Trust-based recommender systems

  • 126 views
Uploaded on

Ein Vortrag von Tobias Hofinger aus dem Hauptseminar "Personalisierung mit großen Daten".

Ein Vortrag von Tobias Hofinger aus dem Hauptseminar "Personalisierung mit großen Daten".

More in: Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
126
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
7
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Trust-based recommender systems Hofinger Tobias 09.01.2014
  • 2. Inhaltsverzeichnis ● ● ● Einleitung Zusammenhang zwischen Vertrauen und Empfehlungssystemen Vertrauen berechnen – – ● Darstellung von Vertrauen Berechnen Trust-based recommender systems – Empfehlungen 2/31
  • 3. Inhaltsverzeichnis ● Automatische Vertrauensberechnung ● Empirische Auswertung ● Vorraussetzungen für Empfehlungssysteme – ● Axiome 1 – 8 Schlussfolgerung 3/31
  • 4. Einleitung ● Web 2.0 – – ● Zusammenarbeit Informationen austauschen Empfehlungssysteme – Vorhersagen/Empfehlungen – Basieren auf Informationen über Benutzer und deren Beziehungen zu anderen Benutzern 4/31
  • 5. Vertrauen ● Menschen neigen dazu Empfehlungen von vertrauenswürdigen Menschen (Freunden) mehr zu vertrauen als herkömlichen Empfehlungssystemen 5/31
  • 6. Vertrauen ● ● ● Soziale Netzwerke ermöglichen das Erstellen von Vertrauensnetzwerken (Web of Trust) Kombination von Empfehlungssystemen und Vertrauensnetzwerken Es ist auch möglich Misstrauen abzubilden (Block list) 6/31
  • 7. Darstellung ● Wahrscheinlichkeitsbezogen – – ● Einem Knoten entweder gar nicht oder voll vertrauen (0 oder 1) Berechnung der Wahrscheinlichkeit dass einem Knoten vertraut werden kann Stufenweiser Ansatz – Vertrauensstufen (zb. 0.0 – 1.0) 7/31
  • 8. Berechnung ● In großen Vertrauensnetzwerken stehen die meisten Knoten nicht in direkter Beziehung zueinander ● Web of Trust eines Knotens daher klein ● Vertrauensmatrizen – Berechnung ob und wieviel ein Knoten einem anderen Knoten vertrauen kann – Verschiedene Ausführungen 8/31
  • 9. Berechnung ● Vertrauensmatrizen werden mittels zwei Verfahren berechnet – Ausbreitung (Propagation) – Zusammenführung (Aggregation) 9/31
  • 10. Ausbreitung ● Transitivität – A vertraut B – B vertraut C – Daher kann A - C vertrauen (zu einem gewissen Grad) 10/31
  • 11. Ausbreitung von Vertrauen ● Operator – – ● Multiplikation Formeln Reichweite – Über das ganze Netzwerk – Bis zu definierten Grenzen 11/31
  • 12. Ausbreitung von Vertrauen ● Multiplikation: t1 x t2 – Vertrauenswert von A in B ist 0.5 – Vertrauenswert von B in C ist 0.7 – Daher ist der Wert für A in C = 0.35 12/31
  • 13. Ausbreitung von Misstrauen ● Mehrere Ansätze mit teils komplizierten Formeln – ● Knoten werden mit Tupeln aus Vertrauen/Misstrauen beschrieben (t, d) Uneinigkeit über den besten Ansatz um Misstrauen zu berechnen 13/31
  • 14. Ausbreitung von Misstrauen ● ● (t3, d3) = (t1 x t2, t1 x d2) (t3, d3) = (t1 x t2 + d1 x d2 – t1 x t2 x d1 x d2, t1 x d2 + d1 x t2 – t1 x d2 x d1 x t2) 14/31
  • 15. Zusammenführung ● Mehrere Kanten zu einem Knoten ● Operatoren – – Durchschnitt – ● Minimum/Maximum Gewichtet Reihenfolge wichtig 15/31
  • 16. Trust-based recommender systems ● ● Vertrauenssysteme und Empfehlungssysteme kombinieren Schwächen von Empfehlungssystemen beheben – Sparsity – Cold Start User – Attacks ● Manuelle WoT ● Automatische WoT 16/31
