Συστήματα Προτάσεων με Πιθανοτικά Μοντέλα Θεμάτων

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
΢ΦΟΛΗ ΗΛΕΚΣΡΟΛΟΓΩΝ ΜΗΦΑΝΙΚΩΝ ΚΑΙ
ΜΗΦΑΝΙΚΩΝ ΤΠΟΛΟΓΙ΢ΣΩΝ

Συςτήματα Προτάςεων
με Πιθανοτικά Μοντζλα Θεμάτων

Διδακτορική Διατριβή

Κωνςταντίνοσ Χρηςτίδησ

 Μποροϑμε να βελτιώςουμε τα ςυςτόματα προτϊςεων
χρηςιμοποιώντασ πιθανοτικϊ μοντϋλα θεμϊτων;

#2 Κωνςταντίνοσ Χρηςτίδησ Δευτέρα 11/2/2013

Υπερφόρτωςη Πληροφορίασ
(Information Overload)

 Η ανϊγκη για προτϊςεισ δεν εύναι
καινούρια
 Η καθημερινϐτητα του ανθρώπου εύναι
γεμϊτη με πιθανϋσ επιλογϋσ:
 Σα ροϑχα που θα φορϋςει
 Η ταινύα που θα δει
 Οι μετοχϋσ που θα αγορϊςει
 Οι ςελύδεσ που θα διαβϊςει ςτο
διαδύκτυο
 Ο αριθμϐσ των δυνατών επιλογών
εύναι πολϑ ςυχνϊ αποτρεπτικϊ
μεγϊλοσ – δεκϊδεσ χιλιϊδεσ
ταινύεσ, δεκϊδεσ χιλιϊδεσ
βιβλύα, εκατοντϊδεσ εκατομμϑρια
ϊρθρα
 Υπερφόρτωςη Πληροφορύασ

Κοινωνικόσ Ιςτόσ και Φαινόμενο Μακράσ Ουράσ
(Long Tail)
 Γιατύ η ανϊγκη εύναι πιο ϋντονη
τώρα;
 Ο κοινωνικϐσ ιςτϐσ ευνϐηςε την
δημιουργύα μεγϊλου ϐγκου
περιεχομϋνου απϐ τουσ χρόςτεσ
 Ο τρϐποσ που οι ϊνθρωποι Pop Star
αλληλεπιδροϑν ςε ϋνα online
κοινωνικϐ περιβϊλλον δημιουργεύ
νϋεσ προκλόςεισ αλλϊ και παρϋχει Country
νϋεσ πληροφορύεσ για τα
ςυςτόματα προτϊςεων
YouTube
 Αλλϊ και Υπερφόρτωςη
Αλληλεπιδρϊςεων Unsigned
 Υαινϐμενο τησ μακρϊσ ουρϊσ
 Οι πλϋον δημοφιλεύσ επιλογϋσ δεν
εύναι αρκετϋσ
 Μεγαλϑτερη εξατομύκευςη του
προςφερϐμενου περιεχομϋνου

Anderson, 2004



Συςτήματα που εκτιμούν τη χρηςιμότητα αντικειμένων
τα οποία ο χρήςτησ δεν έχει δει ακόμη
 ϐπου χρηςιμϐτητα εύναι η κϊλυψη τησ τρϋχουςασ ανϊγκησ του
χρόςτη
1
 Λαμβϊνουν υπϐψη τισ πληροφορύεσ που εύναι διαθϋςιμεσ
ςε εκεύνο το χρονικϐ ςημεύο
 (παρελθοϑςεσ αξιολογόςεισ χρηςτών, χαρακτηριςτικϊ των
αντικειμϋνων, αξιολογόςεισ απϐ ϊλλουσ χρόςτεσ, χαρακτηριςτικϊ
των χρηςτών, κ.α.)
2
 Πραγματοποιοϑν μια εκτύμηςη τησ χρηςιμϐτητασ των
αντικειμϋνων
3
 Παρϋχουν ςυγκεκριμϋνεσ προτϊςεισ ςτον χρόςτη
Adomavicius et al., 2005
Manning et al., 2008

Σφςτημα Προτάςεων – Γενική Μορφή

C: η κοινότητα
C των χρηςτών

u: η ςυνϊρτηςη
΢ϑςτημα Προτϊςεων ωφϋλειασ

S: το ςύνολο των

S αντικειμϋνων

Adomavicius et al. , 2005


Συςτήματα Προτάςεων - Εξζλιξη
 1990s ςυνεργατικό διόθηςη (collaborative
filtering)
 2000s εναλλακτικϋσ μϋθοδοι με ςτϐχο
βελτιωμϋνη ακρύβεια και πρϐβλεψη
 2007 Βραβεύο Netflix 1.000.000$
 2/3 ταινιών, 38% επιπλϋον click through και
35% πωλόςεισ τησ Amazon οφεύλονται ςτισ
προτϊςεισ
 2010 +
 Περιςςότερα εξατομικευμένα περιβάλλοντα
 Δεν υπάρχει γενική μορφή ςε πολλούσ ιςτότοπουσ
 Eli Pariser: Beware online "filter bubbles"
 ΢υνϋδρια:
 ACM RecSys,ICWSM: Weblog and Social
Media, WebKDD: Web Knowledge Discovery and
Data Mining,WWW: The original WWW
conference, SIGIR: Information Retrieval, ACM
KDD: Knowledge Discovery and Data
Mining, ICML: Machine Learning

