trust und interest similarity und deren anwendung für empfehlungssysteme

Trust und InterestSimilarity und

deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda

Zusammenhangzwischen Trust undInterest Similarity

Meinungsumfrage

Akzeptanz vonOnline Empfehlungen

Wahrnehmung vonanderenOnline-Nutzern

Meinungsumfrage -Zusammenhangzwischen Trust undInterest Similarity

Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung

Similarity-Berechnung

Analyse der oberenSchranke

Analyse der unterenSchranke

Anwendung aufEmpfehlersysteme

Trust und Interest Similarity und derenAnwendung fur Empfehlungssysteme

Florian Niederhuber

9. Januar 2014


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Agenda

Zusammenhang zwischen Trust und Interest SimilarityMeinungsumfrageEmpirische Analyse

Anwendung auf Empfehlersysteme


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Zusammenhang zwischen Trust und InterestSimilarity

Anziehung zwischen Menschen haben eine positiveAuswirkung auf die Ahnlichkeit derer Interessen.⇒ Ahnliches wird auch bei Vertrauensbeziehungenangenommen.

“the more similar two people, the greater the trustbetween them” -Ziegler, Goldbeck


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage

Die Meinungsumfrage beinhaltet 10 Fragen in denKategorien:

I Akzeptanz von Online-Empfehlungen

I Wahrnehmung von anderen Online-Nutzern

I Zusammenhang zwischen Trust und Interest Similarity


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage

Teilnehmer:

I Personliche Einladung via Facebook und eMail.

I Teilnehmer aus funf verschiedenen Landern.

I Nur volljahrige Teilnehmer wurden zurMeinungsumfrage eingeladen.

Von den Eingeladenen haben schließlich 408 Personenteilgenommen.

Durchgefuhrt wurde diese als Online-Umfrage aufSurveyMonkey.com um Teilnehmer aus verschiedenenRegionen der Welt zu erreichen.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Akzeptanz vonOnline-Empfehlungen

58% aller Teilnehmer bevorzugen die Unterstutzung durchein Empfehlungssystem


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Akzeptanz vonOnline-Empfehlungen

Nehmen Sie an Ihnen steht ein unbekannterExperte fur Autos A und einer Ihrer Freunde Bohne Erfahrung mit Autos fur Empfehlungen beimAutokauf zur Verfugung. Welche Empfehlungbevorzugen Sie?


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Wahrnehmung von anderenOnline-Nutzern

52% haben Online-Bekanntschaften, denen sie vertrauen.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Wahrnehmung von anderenOnline-Nutzern

59% von denen, die Online-Freundschaften akzeptieren,halten es nicht fur notig diese zu bewerten.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Zusammenhang zwischenTrust und Interest Similarity


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Meinungsumfrage - Zusammenfassung

I Die Umfrage bekraftigt die Annahme, dass es einenZusammenhang gibt.

I Empfehlungen bevorzugt von Experten inOnline-Empfehlungssystemen.

I Probleme neuen Online-Bekanntschaften zu vertrauen.

I Nutzer haben kein Interesse daranOnline-Bekanntschaften zu bewerten.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Empirische Analyse


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Hypothese

Hypothese:

Wir glauben, dass in einer spezifischenAnwendungsdomane Menschen ihren Vertrauten imDurchschnitt ahnlicher sind im Vergleich zuMenschen, denen sie nicht vertrauen.

-Ziegler, Golbeck


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Informationsmodel


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Informationsmodel

I Menge von Agenten A = a1, a2, ..., an. A enthalt alleAgenten, die Teil der Community sind.

I Menge von Produkten B = b1, b2, ..., bm. B enthaltalle fur die Domain relevanten Produkte.

I Trust-Rating-Funktion trust : A→ 2A. Fur alle ai ∈ Agibt trust(ai ) eine Teilmenge von Agenten Ai ⊂ Azuruck, die ai vertraut.

I Benutzerbewertungen R1,R2, . . . ,Rn. Jedem Agent aiist eine Menge Ri ⊂ B zugewiesen, welche seineimpliziten Produktbewertungen enthalten.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Informationsmodel

I Taxonomie C uber der Menge D = d1, d2, ..., dl .Die Menge D enthalt Kategorien fur dieProduktklassifikation. Jede Kategorie de ∈ Dreprasentiert ein bestimmtes Topic, in das ein Produktbk ∈ B hineinfallen kann. Die partielle taxonomischeOrdnung C : D → 2D enthalt alle direktenUnterkategorien Cde ⊆ D fur ein Topic de ∈ D.

