Anbefalingssystemer og OntologierAv: Knut Marius Sundt, Veileder: Thomas Ågotnes
Anbefalingssystemer og Ontologier
Av: Knut Marius Sundt, Veileder: Thomas Ågotnes
‹#›
Agenda
Anbefalingssystemer Motivasjon og hypotese Ontologier Netflix Ontology Recommender Demo
‹#›
Anbefalingssystemer
Hva? Informasjonsfiltrering Personifisert Mulige domener ≈∞ Hvorfor? Store mengder data Effektivitet (tid er penger) Tjene på andres erfaringer Målrettet markedsføring Recommendations vs. Predictions
‹#›
Anbefalingssystemer
Noen eksisterende systemer:
‹#›
Anbefalingssystemer
Kollaborativ filtrering: (u)likhet mellom brukere Bruker-nabolag Ikke domene-avhengig Inneholdsbasert filtering: (u)likhet mellom ”gjenstander” Svært domene-avhengig Hybrid
‹#›
Anbefalingssystemer
Noen utfordringer: Kaldstart Ny bruker ”Black sheep” (i Kollaborative Filtere) Presisjon
‹#›
Motivasjon
Forberdringspotensiale Økende viktighet Hoved-hypotese: ”Bruk av ontologier for å strukturere bakgrunnsinformasjon kan forbedre presisjonen og minske kaldstart-problemer i anbefalingssystemer”
‹#›
Ontologier
Strukturering av data Beskrive konsepter The Semantic Web Nettinnhold skal ha eksplisitt mening OWL (Bygger på XML-syntax)
‹#›
Hvordan utnytte? Info om filmer IMDB Regissør Skuespillere Region Sjanger-relasjoner: ≠
‹#›
Film-ontologi
‹#›
Netflix Ontology Recommender
Prediksjon av karakterer Eks: Hvilken karakter vil bruker X gi til film Y? Kollaborativ filtrering i bunnen Svært utbredt algoritme Ikke perfekt Justering på bakgrunn av ontologi Brukerjustert vektlegging
‹#›
Netflix Ontology Recommender
Potensiale Registrere hittil ukjente mønstre i preferanser Kaldstart motvirkes Bedre utnyttelse data GUI Test/Demo ”Tweake” algoritmene
Demo
‹#›
Resultater
Holder på å kjøre tester nå Gjennomsnittlig avvik på 1000 tilfeldige predictions Mange ulike oppsett Antyder en forbedring på 5 – 10%
Comments