Celma et al. ISMIR 2007


Ταξινόμηςη Συςτημάτων Προτάςεων
 Με βϊςη τη μεθοδολογύα
 Περιεχϐμενο Τεχνολογύα
 Προτιμόςεισ
(΢υνεργατικό
Διόθηςη, Collaborative μνήμη
Filtering)
 Τβριδικϊ
Μεθοδολογύα

 Με βϊςη την τεχνολογύα
 Μνόμη περιεχόμενο προτιμήςεισ
 Μοντϋλο

μοντέλο


Μζθοδοι με Βάςη το Περιεχόμενο
 Αναλύουμε το περιεχόμενο κϊθε
αντικειμϋνου ό τησ περιγραφόσ
κϊθε αντικειμϋνου το οπούο
ςυςχετύζεται με χρόςτεσ
 Η ςυςχϋτιςη γύνεται με βϊςη τισ
προηγούμενεσ προτιμόςεισ
τουσ ό τισ δραςτηριϐτητεσ τουσ
 Προβλϋπεται η μελλοντικό γνώμη
κϊποιου χρόςτη για ϋνα δεδομϋνο
αντικεύμενο
 Μοιϊζει με ϋνα ςϑςτημα επύλυςησ
του προβλόματοσ ταξινόμηςησ
κειμϋνου


Συνεργατική Διήθηςη (1/2)
(Collaborative Filtering)
«οι χρήςτεσ που εμφανίζουν παρόμοια ςυμπεριφορά ςτο παρελθόν θα
ςυνεχίςουν να ςυμπεριφέρονται με παρόμοιο τρόπο και ςτο μέλλον»

 ΢τη γενικό τησ μορφό η τεχνικό αυτό αναζητϊ χρόςτεσ που
μοιρϊζονται το ύδιο μοτύβο ςυμπεριφορϊσ με τον ενεργϐ χρόςτη
 Προτεύνει τα αντικεύμενα που ϋχουν όδη αξιολογόςει θετικϊ

Οι χριςτεσ ςυμφωνοφν ςτισ
1
προτιμιςεισ τουσ ςτο παρελκόν

2 Θα ςυμφωνοφν ςτισ προτιμιςεισ
τουσ και ςτο μζλλον


Συνεργατική Διήθηςη (2/2)

… …

Πρόβλεψη

… Πρόταςη

…

΢υνεργατικό Έξοδοσ: Πρϐβλεψη
Διόθηςη και Πρϐταςη
Sarvar et al. , 2007


Αξιολόγηςη Συςτημάτων Προτάςεων
 Για την αξιολϐγηςη των
ςυςτημϊτων προτϊςεων
ϋχουν προταθεύ
 Αξιολϐγηςη εκτόσ ςύνδεςησ
(offline)
 Αξιολογόςεισ απϐ χρόςτεσ
 Online αξιολϐγηςη
 ΢ϑνολα Δεδομϋνων
 Ανϊλογα με τον τομϋα
εφαρμογόσ
 Αλλϊ και
Movielens, Netflix, Epinions


Πιθανοτικά Μοντζλα Θεμάτων
Τι είναι;

 Σα μοντϋλα θεμϊτων παρϋχουν
μεθόδουσ για να οργανώςουμε, να
κατανοόςουμε και να
ςυνοψύςουμε μεγϊλεσ ςυλλογϋσ
εγγρϊφων

 Σι κϊνουμε;
1 Αποκαλϑπτουμε τισ λανθϊνουςεσ

ϋννοιεσ που υπϊρχουν ςτην ςυλλογό
2 Συνδϋουμε τα ϋγγραφα με τισ

αντύςτοιχεσ ϋννοιεσ
3 Χρηςιμοποιούμε τισ ϋννοιεσ για να

οργανώςουμε, να ςυνοψύςουμε και να
αναζητόςουμε πληροφορύα ςτα
ϋγγραφα


Πιθανοτικά Μοντζλα Θεμάτων (1/3)

 Κϊθε λϋξη του
εγγρϊφου
αντιςτοιχύζεται
ςε διαφορετικϊ
θϋματα
 Σα θϋματα αυτϊ
ερμηνεϑονται
ωσ
λανθϊνουςεσ
μεταβλητϋσ

