Trust in Recommender Systems
a historical overview and recent developments
Upcoming SlideShare
Loading in...5
×
 

Trust in Recommender Systems a historical overview and recent developments

on

  • 5,864 views

Lecture about trust in Recommender Systems (2 hours) given at the University of Udine in 2006

Lecture about trust in Recommender Systems (2 hours) given at the University of Udine in 2006

Statistics

Views

Total Views
5,864
Views on SlideShare
5,853
Embed Views
11

Actions

Likes
16
Downloads
354
Comments
0

4 Embeds 11

http://www.slideshare.net 8
http://fbweb-test.comoj.com 1
http://www.linkedin.com 1
https://www.linkedin.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

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

Trust in Recommender Systems
a historical overview and recent developments Trust in Recommender Systems a historical overview and recent developments Presentation Transcript

  • Trust in Recommender Systems a historical overview and recent  developments Paolo Massa Universita' di Trento e ITC/iRST http://moloko.itc.it/paoloblog/ (adapted by Hassan Masum) Slides licenced under CreativeCommons Attribution­ShareAlike (see last slide for more info) 1
  • Ask and ye shall receive... There are no stupid questions. Interrupt me and ask! 2
  • Plan of the talk ■ Info Overload ■ Info Retrieval vs Info Filtering ■ Content­based Filtering  Weaknesses ■ Collaborative Filtering (aka Recommender  Systems)  Weaknesses ■ Trust­aware Filtering  What is trust? Reputation? 3
  • Info Overload ■ 5 seconds ■ 1 ... 2 ... 3 ... 4 ... 5  4
  • Info Overload ■ 5 seconds:  Scientific information written in this 5 seconds can keep you  busy reading for 40 minutes (based on 1985 data!)  400KB of new text published on paper (24TB printed each  year, 2000, “How Much Information” project at Berkeley)  You have received an email (probably spam) ;­) ■ Is this  true? Who can tell .... Take facts with  a grain of salt. ■ quot;Technology reduces the amount of time it takes to do any one  task but also leads to the expansion of tasks that people are  expected to do.quot; ­­ Juliet Schor 5
  • Info Overload (IO) ■ IO refers to the state of having too much  information to make a decision or remain  informed about a topic. ■ The term was coined in 1970 by Alvin Toffler  in his book “Future Shock.” ■ http://en.wikipedia.org/wiki/Information_overload ■ Too much information can be worse than too little –  illusion of being informed 6
  • Info Overload Stats ■ (NO NO – I'm not reading it, it is just a practical example of information overload!) ■ The daily New York Times now contains more information that the 17th century man or woman would have encountered in a  lifetime.  (Wurman, S.A. (1987)  Information Anxiety.  New York:  Doubleday, 32.) ■ quot;As we go from grade school to high school we learn only a billionth of what there is to learn.  There is enough scientific information written every  day to fill seven complete sets of Encyclopedia Britannica; there is enough scientific information written every year to keep a person busy  reading day and night for 460 years!quot;  (Siegel, B.L. (1984, April 15).  Knowledge with commitment:  Teaching is the central task of the  university. Vital Speeches of the Day, 50, 394.) ■ quot;In the last 30 years mankind has produced more information than in the previous 5,000.quot;  (Information Overload Causes Stress. (1997,  March/April).  Reuters Magazine. Available:  Lexis Nexis Universe [4/28/98].) ■ Gordon Moore, co­founder of Intel, coined Moore's Law which states that the processing power of computer chips doubles about every 18 months. ■  quot;About 1,000 books are published internationally every day, and the total of all printed knowledge doubles every five years.  (Information Overload Causes Stress. (1997, March/April). Reuters Magazine. Available:  Lexis Nexis Universe [4/28/98].) ■  quot;The average Fortune 1000 worker already is sending and receiving approximately 178 messages and documents each day, according to a recent  study, quot;Managing Corporate Communications in the Information Age.quot;  (Boles, M. (1997)  Help! Information overload. Workforce, 76, 20.) ■ quot;Dr Dharma Singh Khalsa, in his book Brain Longevity,...says the average American sees 16,000 advertisements, logos, and labels in a day.quot;  (Gore,  A. (1998, January 18) . Stressed?  Maybe it's information overload.  Sun Herald,  27.) ■ University of California Berkely has a quot;How Much Informationquot; project which studies the amount of information produced each year.  quot;The world's  total yearly production of print, film, optical, and magnetic content would require roughly 1.5 billion gigabytes of storage.  This is the equivalent of  250 megabytes per person for each man, woman, and child on earth.quot;  Berkeley:  How Much Information?  (http://www.sims.berkeley.edu/research/projects/how­much­info/)  ■ http://library.humboldt.edu/~ccm/fingertips/ioverloadstats.html ■ http://www.sims.berkeley.edu/research/projects/how­much­info­2003/execsum.htm#summary ■ Data Smog: Surviving the Information Glut, by David Shenk 7
  • Info overload ■ BLOGS!!! ■ Am I contributing? You bet :­)  You now have to do some Information Retrieval /   Filtering 8
  • Info Retrieval vs Info Filtering ■ Info Retrieval: deals with static information  (Reuters, a database, a book): you want to find  information that is “lying there” ■ Info Filtering: deals with dynamic information  (flows such as the Web or the media): you want to  prioritize important incoming information, and  block the rest ■ Relevance and Quality of items   On a paper repository like Citeseer: no papers about “spam”  but good papers about “spam”  Which “spam” papers are worth your while? 9
  • Recommender Systems ■ Algorithms/systems that suggest to a user  items she might like. ■ Books, Songs, Restaurants, Food, ...,  Jokes, ..., anything? ■ E­commerce sites (but not only!)  For now, think of Amazon.com 10
  • Recommender Systems Techniques: ■ Content­based ■ Collaborative Filtering (CF) ■ Trust­aware [... always think of a way of “spamming” the  technique I describe. It is a safe assumption  nowadays...] 11
  • Content­Based RSs ● RSs find items similar to ones you liked in past. How?  Analyse the “syntactic content” of all the items. ● Example: If you like papers containing word “Info  Retrieval”, RS recommends to you another paper with the  word “Info Retrieval” in it. ● If you read news containing word “Darfur”, it recommends  to you other news with the word “Darfur”. ● If you like movies of Kubrik, you get one more movie of  Kubrik. ● Techniques of Info Retrieval ... .... What are the weaknesses?      STOP! 12
  • Content­Based RSs weaknesses ● Good for text: If you like papers containing word  “Info Retrieval”, RS recommends you another  paper with the word “Info Retrieval” in it.  (And  partially effective ways to find “similar” papers ­  vector space, LSI.) ● For movies or songs, humans must tag the  content (genre, actors, year, ...) but this is time­ consuming, costly, errors­prone and subjective. – Can your employees “correctly” tag all the  podcasts? All the videos? All the photos? 13
