Presentazione Laurea - Cataldo
Upcoming SlideShare
Loading in...5
×
 

Presentazione Laurea - Cataldo

on

  • 3,794 views

Augmenting Content-Based Recommender Systems with Tags

Augmenting Content-Based Recommender Systems with Tags

Statistics

Views

Total Views
3,794
Views on SlideShare
3,179
Embed Views
615

Actions

Likes
1
Downloads
11
Comments
2

10 Embeds 615

http://cathall.blogspot.com 350
http://cathall.blogspot.it 247
http://www.slideshare.net 7
http://cathall.blogspot.com.es 3
http://cathall.blogspot.de 2
http://cathall.blogspot.fr 2
http://cathall.blogspot.co.uk 1
http://cathall.blogspot.ch 1
http://www.cathall.blogspot.com 1
http://cathall.blogspot.ca 1
More...

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel

12 of 2

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Presentazione Laurea - Cataldo Presentazione Laurea - Cataldo Presentation Transcript

    • Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Relatore: Chiar.mo Prof. Giovanni Semeraro Laureando: dott. Marco de Gemmis Cataldo Musto dott. Pasquale Lops Università degli Studi di Bari – Facoltà di Scienze MM.FF.NN. Corso di Laurea Specialistica in Informatica – a.a 2006/2007
    • Sommario
      • Estensione di un sistema di raccomandazione
        • Motivazioni
      • Web 2.0
        • Folksonomie
      • Implementazione del modello
        • Estensione del modello di training
        • Integrazione delle folksonomie nei profili utente
      • Sperimentazione
        • Commenti e sviluppi futuri
      2/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Sistemi di raccomandazione
      • Obiettivo
        • Apprendere i gusti dell’utente in uno specifico dominio e suggerirgli altri “oggetti” cui potrebbe essere interessato
      • ITR – Item Recommender
        • Realizzato dall’Università di Bari
        • Approccio Content-Based
          • Accuratezza predittiva soddisfacente
          • Eredita alcuni limiti dei modelli content-based
      3/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Motivazioni
      • Limiti
        • In assenza di contenuto testuale, il sistema non può fornire raccomandazioni
        • Contenuto testuale di cattiva qualità può portare a un peggioramento dell’accuratezza predittiva
        • Raccomandazioni simili a contenuti precedentemente graditi dall’utente
          • Bassa probabilità di ottenere raccomandazioni “sorprendenti”
      • Necessità di migliorare il modello originario del sistema di raccomandazione
        • Eliminazione dei limiti del modello content-based
        • Integrazione di elementi di innovatività
          • Ricerca di sovrapposizioni con l’area del Web 2.0
      4/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Annotazione dei contenuti della Rete
      • Web 2.0
        • Sistemi di Tagging Collaborativo
      • Concetto chiave: Tagging
        • L’utente fruisce contenuti (foto, video, audio, testi, ecc.)
        • Associa a queste risorse delle parole chiave, dette tag
        • Tag
          • Vocabolario libero
          • Informazione sul contenuto, sul contesto o percezione soggettiva
        • La stessa risorsa può essere annotata da vari utenti
          • Al crescere degli utenti, cresce anche il numero dei tag associati ad una risorsa
      5/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Folksonomie (1)
      • L’insieme dei tag associati ad una risorsa prende il nome di folksonomia
        • La folksonomia è una struttura lessicale
        • Emerge dalle annotazioni collaborative degli utenti
      • es) Immaginiamo come risorsa un brano musicale
      6/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Folksonomie (2)
      • Punti di forza
        • Ci fornisce informazioni sul modello mentale degli utenti
          • Cosa gli utenti “vedono” in ciò che fruiscono
        • Associa una semantica ai contenuti della Rete
          • Semantica collaborativa, non espressa formalmente
      • Una folksonomia ci permette di acquisire delle informazioni sul contenuto associato ad una risorsa
      • Riflessione
        • La correlazione tra tag e contenuto associato ad una risorsa ci riporta alle motivazioni che avevano giustificato la necessità di estendere il modello
      7/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Estensione del modello di ITR
      • Assunzione
        • I tag non sono dei semplici metadati, forniscono informazioni sul contenuto
      • Intuizione