Blei 2003



Blei 2003



 Αλλϊ δεν γνωρύζουμε τα θϋματα
 Σα μαθαύνουμε με ςτατιςτικό επαγωγό


Χαρακτηριςτικά
 Αντιμετωπύζουμε τα δεδομϋνα ςαν
παρατηρόςεισ που προϋρχονται από
μια γενετικό (generative) πιθανοτικό
διαδικαςύα με βϊςη λανθϊνουςεσ
 ΢τϐχοσ εύναι η εύρεςη του βϋλτιςτου
ςυνόλου λανθανουςών μεταβλητών
που μπορεύ να εξηγόςει τα
παρατηροϑμενα δεδομϋνα
 Μποροϑν να εφαρμοςτοϑν ςε μεγϊλεσ
ςυλλογϋσ εγγρϊφων
 Μποροϑν να εφαρμοςτοϑν ςε χρονικϊ
ό ςχετιζόμενα δεδομϋνα
 Μποροϑν να εφαρμοςτοϑν ςε
διαφορετικϊ εύδη δεδομϋνων
(γενετικϊ δεδομϋνα, εικϐνεσ, κοινωνικϊ
δύκτυα)


Λανθάνουςα Κατανομή Dirichlet
 Για κϊθε κεύμενο
 Επιλογό N ~ Poisson(ξ)
 Επιλογό θ ~ Dir(α)
 Για κϊθε μια απϐ τισ Ν λϋξεισ wn:
 Επιλογό θϋματοσ zn ~ Multinomial(θ)
 Επιλογό μιασ λϋξησ wn απϐ p(wn|zn,β), μια πολυωνυμικό
κατανομό πιθανοτότων ϐρων με δεδομϋνο το θϋμα zn


Δειγματοληψία Gibbs
 Αναπαριςτοϑμε την ςυλλογό
κειμϋνων με ϋνα ςϑνολο ϐρων wi και
δεικτών κειμϋνων di, για κϊθε λϋξη i
 Η δειγματοληψύα Gibbs
 θεωρεύ γνωςτό κϊθε λϋξη που
βρύςκεται ςτην ςυλλογό κειμϋνων
 υπολογύζει την πιθανότητα να
πϊρουμε την παρούςα λϋξη απϐ κϊθε
θϋμα, δεδομϋνων των υπόλοιπων
ςυνδϋςεων λϋξεων και θεμϊτων
WT
C wi j C dDT
ij
P( z i j | z i , wi , d i , ) W T
WT DT
C wj W C di j T
w 1 t 1


Εξζλιξη
 ~5.500 βιβλιογραφικϋσ αναφορϋσ ςτην βαςικό μελϋτη του Blei
 Ολοϋνα και περιςςϐτερεσ μελϋτεσ αναφϋρονται ςτον ϐρο «Latent Dirichlet
Allocation»
 Εφαρμογϋσ ςε τομεύσ ϐπωσ: Αριθμόσ δημοςιευμϋνων μελετών που
 Ανϊλυςη εικϐνων περιϋχουν τον όρο Latent Dirichlet
 Γενετικϊ Δεδομϋνα Allocation
 ΢υςτόματα Προτϊςεων 2500

 Μοντελοπούηςη ΢υμπεριφορϊσ
2000
 Παραλλαγϋσ
 Ετικϋτεσ 1500

 Ιεραρχύεσ 1000
 ΢υςχετύςεισ
 Φρονικό Εξϋλιξη 500

 Κοινωνικϊ Μϋςα 0
 … 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

με βάςη το Google Scholar


 Ερώτημα 1:
 Πωσ μπορεύ να ενςωματωθεύ η υπϊρχουςα γνώςη ενϐσ τομϋα εφαρμογόσ ςε ϋνα
ςϑςτημα προτϊςεων με χρόςη μοντϋλων θεμϊτων;
 Entasis
 Πωσ μποροϑν να καταγραφοϑν οι δεξιϐτητεσ των χρηςτών και να χρηςιμοποιηθοϑν
για την δημιουργύα προτϊςεων με χρόςη μοντϋλων θεμϊτων;
 Socrates
 Πωσ μπορεύ να ενςωματωθεύ η ςυμπεριφορϊ των καταναλωτών ςε ϋνα
 FillBasket
 Πωσ μπορεύ να ενςωματωθεύ το περιεχϐμενο των περιγραφών των προώϐντων
ςε ϋνα ςϑςτημα προτϊςεων με χρόςη μοντϋλων θεμϊτων;
 TradingLink


Ερευνητικά Ερωτήματα και Άξονεσ
Τομϋασ Εφαρμογόσ

Διαχεύριςη (Ηλεκτρονικό)
Γνώςησ Εμπόριο

Βελτιωμϋνη
ενςωμϊτωςη
καταναλωτικόσ
Συμπεριφορϊ Xρόςη των ςυμπεριφορϊσ ςε
Χρηςτών δεξιοτότων ϋνα ςύςτημα
Ενςωμϊτωςη των προτϊςεων
Βϊςη για την υπϊρχουςασ ςυνεργατών
Παραγωγό γνώςησ του ςε μια
Προτϊςεων τομϋα κοινότητα ωσ
Αξιοπούηςη του
εφαρμογόσ βϊςη για την
δημιουργύα περιεχομϋνου
προτϊςεων των περιγραφών
προώόντων ςε
Περιεχόμενο ηλεκτρονικϋσ
αγορϋσ


