• Save
Presentazione Tesi - Cusini Andrea
Upcoming SlideShare
Loading in...5
×
 

Presentazione Tesi - Cusini Andrea

on

  • 2,059 views

TECNICHE PER LA PREVISIONE DELLE VISIONI DI NUOVI CONTENUTI NELLA TELEVISIONE INTERATTIVA

TECNICHE PER LA PREVISIONE DELLE VISIONI DI NUOVI CONTENUTI NELLA TELEVISIONE INTERATTIVA

Statistics

Views

Total Views
2,059
Views on SlideShare
2,054
Embed Views
5

Actions

Likes
0
Downloads
0
Comments
0

2 Embeds 5

http://www.linkedin.com 4
http://www.slideshare.net 1

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

Presentazione Tesi - Cusini Andrea Presentazione Tesi - Cusini Andrea Presentation Transcript

  • Politecnico di Milano
    Polo regionale di Como
    TECNICHE PER LA PREVISIONE DELLE VISIONI DI NUOVI CONTENUTI NELLA TELEVISIONE INTERATTIVA
    Relatore
    Prof. Francesco Fabio Violante
    Candidato:
    Andrea Cusini
    Correlatore
    Ing. Stefano Visconti
    Como, 22 Luglio 2008
  • Sommario
    Contesto
    Obiettivo
    Soluzione proposta
    Applicazione a un caso di studio
    Principali risultati ottenuti
    Conclusioni e Sviluppi futuri
    2
    22/07/2008
  • Contesto
    TV BROADCAST
    TV INTERATTIVA
    Palinsesto
    Triple play
    Unidirezionale
    VOD (Video On Demand)
    PVR (Personal Video Recorder)
    Servizi Avanzati
    L’operatore può conoscere in ogni istante
    cosa fanno e cosa guardano gli utenti.
    L’operatore ha come unico feedback
    l’ auditel.
    3
    22/07/2008
  • Obiettivo
    Fornire agli operatori di TV interattiva uno strumento per prevedere la popolarità di un nuovo contenuto a partire dai suoi metadati.
    Metadati
    Film
    4
    22/07/2008
  • 22/07/2008
    Soluzione Proposta
    5
  • Soluzione proposta
    22/07/2008
    Catalogo Film
    • “Un’estate al mare”
    • Greggio, Proietti, Banfi..
    • Vanzina
    • Commedia
    Metadati
    • Titolo
    • Attore/i
    • Regista/i
    • Genere/i
    Problema 1: Come determinare le classi di visioni?
    Problema 2: Come trattare i metadati in input?
    Rete Neurale
    Input Preprocessing
    6
  • Determinare le classi di visioni
    22/07/2008
    Input Preprocessing
    L’output del sistema consiste di N classi di visione con ampiezza definita mantenendo una quantità di film (item) costante in ogni classe.
    Classi di visioni
    Rete Neurale
    # Item
    Distribuzione cumulativa Film/Visioni
    250
    125
    43
    1000
    75
    5000
    10000
    Views
    Esempio: suddivisione in 5 classi di visioni.
    1
    2
    3
    4
    5
    7
  • Input Preprocessing: Riduzione complessità
    22/07/2008
    Input Preprocessing
    Classi di visioni
    Rete Neurale
    Splitting: Brando#Al pacino#Caan#Castellano#Duvall
    Eliminazione MD non necessari
    8
  • Input preprocessing: Categorizzazione
    22/07/2008
    Input Preprocessing
    Classi di visioni
    Rete Neurale
    Necessità della rete neurale:
    Ricevere in input valori numerici
    Numero di input limitato
    1
    2
    Metadato Testuale
    Valore numerico
    Categoria
    Rete Neurale
    9
  • Input preprocessing: Categorizzazione
    22/07/2008
    Input Preprocessing
    Esempio: Metadato “Attore”
    Classi di visioni
    Rete Neurale
    Tom Cruise
    Determinazione peso
    13709
    10
  • Topologia della rete neurale
    22/07/2008
    Input Preprocessing
    Feed-forward Multi Layer Perceptron.
    Classi di visioni
    Input Layer
    Rete Neurale
    • Categoria Attore
    • Categoria Regista
    • Genere
    • Mpaa
    • ReleaseMonth
    • Categoria Production company
    HL
    HL
    • 2 Hidden Layer, con rispettivamente 4 e 3 percettroni.
    • Funzione d’attivazione: Tangente Iperbolica.
    11
  • Applicazione a un caso di studio
    Dataset Netflix
    • Titolo
    • Attore/i
    • Regista/i
    • Genere/i
    • 47.798 Utenti
    • 17.770 Contenuti
    • 10.000.450 Visioni
    • Mpaa Rating
    • Mese di rilascio
    • Casa di produzione
    IMDB
    (Internet Movie Database)
    12
    22/07/2008
  • Principali risultati ottenuti
    Training della rete: 2000 campioni (Film). 400 x 5 classi.
    Testing della rete: 50 campioni.
    Confronto Visioni reali – Visioni predette
    Reale
    Predetto
    Entro l’intervallo di una classe, la predizione può dirsi corretta.
    13
    22/07/2008
  • Risultati per ogni classe di visione
    22/07/2008
    Valutazione performance:
    %Bingo Rate: Percentuale di correttezza di una previsione. Si considera corretta la previsione se corrisponde alla classe reale.
    %W1C (Within 1 Class) Rate: Si considera corretta anche la previsione che cade in una classe adiacente (precedente o successiva) alla classe reale.
    La previsione entro una classe di correttezza è superiore al 70% in tutte le classi di visione.
    14
  • Conclusioni e Sviluppi futuri
    • Primo tentativo di ideazione di un modello per la predizione di Visioni dei film su
    televisione interattiva
    • Il preprocessing si è rivelato cruciale
    • Risultati migliori di quelli proposti in letteratura su domini affini
    CONCLUSIONI
    • Estendere l’analisi ad ulteriori metadati.
    • Arricchire il preprocessing (ad esempio utilizzo di Association Rules).
    • Raffinamento dell’implementazione prototipale.
    SVILUPPI FUTURI
    15
    22/07/2008
  • Grazie per l’attenzione!
    16
    22/07/2008
  • 22/07/2008
    17
  • Media digitali e TV interattiva
    Film (Contenuto)
    Televisione interattiva
    Difficile determinare se raccomandare agli utenti un nuovo contenuto
    Problema!
    Informazioni Utenti
    • Quale utente ha visto
    quale film
    • Visioni di un film
    (fruizioni)
    18
    22/07/2008
  • Problema Metadati
    22/07/2008
    Metadati
    19
  • Determinazione Classi di Output
    22/07/2008
    20
    Algoritmo Lloyd-Max per la suddivisione di una pdf.
    Procedura iterativa per disegnare un generico quantizzatore ottimo per una pdf data.
    Views
    Utilizzo di uno script Matlab.
    Input: Numero di classi desiderate e pdf.
    Output: Intervalli ottimi.
  • Classificazione: Visione logaritmica
    22/07/2008
    Log10(Views)
    1
    2
    3
    4
    5
    Classi Output
    21
  • Parametri per i metadati
    22/07/2008
    Modello
    Classi di visioni
    Input Preprocessing
    Rete Neurale
    Parametri per i metadati
    Modalità di utilizzo dei metadati
    Metadati da utilizzare
    Esempio: Utilizzare solo Attore, Genere e Regista
    Numero di categorie per ogni metedato testuale
    Esempio: Attore, 3 categorie (Star, Medio, Flop)
    22
  • Determinare Peso Metadato
    22/07/2008
    Input Preprocessing
    Metadato Testuale
    Es. “Tom Cruise”
    Classi di visioni
    Valore numerico
    Es. “13709”
    Categoria
    Es. “1”
    Rete Neurale
    Rete Neurale
    Peso di un Metadato testuale
    75-percentile delle visioni dei film in cui è presente
    Con P=75, N=num. Film
    23
  • Rete Neurale - Procedimento
    22/07/2008
    Input Preprocessing
    Classi di visioni
    Rete Neurale
    Procedimento Sperimentale
    Test della rete variando il numero di input per un metadato multiplo
    Risultati
    Migliori dei precedenti?
    No
    Configurazione ottimale