  • Content­Based RSs weaknesses Content­based RSs weaknesses summary: ● Text Items (papers, news): Doable but RSs tend  to propose always the same soup (boring).  Difficult to recognize synonyms, concepts, or  new emerging words (such as “folksonomy”). ● Movies or Songs: not parsable at the moment by  machines, so humans must tag them. ● Jokes (or subjective items such as political  ideas): What are the “right” features? Tagging  “objectively” is not possible!  14
  • Collaborative Filtering ● Users give ratings to items (implicit or  explicit) ● I like “Titanic” as 4/5 ● RS finds users similar to you (User  similarity) ● Suggests to you items liked by similar user Idea: out there, there is someone that is similar to  you and you will like what they liked. 15
  • 1 Item2 4 Item3 Item Item Ratings from 1 (min) to 5 (max) ME 2 5 ? 5 2 5 5 5 Sim(ME,User2) =  ­0,2 User2 5 1 3 Sim(ME,User3) =  ­0,4 User3 5 5   1 Sim(ME,User4) =  +0,9 User4 2 2 5 5 5 5 4 4 It does not consider the content of the items, only  the ratings given by users. It works independently of the domain (also jokes) BUT Overlapping of rated items required! 16
  • Let's collect a real example ■ We collect some ratings for “our” RS. ■ Movies: Matrix, LOTR, Hotel Rwanda,  Titanic, La vita e' bella. 17
  • CF formulas Similarity measure: Pearson Correlation  Coefficient of user a and u (in [­1,+1]) m ∑i=1  r a ,i −r a  r u , i −r u  wa , u = ∑ m i=1 r a ,i −r a  2 m 2 ∑i =1  r u , i−r u  Prediction of rating given by user a to item i  n ∑u=1  r u ,i − r u ∗wa , u  p a , i =r a   n ∑u=1 w a , u 18
  • CF pros CF is Simple and effective,  Works for every kind of item independently  of the domain (ex: Jester recommends  jokes). It allows Serendipity (fortunate discoveries):  you get recommended “Iron 3” even if you  never saw a Korean movie.  BUT ... 19
  • CF WEAKNESSES!!! ■ User Similarity often not computable – Ratings Matrix sparseness (95­99%) ­> Low or No  overlapping ■ Cold start – New users have 0 ratings (­> not comparable) – At the beginning, your RS is not Amazon! ■ Easy Attacks by Malicious Users – Copy profile and become the most similar – Even easier on the Semantic Web ■ Hard to understand and control – Black box (bad recs ­> user gives up) Solution? Trust! 20
  • Trust­awareness Trust: explicit rating of a user on another user ● about the perceived quality of the user's  characteristics ● in RSs, you “trust” someone if you like her  tastes  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ We will now speak about trust and trust metrics and then we will come back to “trust and RSs” 21
  • Trust usage for real E­marketplaces: Ebay.com, Epinions.com, Amazon.com News sites: Slashdot.org, Kuro5hin.org P2P networks: eDonkey, Gnutella, JXTA Job sites: LinkedIn, Ryze, ... Open Source Developer communities: Advogato.org (Affero.org) Hospitalityclub, couchsurfing: hosting in your house unknown people? Bookcrossing and lending stuff sites Network of personal weblogs (millions of blogrolls!) Semantic Web: FOAF (Friend­Of­A­Friend) is an RDF format that allows  you to express social relationships (~10 million files) Google (and Yahoo!): TrustRank (patented) 22
  • Trust networks ■ Aggregate all the trust statements to produce a  trust network. A node is a user. A direct edge is a trust statement 0 Mena Ben 0.2 Properties of Trust: 0.9 ­ weighted (0=distrust, 1=max trust) 0.6 ­ subjective 1 ME Doc  ­ asymmetric ­ context­dependent? Trust Metric (TM): ? ? Uses existing edges for predicting values of trust for non­existing edges.  1  Thanks to trust propagation, if you trust  Cory Mary someone, then you have some degree of  trust in anyone that person trusts. 23