Προτεινόμενεσ Προςεγγίςεισ
Τομϋασ Εφαρμογόσ

Διαχεύριςη (Ηλεκτρονικό)
Γνώςησ Εμπόριο

Συμπεριφορϊ FillBasket
Χρηςτών
Βϊςη για την
Παραγωγό
Προτϊςεων
Entasis Socrates

TradingLink
Περιεχόμενο


 Entasis
 Socrates
 FillBasket
 TradingLink


Γνωςιακζσ Δομζσ
 Ο τρόποσ που αναπαριςτούμε τη γνώςη μπορεί να
έχει διαφορετικούσ βαθμούσ τυπικότητασ
 An ontology is a formal, explicit specification of a shared
conceptualization
 Σημαςιολογικόσ Ιςτόσ και Linked Open Data

Studer et al., 1998

Ενςωμάτωςη Υπάρχουςασ Γνϊςησ
 Υπϊρχουςα Γνώςη
 εκφρϊζεται απϐ γνωςιακϋσ δομϋσ ςτο εςωτερικϐ ενϐσ
οργανιςμοϑ (π.χ. ταξονομύεσ ό φολκςονομύεσ)
 περιλαμβϊνει δυο τϑπουσ αλληλεπιδρϊςεων
 απϐ και προσ τισ γνωςιακϋσ δομϋσ

1

Γνωςιακϋσ Προτεινϐμενα
Δομϋσ Αντικεύμενα

2


Μεθοδολογία του Entasis


A B
Similarity( A, B) cos( A , B )
A B

tagSim TD
T
tagSim


Αρχιτεκτονική του Entasis
Πόροι

Σελίδα Wiki Σελιδοδείκτησ Άρθρο Σελίδα HTML Ζγγραφο Δημοςίευςη

Εξαγωγή Θεμάτων

Θζματα
Θζμα K:
Θζμα 1: Θζμα 2: Θζμα 3:
…
”Φφςη” ”Εκπαίδευςη” ”Οικονομία”
Field, Green, Tree, Paper, Book, Teacher, Money, Loan, Bank, …
Animals, Wildlife School Coin, Finances

Ομοιότητα Λέξεων Ομοιότητα Εγγράφων Ομοιότητα Εγγράφων

Επζκταςθ Υπολογιςμόσ Εξαγωγι Λζξεων-Κλειδιών
Ερωτιματοσ Σχετικότθτασ

Αναηιτθςθ Πρόταςη Πόρων Πρόταςη Επιςημειώςεων

Επζκταςθ Εμπλουτιςμόσ και Διικθςθ Υπολογιςμόσ
Ερωτιματοσ Γνωςιακών Δομών Σχετικότθτασ
Επιςθμειώςεων
Γνωςιακζσ Δομζσ
Όροσ Όροσ Όροσ Όροσ Όροσ Όροσ Όροσ

Ζννοια Ζννοια Ζννοια


Entasis – Γραφικό Περιβάλλον

http://imu.ntua.gr/organik


Αξιολόγηςη
 Πζντε μικρομεςαίεσ all suitable resources
stro
relevant resources stro
ngly ngly
επιχειρήςεισ disa
neithe disa disa
neither disagre gree r gree gree
 Χρηςιμοποιήθηκε από 32 agree e agree
nor nor
χριςτεσ κατά τη διάρκεια μιασ disagre strongl disagr strong
e y agree ee ly
περιόδου ζξι μθνών agree

 Οι προτάςεισ γενικά ζγιναν
δεκτζσ με θετικά ςχόλια
agree
 Η αναηιτθςθ αξιολογήθηκε agree
strong strong
θετικά ly relevant tags ly
strongl
disagr agree
all suitable tags
 Σε προςωπικό επίπεδο neither y
disagre
ee
agree disagre
 αμφιβάλλουν αν θα βελτίωνε την nor e e disagr
disagre ee
PUB ορατότητά τουσ PUB e
J3 C2 strongl
 K. Christidis,εταιρικό επίπεδο Enterprise 2.0,” ΙΕΕΕ
Σε G. Mentzas, and D. Apostolou, “Supercharging Κ. Christidis and G. Mentzas, “Using Probabilistic Topic agreein Enterprise
y Models
IT Professional, vol. 13, no. 4, pp. 29–35, 2011. Social Software,” in Business Information Systems, 2010, pp. 23–34.