I Indexierungsfunktion f : B → 2D .Die Funktion f weist jedem Produkt bk ∈ B eine MengeDk ⊆ D von Produktenkategorien zu.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Baum


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Datenbeschaffung


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Datenbeschaffung

Zur Auswahl standen:

I All Consuming

I Epinions

I Film Trust

⇒ All Consuming wurde fur das Experiment gewahlt.

Zusatzliche Informationen wurden von Webblogs extrahiertund zu den Daten von All Consuming hinzugefugt.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Datenbeschaffung

I Die Taxonomie enthalt uber 13,000 verschiedeneKategorien

I Daten beinhalten ca. 6000 Bucher

⇒ Problem?

Die Wahrscheinlichkeit, dass zwei verschiedene Nutzerai , aj ∈ A dasselbe Buch bewertet haben, ist sehr gering.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Profilgenerierung


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Profilgenerierung

Interest-Score

I Fur jede Kategorie dke ∈ f (bk) eines Produktes bk , dieder Agent ai implizit bewertet hat, wird fur derenUberkategorien dke ein Interest-Score berechnet und imProfilvektor vom Benutzer ai eingetragen.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Profilgenerierung

Eigenschaften:

I Der Interst-Score nimmt mit jeder Ebene in derTaxonomie ab.

I Es gibt einen Gesamtscore, der fur alleBenutzervektoren gilt.

I Die zugewiesenen Scores werden unter Berucksichtigungeines Gesamtscores normalisiert.

I Der Interest-Score teilt sich auf alle Subkategoriengleichermaßen auf.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Profilgenerierung


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Similarity-Berechnung unterVerwendung der errechnetenBenutzerpofile.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung






Vergleichen der Profile

I Zum Vergleich wird ein Similarity-Score mit demPearson’s correlation coefficient errechnet.

I Das Ergebnis ist ein Wert zwischen [-1, 1].


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Analyse der oberen Schranke


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Bereinigung der Daten

Bereinigung der Daten von All Consuming.Dabei wurden

I Duplikate,

I Nutzer mit weniger als 3 bewerteten Buchern und

I Nutzer ohne Vertrauensbeziehung

entfernt.

⇒ 266 Nutzer wurden entfernt, 261 bleiben fur die Analyseder oberen Schranke als erstes Experiment.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung






Fur jeden Benutzer ai ∈ A′ wird die

I durchschnittliche Ahnlichkeit zu anderen Nutzern,denen ai vertraut (z ′i ) und

I davon unabhangig die durchschnittliche Ahnlichkeit zuallen Nutzern (s ′i ) errechnet.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung






⇒ Nutzer sind Vertrauten im Durchschnitt 50% ahnlicher.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung







deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Analyse der unteren Schranke


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Bereinigung der Daten

Entfernen aller Vertrauensbeziehungen trust(ai ) zwischenNutzern ai ∈ A′, die nur ein Buch gemeinsam haben.

⇒ Fur die Analyse der unteren Schranke als zweitesExperiment wurden die Vertauensbeziehungen auf 210reduziert.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung






⇒ Nutzer sind Vertrauten im Durchschnitt 23% ahnlicher.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung







deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Anwendung auf Empfehlersysteme


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Ausnutzen der Korrelationen zwischen Trust undSimilarity

Ein positiver Zusammenhang zwischen Trust und InterestSimilarity lost Probleme wie:

I Glaubwurdigkeit

I Komplexitat und Skalierbarkeit

⇒ Das Problem der Produkt-Nutzer-Matrix-Kargheit bleibtjedoch.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





Schlussfolgerung

I Einsatz von Trust und Interest Similarity inEmpfehlungssysteme soll bisherige Filtersystemeerweitern und nicht ablosen.

I Weitere Untersuchungen bezuglich dem Zusammenhangvon Trust und Interest Similarity waren sinnvoll.


deren Anwendungfur

Empfehlungssys-teme

F. Niederhuber

Agenda


Meinungsumfrage




Zusammenfassung

Empirische Analyse

Informationsmodel

Datenbeschaffung

Profilgenerierung





THE END

trust und interest similarity und deren anwendung für empfehlungssysteme

Technology

akzeptanz

trust

meinungsumfrage

empfehlungssysteme

ziegler