  • PageRank: a trust metric? Imagine the web as a ■ Nodes are web pages, Edges  trust network are links (not weighted). Web ■ PageRank  Web page (Google)computes the  page “importance” of every single  page based on number and  Web Web page quality of incoming edges... page ■ So, YES: PageRank is a  trust metric. Web Web ■ HITS as well. page page 24
  • Spam a Trust Metric ■ Is it easy to spam a trust metric? ■ It depends: some are attack­resistant  (advogato, for example) ■ Identity is an issue ■ ... and “social cost of cheap pseudonyms” by  Eric Friedman and Paul Resnick: unknown  peers should not be trusted. 25
  • TM perspective: Local or Global 1 1 Mary Mena Bill How much can Bill be trusted? 0  On average (by the community)? ME 1  By Mary? Doc  And by ME? ■ Global Trust Metrics:   “Reputation” of user is based on number and quality of incoming edges. Bill has  just one predicted trust value (0.5).   PageRank (eBay, Slashdot, ). Work bad for controversial people (bush) ■ Local Trust Metrics  Trust is subjective ­­> consider personal views (trust “Bill”?)  AppleSeed, Golbeck TM, Advogato, ...  Local can be more effective if people are not standardized. 26
  • Local vs Global ■ Search engine: abortion, jew, scientology, ... ■ Who can define what is spam? Google? A site that opposes  Chinese Comm. Party should be removed? ■ Local vs global:  Is gwbush.com a good page? Is johnkerry.com a good page? Is  sex.com a good page? ■ Maybe these questions are meaningless?  It depends on YOUR LOCAL point of view!  republican/democrats, child/parent, federal/newglobal,  catholic/atheist, pro/against abortion, ... ■ Tyranny of the majority / Daily Me (Sunstein) 27
  • Sociology and Trust ■ Is this Sociology? ■ Yes ...  ■ You have seen many graphs, but the first to model groups  in this way was Moreno, a sociologist (1934, sociogram). ■ Social network analysis  (faculty.ucr.edu/~hanneman/nettext/) ■ Degree, betweeness, centrality, ... ■ Is this Politics? Yes ...  ■ Read “Republic.com” and “Why Societies Need Dissent” by  Cass Sunstein 28
  • Economy and Trust ■ Is this Economy? Yes... ■ Reputation is an asset, for companies (marketing) but  also for people ■ Centrality in Network is money as well. ■ Open source movement: your peers knows you and will  hire you when they need someone they trust and value.  But also researchers (who gets the next Nobel in  Physics? The most “trusted” by physicists!) ■ Read “Down and out in the Magic Kingdom” ­ SciFi,  reputation (whuffie) is the only currency 29
  • Trust and Search Engines ■ 3  generation search engines:  rd ■ personalization of results based on trust networks  (LOCAL!), based on what your friends like/dislike. ■ Google and Yahoo! are moving in this direction (I'm  speculating). [TrustRank] ■ Problem: Scalability! You cannot recompute  PageRank of every site for every user! ■ But you can do it on your laptop/mobile for  yourself, aggregating only the information “close”  to you ... 30
  • Which Trust Metric works better? ■ And under which conditions? ■ Still an open question. [you can work on it ;­) ] ■ Few papers until now evaluate trust metrics: ● Input data not easily available ● (advogato.org (8K), FOAF, epinions.com(150K), ... but  not weighted) ■ No papers compare different TMs  Leave­one­out technique ■ Is local better than global? Only for the few users who are  atypical? Computational Expensive? Attack­resistant  (googlebomb)? 31
  • Trust propagation 1 Mena Bill 0.6 0.2 ME 0.8 Doc ■ Trust chains (propagation) ■ Combining different trust chains ■ 0.6 * 1 = 0.6, and 0.8 * 0.2 = 0.16 ■ Then average? Not that simple ... ■ And how far does trust propagate? 32