 ςημαντικό θετικό αντίκτυπο
PUB neithe
PUB
C6 r
J2 K. Christidis, G. Mentzas, and D. Apostolou, “A Socially Intelligent Approach for agree
K. Christidis, G. Mentzas, and D. Apostolou, “Using latent topics to enhance Enterprise Information Search and Recommendation,” In Proceedings of 18th
search and recommendation in Enterprise Social Software,” Expert Systems with nor
International ICE-Conference on Engineering, Technology and Innovation, 18 - agree
Applications, vol. 39, no. 10, pp. 9297–9307, Aug. 2012. 20 June 2012, Munich. disagr
ee
agree


 Entasis
 Socrates
 FillBasket
 TradingLink


Ανάγκη για Χρήςη Δεξιοτήτων
 Nα εξαχθούν, να υπολογιςτούν με βϊςη
κϊποιεσ μετρικϋσ και να χρηςιμοποιηθούν
οι δεξιϐτητεσ των εργαζομϋνων ανϊ
θεματικϐ τομϋα ειδύκευςησ ςε μια ομϊδα
 Π.χ. κοινότητεσ ανάπτυξησ ελεύθερου
λογιςμικού
 η αναζότηςη των κατϊλληλων
προγραμματιςτών για να επιλϑςουν
ςυγκεκριμϋνα προβλόματα εύναι
καθοριςτικόσ ςημαςύασ
 Τι γύνεται μϋχρι ςόμερα:
 Εύδοσ Πληροφορύασ
 ποιοτικϋσ ενδεύξεισ με βϊςη το κεύμενο
 ποςοτικϋσ ενδεύξεισ με βϊςη την δραςτηριϐτητα
 Μόνο μύα πηγό
 Ένα εργαλεύο (π.χ. Mailing lists, Issue Tracking
Systems)


Socrates
 Mια μεθοδολογύα και ϋνα αντύςτοιχο
ςύςτημα
 εξαγωγό πιθανοτικών μοντϋλων θεμϊτων για
τη μοντελοπούηςη τησ ικανϐτητασ ενϐσ
εργαζομϋνου να αντιμετωπύςει ϋνα πρϐβλημα
 Δυο χαρακτηριςτικϊ
 Ενςωματώνει ςτοιχεύα από πολλαπλϋσ
πηγϋσ
 πολλϊ ςυνεργατικϊ εργαλεύα ςτα οπούα
δραςτηριοποιεύται ο εργαζϐμενοσ
 Συνδυϊζει τόςο ποιοτικϊ όςο και
ποςοτικϊ χαρακτηριςτικϊ τησ
δραςτηριϐτητασ του εργαζομϋνου
 μετρικϋσ δραςτηριϐτητασ και το κεύμενο που
παρϊγει


Η Προςζγγιςη του Socrates


Υπολογιςμόσ Προτάςεων ςτο Socrates



Socrates - Γραφικό Περιβάλλον


 1.389 προβλόματα ςε δϑο
κοινϐτητεσ – μια μεγϊλη και
μια μικρότερη
 Διαφορϊ απόδοςησ μεταξϑ
των μετρικών που βαςύζονται
ςτο κεύμενο και ςτη
δραςτηριϐτητα ανϊλογα με την
κοινϐτητα που αναφερϐμαςτε
 Η απϐδοςη τησ προτεινϐμενησ
προςϋγγιςησ εύναι παρόμοια
με εκεύνη τησ καλύτερησ
προςϋγγιςησ ανϊ περύπτωςη
 Αλλϊ προςφϋρει και μια
εποπτικό εικόνα των
δεξιοτότων των χρηςτών

PUB PUB
C3 JX
Κ. Christidis, F. Paraskevopoulos, D. Panagiotou and G. Mentzas. “Combining Κ. Christidis, F. Paraskevopoulos and G. Mentzas. “SOCRATES: A Topic-based
Activity Metrics and Contribution Topics for Software Recommendations”. In Competency Score for Software Recommendations”. Submitted to IEEE
Proceedings of the 3rd International Workshop on Recommendation Systems Software, 15th of December 2012
for Software Engineering (RSSE '12). ACM, Zurich, Switzerland


 Entasis
 Socrates
 FillBasket
 TradingLink


Βελτιωμζνη Ενςωμάτωςη τησ Καταναλωτικήσ
Συμπεριφοράσ
 Ωσ τώρα ϋχουν προταθεύ διϊφορα
ςυςτόματα προτϊςεων για την ανϊλυςη
καλαθιοϑ αγορϊσ
 Εξαγωγό Κανόνων Συςχϋτιςησ
 Συνεργατικό Διόθηςη
 Όμωσ
 Οι τεχνικϋσ που ϋχουν προταθεύ ςτη
βιβλιογραφύα προςφϋρουν μόνο
περιοριςμϋνη εικόνα των προτιμόςεων
των καταναλωτών
 Η ποιότητα των προτϊςεων που
παρϊγονται αλλϊ και η ταχύτητα με την
οπούα παρϊγονται μπορεύ να επηρεαςτοϑν
αρνητικϊ απϐ τον τϑπο του ςυνϐλου
δεδομϋνων