    24
  • Training e Testing della rete
    22/07/2008
    25
    Training
    Rete Neurale
    Testing
  • Esempio Algoritmo FPM
    Funzionamento dell’algoritmo Relim (RecursiveElimination).
    Definire un oridine per gli item (Ad esempio la frequenza nelle transazioni)
    Riordinare gli item nelle transazioni in base alla loro frequenza
    Ricorsivamente si creano delle liste dette “Prefix” a partire dall’Item con frequenza più elevata.
  • Input preprocessing: Validazione
    22/07/2008
    Input Preprocessing
    Classi di visioni
    Algoritmi di Frequent Pattern Mining per la determinazione di Regole di Associazione.
    Rete Neurale
    Esempio regola:
    Permettono di validare i risultati della categorizzazione dei metadati testuali.
    27
  • FPM anziché Rete Neurale
    Pattern Frequenti
    Algoritmi Frequent Pattern Mining
    Input Preprocessing
    Nuovo Contenuto
    Esempio Pattern
    “Actor:Tom Cruise”, “Actor:Brad Pitt”, “Genere: Drama”
    RULE: “ViewClass=5”
    “Actor:Tom Cruise”, “Actor:Brad Pitt”, “Genere: Drama”
    P=f(MD1;MD2;MD3)
    P=ViewClass=5