  • Trust metrics open issues (There are no comparative evaluations of TMs) ■ Cycles are a problem ­­> Order peers based on distance from source user  Trust of users at level k is based only on trust of users at level k­1 (and k)  Trust propagation horizon (computation) Find all trust paths from source to target Propagate trust along trust paths Trust decay: every hop reduces trust (or certainty of trust). ● A user can't propagate more than received trust. ● Distrust (trust=0) blocks the propagation. Trust about quality vs Trust as judger  Tquality(A,C)=f(Tjudger(A,B),Tquality(B,C))  Combine different trust paths – Unpredictable Trust = minimum trust value. – There are no globally “bad” users. 1 1 – Warn about Paradoxes or inconsistencies. 1 0 33
  • How to use distrust ■ Distrust? Opinions of distrusted peers should  simply be discarded, otherwise they could  manipulate them to influence our recs ■ Example: suppose we distrust some that is  distrusted by our enemy, then our enemy could  say “I trust A” and we come to distrust A (that  could be anyone ... from pope to bush) ■ But, it is worth knowing about someone who is  trusted by many, even if distrusted by you... 34
  • RS evaluation: how? ■ Back to Recommender Systems:  How do we evaluate RSs performances?  Any ideas?... 35
  • RS evaluation: let us count the ways... ■ Many ways to evaluate Recommender Systems. ■ Leave­one­out: hide one rating and try to predict it  Accuracy: are predictions correct?  Coverage: how often are we able to predict? ■ Accuracy: differences between real value and predicted  value.  MAE, MSE, Weighted MAE, MAUE, ... ■ Ability to identify some new items user will like  (unwatched movie), or bad items (spam, products). ■ Evaluation is still problematic 36
  • Trust in Recommender Systems How do we exploit trust in RSs? Instead of computing UserSim of other users, compute  Trust in other users. Instead of items liked by similar users,  recommend items liked by “trustable” users. (or combine both methods ...) 37
  • Trust Propagation ME 6 degrees of separation “theorem” (Stanley Milgram, 1967) With few trust steps it is possible to reach every person in  the world! (but more steps needed for higher­trust actions) ­­> Ideally, using trust metrics, no more unknown users. 38
  • Trust solves RS problems ■ User Similarity often not computable ➔ trust propagation and “6 degrees” ­> we are  now able to predict trust for many users ■ Cold start ➔ “just add 1  friend” ■ Easy copy­profile Attacks ➔ “you can be similar but if no trust path to  you ...” ■ Hard to understand and control ➔ Showing Trust Networks supports  Explanation 39
  • Epinions.com Experiments ■ Some experiments to show that trust solves RSs problems... ■ Epinions.com users can  Review and rate items (from 1 to 5)  Keep web of trust (trust=1) and block list (trust=0). [Epinions  FAQ says to put in Web of Trust “Reviewers whose reviews and  ratings you have consistently found to be valuable”] ■ Dataset (collected by crawling site):  ~50K users, ~140K items, ~660K ratings.  ~500K trust statements.  ➔ No block list (not shown on site, kept hidden) 40
  • Experimental Setup Compare performances of CF (1) and trust­aware (2)  algorithm  (1) ­ use CF on ratings and compute “similarity” of other users  (2) ­ use Trust Metric and compute “trustworthiness” of other users Then we can predict ratings based on similar OR trustable users. Leave­one­out: hide one rating, predict it and compute the error (660.000 ratings!)  41
  • UserSimilarity and Trust  computability Mean number of Comparable users for  Mean number of Comparable users for  All users Cold Start users Propagating Trust Using  Propagating Trust Using  Pearson Pearson Dist 1 Dist 2 Dist 3 Dist 4 Dist 1 Dist 2 Dist 3 Dist 4 9.88 400 4386 16334 161 2.14 94.54 1675 9121 2.74 42