FillBasket
 Εξαγωγό και μοντελοπούηςη των
προτιμόςεων των χρηςτών ςτο
εμπϐριο με βϊςη τα λανθϊνοντα
θϋματα
 Φρόςη πιθανοτικών μοντϋλων ςε
ςτοιχειοςϑνολα ςυναλλαγών ςτα
οπούα θεωροϑμε
 το καλϊθι αγορών των
καταναλωτών
 προηγούμενο ιςτορικό των
πελατών
 Μποροϑν να παρϋχουν μια
εποπτικό εικόνα τησ
ςυμπεριφορϊσ των καταναλωτών
αλλϊ μποροϑν επύςησ να
υποςτηρύξουν ϋνα ςύςτημα
προτϊςεων προώϐντων


FillBasket – Αντιςτοίχιςη Μεταξφ
Συλλογήσ Κειμζνων και Καλαθιϊν Αγορϊν
Ανϊλυςη Καλαθιού Αγορών
Ανϊλυςη Συλλογών Κειμϋνων

Πύνακασ
΢υλλογό ΢υναλλαγών
Εγγρϊφων

Φρόςτησ
(Ιςτορικϐ)
Έγγραφο

Καλϊθι Αγορών

Λϋξη Προώϐν


FillBasket – Προτεινόμενεσ Προςεγγίςεισ
Πίνακασ Συναλλαγών Μοντζλο Θεμάτων Αρικμόσ Προςζγγιςθσ

Στατιςτική
1
Επαγωγή

Λανθάνοντα Καλάθια
Ενίςχυςη
3
Συνεμφάνιςησ

Ευρετήριο 2

5

Λανθάνοντεσ Χρήςτεσ
Ευρετήριο 4


 ΢υναλλαγϋσ ενϐσ ϋτουσ
ςε ελληνικό
υπεραγορϊ
 ~1.000.000 ςυναλλαγϋσ Μοντϋλα
 ~ 20.000 εγγεγραμμϋνοι Θεμϊτων
καταναλωτϋσ
 ΢υμπερϊςματα 1
 Σα μοντϋλα θεμϊτων 2
ξεπερνούν ςε 3
αποτελεςματικότητα 4
την εξαγωγό κανϐνων Κανϐνεσ 5
ςυςχϋτιςησ ΢υςχϋτιςησ ARM
 Η ςτατιςτικό επαγωγό
εύναι καλϑτερη απϐ την
χρόςη ευρετηρύων
 ΢χεδϐν ιςοδϑναμη η PUB
χρόςη λανθανϐντων C5
καλαθιών και χρηςτών K. Christidis, D. Apostolou, and G. Mentzas, “Exploring Customer Preferences
with Probabilistic Topics Models.” In Proceedings of Preference Learning
workshop, European Conference of Machine Learning 2010, Barcelona, Spain


 Entasis
 Socrates
 FillBasket
 TradingLink


Ανάγκη για Αξιοποίηςη Περιεχομζνου

 Πρϐβλημα τησ εξαγωγόσ
τησ λανθϊνουςασ
ςημαςιολογύασ απϐ την
βϊςη δεδομϋνων μιασ
ηλεκτρονικόσ αγορϊσ για
την υποςτόριξη ενϐσ
ςυςτόματοσ προτϊςεων
 Οι υπϊρχουςεσ
υλοποιόςεισ
αποτυγχϊνουν να
εκμεταλλευτοϑν το μη
δομημϋνο περιεχόμενο


TradingLink
 Εκμετϊλλευςη του μη δομημϋνου
κειμϋνου που βρύςκεται ςε ηλεκτρονικϋσ
αγορϋσ δημοπραςιών για την παραγωγό
προτϊςεων που απευθϑνονται ςε
καταναλωτϋσ και πωλητϋσ
 Πρώτον, την πρόταςη ςχετικών
προώόντων με αυτϐ που βλϋπει ο πιθανϐσ
αγοραςτόσ
 Δεϑτερον, την πρόταςη ςυναφών
αντικειμϋνων αλλϊ και ςημαντικών
όρων που αφοροϑν το προώϐν που θϋλει να
πουλόςει ϋνασ πωλητόσ
 Η δημιουργύα αυτών των προτϊςεων
γύνεται με βϊςη τα πιθανοτικϊ
μοντϋλα θεμϊτων που ϋχουν εξαχθεύ
απϐ το περιεχϐμενο τησ ηλεκτρονικόσ
αγορϊσ


TradingLink –Αρχιτεκτονική Συςτήματοσ
Ηλεκτρονικό Αγορϊ Σύςτημα Προτϊςεων με βϊςη θϋματα

Θεματικό Μοντϋλο
Προτϊςεισ Όρων
Ομοιϐτητα Θεμϊτων
Αντικειμϋνων -
Όρων
Πωλητόσ Θεματικϋσ
Κατανομϋσ
Αντικειμϋνων
Θεματικό
Προτϊςεισ Ομοιϐτητα
Αντικειμϋνων μεταξϑ
Αγοραςτόσ Κατανομϋσ Λϋξεων
ανϊ Θϋμα

