομετρικού Εργαλείου (Μέρος B)
ΚΕΑ - Λονδίνο 14/02/2011 ΜΟΝΤΕΛΟ ΚΑΤΑΣΚΕΥΗΣ ΣΥΝΕΡΓΑΤΙΚΟΥ ΔΙΑΔΙΚΤΥΑΚΟΥ ΜΑΘΗΜΑΤΟΣ Νίκη Λαμπροπούλου * Σοφία Ντάνη Intelligenesis.eu.
Βάσεις Δεδομένων Ευαγγελία Πιτουρά1 Σχεσιακός Λογισμός.
ShareIt Social Network Project Simos Hatzikostas: Manolhs Georgiou: Theodoros Demetriou:
Πανελλήνιο Ψηφιακό Αποθετήριο Μαθησιακών Αντικειμένων
Η Εκπαίδευση στην εποχή των ΤΠΕ
 Παρουσιάζοντας πολιτισμικό υλικό στα σχολεία
«Καινοτομικά Διαδικτυακά Περιβάλλοντα στην Εκμάθηση της Λογιστικής»
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Τεχνικές NLP – Σχεδιαστικά Θέματα.
ΟΡΟΛΟΓΙΑ Στην ΚτΠ: Χρησιμότητα στον Δημόσιο Τομέα ή Η σημασία της γνώσης των όρων για αποτελεσματική πρόσβαση στην πληροφορία Γ. Καραγιάννης Καθηγητής.
ΗΥ-566 Διαχείρηση Γνώσης στο Διαδίκτυο1 SWRC Ontology Κτιστάκης Γιώργος Μπούτσικα Κατερίνα Παπαδάκης Μύρων.
21, 23 Φεβρουαρίου 2005 ΗΜΕΡΙΔΑ: Τεκμηρίωση και Διαλειτουργικότητα Μεταδεδομένα για απόδοση εκπαιδευτικής αξίας σε συλλογές πολιτισμικού αποθέματος Γιώργος.
 Αυδίκου Χριστίνα  Γιουμούκης Παναγιώτης  Κιντσάκης Θάνος  Πάπιστας Γιάννης.
HMMY Τεχνολογία Λογισμικού Διδάσκων Κώστας Κοντογιάννης Αναπλ
Μηχανική Μάθηση και Εξόρυξη Γνώσης
Η μηχανική μάθηση στην αντιμετώπιση της Υπερπληροφόρησης
Ανάκτηση & Εξαγωγή Πληροφορίας στο Διαδίκτυο Γιώργος Παλιούρας Εργαστήριο Τεχνολογίας Γνώσεων & Λογισμικού Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών Ε.Κ.Ε.Φ.Ε.
Xαρτογράφηση Εννοιών Εννοιολογικοί Χάρτες και οι εφαρμογές τους στη διδασκαλία των Φυσικών Επιστημών.
Επιμέλεια: ΘΟΔΩΡΗΣ ΜΑΝΑΒΗΣ
. Εννοιολογικοί χάρτες.
Αναγνώριση Προτύπων.
ΚΛΕΙΣΤΗ Η ΑΝΟΙΧΤΗ ΚΑΙΝΟΤΟΜΙΑ;
1 Θεματική Ενότητα Γραφήματα & Επίπεδα Γραφήματα.
Σύγχρονες Μέθοδοι Αλληλεπίδρασης μεταξύ Ανθρώπου - Υπολογιστή και Εικονική Πραγματικότητα ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ.
Βασίλης Κόμης Αναπληρωτής Καθηγητής
ΠΟΛΥΜΕΣΑ Τα Πολυμέσα (Multimedia) είναι ο κλάδος της πληροφορικής τεχνολογίας που ασχολείται με τον συνδυασμό ψηφιακών δεδομένων πολλαπλών μορφών, δηλ.
ΕΥΡΕΣΗ ΚΑΤΗΓΟΡΙΚΩΝ ΕΚΤΟΠΩΝ ΣΕ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ
Λάζαρος Πολυμενάκος, καθηγητής ΑΙΤ Ηρακλής Καπρίτσας, telia.co.gr
Διαδικτυακή εφαρμογή ανάλυσης και επεξεργασίας δεδομένων κυβερνητικών διαβουλεύσεωνgov.insight Η. Ζαβιτσάνος, Γ. Γιαννακόπουλος, Γ. Παλιούρας Ινστιτούτο.
ΕΚΕΦΕ «Δημόκριτος» Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών Κοινωνία της Πληροφορίας & Τεχνητή Νοημοσύνη Δρ. Κωνσταντίνος Δ. Σπυρόπουλος Δντής Έρευνας.
ΓΕΝΙΚΕΣ ΟΔΗΓΙΕΣ ΔΙΔΑΣΚΑΛΙΑΣ & ΕΝΔΕΙΚΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΛΗΣ
HMMY Τεχνολογία Λογισμικού Διδάσκων Κώστας Κοντογιάννης Αναπλ. Καθηγητής, Ε.Μ.Π.
ΑΝΑΠΤΥΞΗ ΤΑΞΙΝΟΜΗΤΗ ΗΛΕΚΤΡΟΝΙΚΗΣ ΑΛΛΗΛΟΓΡΑΦΙΑΣ ΜΑΛΕΖΑ ΣΟΦΙΑ ΑΕΜ:765.
Ενεργή επιλογή αλγορίθμου, Active Algorithm Selection, Feilong Chen and Rong Jin Εύα Σιταρίδη.
Οριζόντιο Έργο Υποστήριξης Σχολείων, Εκπαιδευτικών και Μαθητών στο Δρόμο για το ΨΗΦΙΑΚΟ ΣΧΟΛΕΙΟ, νέες υπηρεσίες Πανελλήνιου Σχολικού Δικτύου και Στήριξη.
Generating Chinese Classical Poems with Statistical Machine Translation Models Jing He, Ming Zhou, Long Jiang Μαρία Κωστάκη Εθνικό & Καποδιστριακό Πανεπιστήμιο.
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΓΑΣΤΗΡΙΟ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ iBYZANTINE: Χρήση Προηγμένων Εφαρμογών.
Εικονικοί τρισδιάστατοι κόσμοι ΠΜΣ:Δυνητικές κοινότητες Παρουσίαση : Θεοδωρίδη Άννα
«Πλακόστρωση» Μαρίνα Πάλλα.
Οριζόντιο Έργο Υποστήριξης Σχολείων, Εκπαιδευτικών και Μαθητών στο Δρόμο για το ΨΗΦΙΑΚΟ ΣΧΟΛΕΙΟ, νέες υπηρεσίες Πανελλήνιου Σχολικού Δικτύου και Στήριξη.
Ανάπτυξη μεθοδολογίας για το συστηματικό θεμελιώδη μηχανοτρονικό σχεδιασμό. Εφαρμογή στην ανάπτυξη ευφυούς συστήματος για το σχεδιασμό ρομποτικών αρπαγών.
ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΑΡΧΕΙΟΝΟΜΙΑΣ ΚΑΙ ΒΙΒΛΙΟΘΗΚΟΝΟΜΙΑΣ ΜΠΣ: «Επιστήμη Της Πληροφορίας: Διοίκηση Και Οργάνωση Βιβλιοθηκών Με Έμφαση Στις Νέες Τεχνολογίες.
Κατηγορίες Λογισμικού. Περιγραφή Ενότητας  Στην ενότητα αυτή θα παρουσιάσουμε την έννοια του λογισμικού. Θα αναπτυχθούν οι κατηγορίες λογισμικού με τις.
Λεξικό, Union – Find Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο.
Μέσα κοινωνικής δικτύωσης και Μάρκετινγκ Όνομα : Χατζηπαυλίδης Ανέστης
Μαρία Λιάζη Βασίλης Ζησιμόπουλος Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστημίου Αθηνών Μαρία Λιάζη Βασίλης Ζησιμόπουλος Τμήμα Πληροφορικής και Τηλεπικοινωνιών.
Μηχανική Μάθηση σε Συστήματα Πολλαπλών Πρακτόρων Παπαλιάς Κωνσταντίνος Τμήμα Πληροφορικής.
Τεχνολογία ΛογισμικούSlide 1 Τεχνολογία Απαιτήσεων u Καθορίζει τι θέλει ο πελάτης από ένα σύστημα λογισμικού.
SusCity: κατασκευάζοντας ψηφιακά παιχνίδια αειφόρων πόλεων Ν. Γιαννούτσου Μ. Δασκολιά Μ. Ξένος Εργαστήριο Εκπαιδευτικής Τεχνολογίας
ΠΡΙΝ ΞΕΚΙΝΗΣΟΥΜΕ Πράγματα που αξιολογείτε θετικά σε σχέση με το μάθημα του προηγούμενου τετραμήνου Πράγματα που θα μπορούσαν να βελτιωθούν.
ΑΤΕΙ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης & Διακίνησης Προϊόντων ΔΙΕΡΕΥΝΗΣΗ ΣΤΑΣΕΩΝ ΜΙΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΑΓΟΡΑΣ ΝΩΠΩΝ ΟΠΩΡΟΚΗΠΕΥΤΙΚΩΝ: «ΟΙ ΑΠΟΨΕΙΣ.
ΥΝ Ι: ΑΝΑΠΑΡΑΣΤΑΣΗ ΓΝΩΣΗΣ 1 ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (Τεχνητά Νευρωνικά Δίκτυα και Γενετικοί Αλγόριθμοι) ΣΠΥΡΟΣ ΛΥΚΟΘΑΝΑΣΗΣ, ΚΑΘΗΓΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ.
Πληροφορική 2 Τεχνητή νοημοσύνη 1. Τι είναι τεχνητή νοημοσύνη;  Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων.
ΕΝΟΤΗΤΑ 1. ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΕΦΑΛΑΙΟ 1.1 ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ 1.
Γράφημα Συνδυαστικό αντικείμενο που αποτελείται από 2 σύνολα:
ΟΜΑΔΕΣ Δημιουργία Ομάδων
Αντωνιάδου Σοφία Ζυγούρης Φώτης Καπουλίτσας Θανάσης
Εισαγωγή στα Νευρωνικά Δίκτυα
Το ερωτηματολόγιο Μεθοδολογία έρευνας.
Αλγόριθμοι για ανάθεση συχνοτήτων και έλεγχο αποδοχής κλήσεων σε κυψελικά ασύρματα δίκτυα (μέρος ΙIΙ)
Slideshare.
Σχεσιακεσ βασεισ δεδομενων
ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ  Προγραμματιστικό Υπόδειγμα: Είναι ένα πρότυπο ανάπτυξης προγραμμάτων, δηλ. μια καθορισμένη μεθοδολογία με βάση την οποία.
H “Βοήθεια” στον Η/Υ 10/11/2018 Β' ΤΑΞΗ ΒΟΗΘΕΙΑ.
Μεταγράφημα παρουσίασης:

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

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

Έργα που χρησιμοποίησαν τον PServer

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

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

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

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)

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

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

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

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

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!

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

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

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

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 μοντέλα 2.Εύρεση συσχετίσεων μεταξύ τους 3.Κατασκευή γράφου συσχετίσεων 4.Διακριτοποίηση γράφου με κατώφλι 5.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 βαθμός συσχέτισης Ατομικά Μοντέλα

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 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