        • Quando il contenuto non è disponibile o non è affidabile, si può sfruttare l’informazione lessicale fornita dai tag
      • Vantaggi
          • Ci permette di ovviare al problema dell’assenza di contenuti testuali
            • Si utilizzano i tag forniti dalla comunità come “contenuto” che descriva gli oggetti raccomandabili
          • Riduce il “peso” di contenuti testuali di cattiva qualità
            • Probabile miglioramento dell’accuratezza predittiva
          • Diversifica potenzialmente le raccomandazioni
            • Il set di termini che descrivono l’oggetto è dinamico, si evolve assieme alle annotazioni fornite dagli utenti
      8/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Scenario
      • Raccomandazione di beni museali
        • Pinacoteca Vaticana
        • Oggetti descritti da contenuto testuale
          • Titolo, Autore, Descrizione
          • Necessità di raccogliere un set di tag che modelli le opere
      • Come raccogliere una massa sufficiente di tag?
        • Integrando dei meccanismi di collaboratività nel modello di raccomandazione
          • Coinvolgendo gli utenti nell’annotazione degli oggetti
          • Estensione del modello di addestramento
      9/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Modello di addestramento Si è previsto che l’utente, assieme al voto, potesse assegnare dei tag descrittivi 10/16 Assegnazione del rating – Classico modello di addestramento Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto Contenuti testuali
    • Disambiguazione dei contenuti
      • Terminata la procedura di addestramento, abbiamo a disposizione l’insieme dei tag con cui l’utente ha annotato le opere gradite
      • Per eliminare problemi di sinonimia, polisemia, ecc. il set dei tag è stato sottoposto ad una procedura di disambiguazione
        • Passaggio dal Tag al concetto espresso da quel tag
        • Passaggio da Folksonomie a Folksonomie Semantiche
      11/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Integrazione delle folksonomie
      • Come integrare nei profili l’informazione aggiuntiva ?
        • Individuazione di due modelli di profilazione
          • Personal Tags
            • Confluiscono nel profilo dell’utente 1 i tag virgin, crowning, christ
          • Social Tags
            • Il profilo viene arricchito dai tag utilizzati dalla comunità , al profilo vengono aggiunti i tag madonna, panel, cross, deposition
      12/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Integrazione delle folksonomie
      • Intuizione
        • Se a due utenti piacciono gli stessi oggetti, per certi versi condividono lo stesso modello mentale
        • L’informazione lessicale fornita da utenti con lo stesso modello mentale può essere condivisa collaborativamente
        • Si sfrutta il lessico fornito da utenti con gusti simili per arricchire la terminologia contenuta nel proprio profilo
      13/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Sperimentazione
      • Campione di trenta utenti
      • Valutazione del nuovo modello di ITR
      • Confronto tra tre classi di profili
        • Content-based
          • Titolo, Autore, Descrizione dell’opera
        • Content + Personal Tags ,
        • Content + Social Tags
      • Metriche adottate : Precision e Recall
      • Quesito
        • Un modello di raccomandazione content-based può trarre vantaggio dall’integrazione di elementi di collaboratività ?
      14/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto
    • Risultati emersi
      • L’informazione lessicale proveniente dai tag migliora la precision di ITR del 2.5%
      • L’approccio basato sui Social Tag, su training set piccoli, migliora la recall di ITR del 13%
      15/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto +2,5% +13%
    • Conclusioni
      • L’integrazione in un modello di raccomandazione dell’informazione proveniente da annotazioni collaborative è un fattore in grado di migliorare l’accuratezza predittiva del sistema
        • Modello innovativo, mai sperimentato finora
        • I primi riscontri hanno sottolineato la bontà dell’approccio presentato
        • Modello proposto nell’ambito delle attività del progetto CHAT
          • Sviluppo di una piattaforma per la fruizione personalizzata di beni museali
      16/16 Estensione di un modello di raccomandazione content-based mediante integrazione di folksonomie semantiche Corso di Laurea Specialistica in Informatica – 23 aprile 08 – Cataldo Musto