Ομοιϐτητα tf*idf
Μεταξϑ
Περιγραφϋσ


TradingLink – Γραφικό Περιβάλλον



 Απϐ το ςϑνολο δεδομϋνων 100%
του Ebid 90%
 65,205 αντικεύμενα μεταξϑ 80%
20 και 25 ΜαϏου 2012.
70%
 Απϐ χρόςτεσ ςε 15 ςενϊρια 60%
Strongly Agree
Agree
 32 ςυμμετϋχοντεσ 50%
Neither Agree nor Disagree
 Ιοϑνιοσ του 2012 40%
Disagree
 2 εβδομϊδεσ 30%
Strongly Disagree
 Οι προτϊςεισ αντικειμϋνων 20%
και ϐρων αντιμετωπύζονται 10%
ωσ χρόςιμεσ και πολύ 0%
χρόςιμεσ με χαμηλϋσ τιμϋσ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
τυπικόσ απϐκλιςησ

PUB PUB
J1 C1
K. Christidis and G. Mentzas. “A Topic-based Recommender System for
K. Christidis and G.Mentzas, “A Topic-based Recommender System for Electronic Electronic Marketplace Platforms”, In Proceedings of the 24st IEEE
Marketplace Platforms”, Expert Systems with Applications, in print, 2013 International Conference on Tools with Artificial Intelligence (ICTAI
’12), IEEE, Athens, Greece


 Entasis
 Socrates
 FillBasket
 TradingLink


Συνειςφορά τησ Διατριβήσ
Προτεινόμενη
Προςϋγγιςη Μειωμϋνεσ διαςτϊςεισ
και μεγαλϑτερη
ταχϑτητα

Βελτιωμϋνη Aποτύπωςη
ενςωμϊτωςη και χρόςη των
Πρόταςη
και χρόςη τησ δεξιοτότων Bελτιωμϋνη Ικανοποιητικό
όρων για την
υπϊρχουςασ των πρόταςη ακρύβεια και ανϊκληςη
περιγραφό
γνώςησ ςε εργαζομϋνων προιόντων
προώϐντων για
ςυςτόματα για την για αγορϊ
πώληςη
προτϊςεων πραγματοπούη
ςη προτϊςεων

Ερμηνεύςιμη
πληροφορύα ςτον
ιδιοκτότη/ διαχειριςτό
του ςυςτόματοσ


Επεκτάςεισ
 Εκτενϋςτερη αξιολϐγηςη ςυςτημϊτων
 ΢ε μεγαλύτερη κλύμακα και με διαφορετικϋσ
 δημογραφικϊ των χρηςτών (ηλικύα, χώρα
καταγωγόσ, πολιτιςμικϊ χαρακτηριςτικϊ, κ.α.) και διαδικαςύα
παραγωγόσ προτϊςεων (χρϐνοσ, τϐποσ, διϊθεςη, κ.α.)
 Έλεγχοσ A/B (A/B test)
 οι χρόςτεσ δεν γνωρύζουν ϐτι αξιολογοϑν κϊποιο ςϑςτημα
αλλϊ η προτύμηςη τουσ αξιολογεύται με βϊςη μετρικϋσ
δραςτηριϐτητασ
 Ιςχυρότερη ςύνδεςη του ςυςτόματοσ προτϊςεων με
τισ γνωςιακϋσ δομϋσ
 Επϋκταςη τησ ςϑνδεςησ που ϋγινε ςτο Entasis
 Καλϑτεροσ ςυνδυαςμϐσ των γνωςιακών δομών και τησ
ρητόσ γνώςησ με τα λανθϊνοντα θϋματα


Κατευθφνςεισ για Μελλοντική Ζρευνα
 Ενςωμϊτωςη γνώςεων διαφορετικοϑ τϑπου, ϐπωσ
πλαιςύου (context) και κοινωνικών δικτύων για την
βελτύωςη των προτϊςεων
 Ενςωμϊτωςη ποικιλύασ (diversity) και εύνοιασ
τυχαύων ανακαλύψεων (serendipity) ςτην
προτεινϐμενη προςϋγγιςη
 Σα ςτοιχεύα αυτϊ αποτελοϑν ςτϐχουσ τησ ερευνητικόσ
κοινϐτητασ των ςυςτημϊτων προτϊςεων
 Φρόςη των ςυςτημϊτων προτϊςεων για την
υποςτόριξη αλλαγών ςτον τρόπο ζωόσ των
ανθρώπων
 Σώρα οι ϊνθρωποι παύρνουν αποφϊςεισ χωρύσ να
λαμβϊνουν υπϐψη τα αρνητικϊ μακροπρϐθεςμα
αποτελϋςματα ςτο περιβϊλλον και ςτην ανθρώπινη
υγεύα