  • Webs of Trust Grow Quickly... Mean # Reachable Users (in k steps) for users expressing X trust  statements. In few steps, you can predict trust in every user!  Even for Cold Start  Users!!! 43
  • User Trust Metric Linear decay based on distance from ME: closer users are more trustable. Parameter: max propagation distance (mpd) – distance in social network past  which there is no trust. TrustME(B) = (mpd­distME(B)+1) / mpd        If (distME(B)>mpd) then TrustME(B) = 0 Experiments with mpd=1, 2, 3, 4 called Trust­1, Trust­2, Trust­3, Trust­4 44
  • User Trust Metric Example: max propagation distance=4 DistME(B) = 1 TME(B) = (4­1+1)/4=1 DistME(B) = 2 TME(B) = 3/4 DistME(B) = 3 ME TME(B) = 2/4 DistME(B) = 4 TME(B)= 1/4 DistME(B) > 4 TME(B) = 0 45
  • Experimental Results Rows: #Expressed Ratings ALL 2 3 4 UserSim = CollaborativeFiltering User population size 40169 3937 2917 2317 Trust­x = Trust propagation up to distance x Mean Web of Trust Size 9.88 2.54 3.15 3.64 Ratings UserSim 51% N/A 4% 8% Coverage Trust-1 28% 10% 11% 12% RatingsCoverage = how many hidden  60% 23% 26% 31% Trust-2 ratings are predictable. Trust-3 74% 39% 45% 51% Trust-4 77% 45% 53% 59% UsersCoverage = how many users get at  Users UserSim 41% N/A 6% 14% least a prediction Coverage Trust-1 45% 17% 25% 32% MAE = |real_rating­pred_rating| averaged  56% 32% 43% 53% Trust-2 over all the ratings. Trust-3 61% 46% 57% 64% Trust-4 62% 56% 59% 66% MAUE = |real_rating­pred_rating| averaged  Mean UserSim 0.843 N/A 1.244 1.027 over the ratings of one user, then averaged  Absolute Trust-1 0.837 0.929 0.903 0.840 over all users. Error Trust-2 0.829 1.050 0.940 0.927 (MAE) Trust-3 0.811 1.046 0.940 0.918 Trust-4 0.805 1.033 0.926 0.903 Columns: Views over users. ALL = all the users (with at least 1 rating) 2 = only the subset of users that gave 2  ratings (there are 3937) (similarly for 3 and 4)... 46
  • Experimental Results On average, Trust­x  #Expressed Ratings ALL 2 3 4 User population size 40169 3937 2917 2317 achieves better coverage  without loss of accuracy. Mean Web of Trust Size 9.88 2.54 3.15 3.64 Ratings UserSim 51% N/A 4% 8% Coverage Trust-1 28% 10% 11% 12% Trust-2 60% 23% 26% 31% Trust-3 74% 39% 45% 51% Trust-4 77% 45% 53% 59% Users UserSim 41% N/A 6% 14% Coverage Trust-1 45% 17% 25% 32% Trust-2 56% 32% 43% 53% Trust-3 61% 46% 57% 64% Trust-4 62% 56% 59% 66% Mean UserSim 0.843 N/A 1.244 1.027 Absolute Trust-1 0.837 0.929 0.903 0.840 Error Trust-2 0.829 1.050 0.940 0.927 (MAE) Trust-3 0.811 1.046 0.940 0.918 Trust-4 0.805 1.033 0.926 0.903 47
  • Experimental Results On average, Trust­x  #Expressed Ratings ALL 2 3 4 User population size 40169 3937 2917 2317 achieves better coverage  without loss of accuracy. Mean Web of Trust Size 9.88 2.54 3.15 3.64 Ratings UserSim 51% N/A 4% 8% Coverage Trust-1 28% 10% 11% 12% Trust-2 60% 23% 26% 31% UserSim performs well  Trust-3 Trust-4 74% 77% 39% 45% 45% 53% 51% 59% with heavy raters and  Users UserSim 41% N/A 6% 14% poorly with cold start users. Coverage Trust-1 45% 17% 25% 32% Trust-2 56% 32% 43% 53% Trust-3 61% 46% 57% 64% Trust-4 62% 56% 59% 66% Mean UserSim 0.843 N/A 1.244 1.027 Absolute Trust-1 0.837 0.929 0.903 0.840 Error Trust-2 0.829 1.050 0.940 0.927 (MAE) Trust-3 0.811 1.046 0.940 0.918 Trust-4 0.805 1.033 0.926 0.903 48
