Anbefalingssystemer og Ontologier Av: Knut Marius Sundt, Veileder: Thomas Ågotnes
Agenda Anbefalingssystemer Motivasjon og hypotese Ontologier Netflix Ontology Recommender Demo
Anbefalingssystemer Hva? Hvorfor? Recommendations vs. Predictions 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 The Semantic Web Beskrive konsepter The Semantic Web Nettinnhold skal ha eksplisitt mening OWL (Bygger på XML-syntax)
Netflix DVD-utleie på nett Netflix-konkuransen Frigitt database 100.000.000 karakterer 17.770 filmer
≠ Bruke ontologier Hvordan utnytte? Region Sjanger-relasjoner: 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%
Spørsmål