Σχετικζσ Δημοςιεφςεισ (1/2)
 4 δημοςιεύςεισ ςε περιοδικά
 [J1] K. Christidis and G.Mentzas, “A Topic-based Recommender System for
Electronic Marketplace Platforms”, Expert Systems with Applications, in
print, 2013, Impact Factor 1.924
 [J2] K. Christidis, G. Mentzas, and D. Apostolou, “Using latent topics to
enhance search and recommendation in Enterprise Social Software,” Expert
Systems with Applications, vol. 39, no. 10, pp. 9297–9307, Aug.
2012, Impact Factor 1.924
 [J3] K. Christidis, G. Mentzas, and D. Apostolou, “Supercharging Enterprise
2.0,” ΙΕΕΕ IT Professional, vol. 13, no. 4, pp. 29–35, 2011.
 [J4] K. Christidis, N. Papailiou, D. Apostolou, and G. Mentzas, “Semantic
Interfaces for Personal and Social Knowledge Work,” International Journal
of Knowledge-Based Organizations, vol. 1, no. 1, pp. 61–77, 2011.
 8 ςε ςυνέδρια
 [C1] K. Christidis and G. Mentzas. “A Topic-based Recommender System for
Electronic Marketplace Platforms”, In Proceedings of the 24st IEEE
International Conference on Tools with Artificial Intelligence (ICTAI
’12), IEEE, Athens, Greece
 [C2] K. Christidis, G. Mentzas, and D. Apostolou, “A Socially Intelligent
Approach for Enterprise Information Search and Recommendation,” In
Proceedings of 18th International ICE-Conference on
Engineering, Technology and Innovation, 18 - 20 June 2012, Munich


Σχετικζσ Δημοςιεφςεισ (2/2)
 [C3] Κ. Christidis, F. Paraskevopoulos, D. Panagiotou and G. Mentzas. “Combining
Activity Metrics and Contribution Topics for Software Recommendations”. In
Proceedings of the 3rd International Workshop on Recommendation Systems for
Software Engineering (RSSE '12). ACM, Zurich, Switzerland
 [C4] E. Bothos, K. Christidis, D. Apostolou, and G. Mentzas, “Information market
based recommender systems fusion,” in Proceedings of the 2nd International
Workshop on Information Heterogeneity and Fusion in Recommender
Systems, New York, NY, USA, 2011, pp. 1–8.
 [C5] K. Christidis, D. Apostolou, and G. Mentzas, “Exploring Customer Preferences
with Probabilistic Topics Models.” In Proceedings of Preference Learning
workshop, European Conference of Machine Learning 2010, Barcelona, Spain
 [C6] K. Christidis and G. Mentzas, “Using Probabilistic Topic Models in Enterprise
Social Software,” in Business Information Systems, 2010, pp. 23–34.
 [C7] K. Christidis, N. Papailiou, G. Mentzas, and D. Apostolou, “Exploring Gadget-
Based Interfaces for the Social Semantic Desktop,” in 2009 13th Panhellenic
Conference on Informatics, 2009, pp. 215–219.
 [C8] N. Papailiou, K. Christidis, D. Apostolou, G. Mentzas, R.
Gudjonsdottir, ”Personal and Group Knowledge Management with the Social
Semantic Desktop”, in O. Cunnigham and M. Cunnigham (eds) Collaboration and
the Knowledge Economy: issues, Applications and Case Studies, pp. 1475-
1482, eChallenges e-2008 Conference, 22 - 24 October 2008, Stockholm, Sweden


Διακρίςεισ / Βραβεφςεισ

 Best Paper Award ςτο18th
International ICE-Conference on
Engineering, Technology and
Innovation

 4ο Βραβεύο ςτον 2ο Διαγωνιςμϐ i-
bank Καινοτομύασ και Σεχνολογύασ
τησ Εθνικόσ Σρϊπεζασ

 Βρϊβευςη (20 καλύτερεσ
προτϊςεισ) ςτον 1ο Διαγωνιςμϐ i-
bank Καινοτομύασ και Σεχνολογύασ
τησ Εθνικόσ Σρϊπεζασ


ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
΢ΦΟΛΗ ΗΛΕΚΣΡΟΛΟΓΩΝ ΜΗΦΑΝΙΚΩΝ ΚΑΙ
ΜΗΦΑΝΙΚΩΝ ΤΠΟΛΟΓΙ΢ΣΩΝ


Διδακτορική Διατριβή
Ευχαριςτώ πολϑ για την προςοχό ςασ!
Κωνςταντίνοσ Χρηςτίδησ
Ερωτόςεισ;

Συστήματα Προτάσεων με Πιθανοτικά Μοντέλα Θεμάτων

Recommended

Recommended

More Related Content

Similar to Συστήματα Προτάσεων με Πιθανοτικά Μοντέλα Θεμάτων

Similar to Συστήματα Προτάσεων με Πιθανοτικά Μοντέλα Θεμάτων (20)

Recently uploaded

Recently uploaded (9)

Συστήματα Προτάσεων με Πιθανοτικά Μοντέλα Θεμάτων