  • 17. Empfehlungen berechnen ● ● Werte der Knoten in Vertrauensmatrizen als Grundlage der Gewichtung Viele verschiedene Algorithmen – Trust-based weighted mean – TidalTrust – Trust-based collaborative filtering – MoleTrust 17/31
  • 18. Trust-based weighted mean ● a = Benutzer für den eine Empfehlung erstellt werden soll ● i = Gegenstand der Empfohlen werden soll ● ta,u = Vertrauen von a in Benutzer u ● RT = Menge der Benutzer die i bewertet haben 18/31
  • 19. TidalTrust ● Experiment – – Bekannten Vertrauenswert neu berechnet – Kurze Wege sind genauer – ● Normale Matrix Wege mit hohen Werten sind genauer Spezielle Vertrauensmatrix (TidalTrust) – Maximale Pfadlänge – Untergrenze für Vertrauenswerte eines Pfads 19/31
  • 20. Trust-based collaborative filtering ● ● Ähnlich zu normalen collaborative filtering Statt Ähnlichkeit zu anderen Benutzern/Gegenständen wird hier Vertrauen eingesetzt 20/31
  • 21. MoleTrust ● ● Zyklen entfernen Vertrauensnetzwerk wird azyklischer Graph ● Graph durchlaufen ● Propagation horizon – – ● Anfangs festgelegt Grenze des WoT Vertrauensuntergrenze – Anfangs festgelegt 21/31
  • 22. Automatische Vertrauensberechnung ● Bisher direkte Eingaben von Vertrauenswerten ● Nicht immer möglich ● Automatische Berechnung – Profile- and item-level trust – Trust-based filtering 22/31
  • 23. Profile- and item-level trust ● ● Benutzer die viele gute Empfehlungen aufweisen sind Vertrauenswürdiger als andere Zwei Vertrauensmatrizen – Profile-level trust – Item-level trust 23/31
  • 24. Trust-based filtering ● ● Nur Vertrauenswürdige Benutzer werden einbezogen Vertrauenswürdigkeit wird durch profile/ item-level trust ermittelt 24/31
  • 25. Empirische Auswertung ● Die bisher genannten Ansätze wurden mittels zwei Datensätzen von Epinions.com getestet ● Leave-one-out Methode ● Zufällige Gegenstände – ● Kaum Verbesserung gegenüber bisherige Verfahren Umstrittene Gegenstände – Verbesserung unter gewissen Umständen 25/31
  • 26. Vorraussetzungen für Empfehlungssysteme ● ● ● Allgemeine angenommene Vorraussetzungen Sollten von allen Vertrauensbasierten Empfehlungssysteme erfüllt werden 8 Axiome 26/31
  • 27. Axiome 1 - 3 ● Symmetrie – Vertrauensnetzwerke Symmetrisch ● ● Positive Antwort – ● Gleich viele Knoten denen man vertraut/misstraut Unentschlossener Knoten empfiehlt falls er mit positiven Knoten verbunden ist Unabhängigkeit von Irrelevanten Knoten – Knoten zu denen keine Verbindung besteht fließen nicht in Empfehlung ein 27/31
  • 28. Axiome 4 - 6 ● Einigkeit der Nachbarschaft – ● Ausbreitung von Vertrauen – ● Falls alle umliegenden Knoten empfehlen Propagation, A vertraut B, B vertraut C → A vertraut C Skaleninvarianz – Verdoppeln der ausgehenden Kanten ändert keine Empfehlungen 28/31
  • 29. Axiome 7-8 ● Mehrheit – ● Die Empfehlung eines Knotens sollte der Mehrheit der umliegenden Vertrauenswürdigen Nachbarn entsprechen Kein Gruppendenken – Die Empfehlung einer Gruppe von Knoten sollte der Mehrheit der umliegenden vertraunswürdigen Nachbarn entsprechen 29/31
  • 30. Schlussfolgerung ● ● ● Großer Nutzen für Empfehlungssysteme mit Vertrauensnetzwerk Kein kompletter Ersatz für normale Systeme Probleme – – Noch wenig erforscht – ● Relativ unbekannt Kaum Testdaten In Zukunft größere Bedeutung 30/31
  • 31. Quellen ● ● Trust and Recommendations (Patricia Victor et al., 2010) Trust-based recommendation systems: An axiomatic approach (Reid Andersen et al., 2008) 31/31