  • Experimental Results On average, Trust­x  #Expressed Ratings ALL 2 3 4 User population size 40169 3937 2917 2317 achieves better coverage  without loss of accuracy. Mean Web of Trust Size 9.88 2.54 3.15 3.64 Ratings UserSim 51% N/A 4% 8% Coverage Trust-1 28% 10% 11% 12% Trust-2 60% 23% 26% 31% UserSim performs well  Trust-3 Trust-4 74% 77% 39% 45% 45% 53% 51% 59% with heavy raters and  Users UserSim 41% N/A 6% 14% poorly with cold start users. Coverage Trust-1 45% 17% 25% 32% Trust-2 56% 32% 43% 53% Trust-3 Trust-4 61% 62% 46% 56% 57% 59% 64% 66% For cold start users (50% of  Mean UserSim 0.843 N/A 1.244 1.027 the total!), Trust­x achieves  Absolute Trust-1 0.837 0.929 0.903 0.840 Error Trust-2 0.829 1.050 0.940 0.927 also better accuracy. (MAE) Trust-3 Trust-4 0.811 0.805 1.046 1.033 0.940 0.926 0.918 0.903 For bootstrapping RSs,  asking one trust statement  is better than asking one  rating. (experiments on 660.000 ratings) 49
  • Centralized vs decentralized ■ Another problem with current RS: centralization ■ Information is Centralized in one server  Your “profile” scattered in many RS (Amazon, B&B, ...)  Profile not reusable (your profile in Amazon is NOT yours)  Recommendation computation out of your control ■ Decentralized  The Web is decentralized: anyone can write whatever she  wants, in whatever “language” she wants (spam is good)  No censorship, innovation can happen on the edges, not a  single mind but many minds... you are in control of what you  produce 50
  • Semantic Web ■ A Web of content designed for and understandable by machines.  (matrix?) ■ Promising Semantic Web formats   FOAF (Friend­Of­A­Friend): trust info        <­­­  XFN (Xhtml Friend Network): social info  VoteLink: vote­for, vote­against, vote­abstain links  Blogroll: not semantic!  hReview: review/rating info                           <­­­  RSS of OutFoxed (http://getoutfoxed.com/rss)  RVW, OpenReview, ...: review/rating info ■ Allow decentralized publishing of information that RSs  aggregate and exploit. 51
  • Note: Adoption of a Language ■ Suppose you can define the language we have to use  for communicating  Which language is better? Chinese? Italiano? The  one you invent? ■ Interesting question, but as long as “good enough”,  matters little (or not at all) for adoption of language. ■ Do you know why keys in your keyboard are placed in  that way? ­­> how standards get adopted ... ■ Who has the power to “propose” changes in the  language of the Web? 52
  • Format adoption ■ Adoption does not depend on quality of the format but  (mainly) on the authority of the proponent. ■ Google can push changes in HTML (example:  rel=nofollow) ■ Certainly Microsoft could (even without you noticing it  or telling it you) ■ I can't. ■ ...But maybe if I create a format that's immediately  useful, it will be taken up by a user community and  spread “virally” (how HTML started) 53
  • FOAF (Friend­Of­A­Friend) Every peer expresses who she knows (and trusts, with an  extension). Based on RDF (Resource Description Format) It is already used (some millions of files). Create one FOAF  file and put it in your page! Find more at  http://foaf­project.org Decentralized publishing advantages: profile not scattered in  many different sites and under user control. A  scutter/crawler can follow “links” (seeAlso) and aggregate  the complete social network. STOP!!!  Downsides to publishing your friendship network? 54
  • FOAF example <foaf:Person rdf:nodeId=quot;mequot;>       <foaf:name>Paolo Massa</foaf:name>       <foaf:mbox rdf:resource=quot;mailto:massa@itc.itquot; />         ...       <foaf:knows rdf:nodeId=quot;friend01quot; />       <trust:trust9 rdf:nodeId=quot;friend01quot; /> </foaf:Person> <foaf:Person rdf:nodeId=quot;friend001quot;>       <foaf:name>Jennifer Golbeck</foaf:name>       <rdfs:seeAlso rdf:resource=quot;http://cs.umd.edu/~golbeck/daml/golbeckFOAF.rdfquot;/> </foaf:Person> Find my FOAF file at http://sra.itc.it/people/massa/paolofoaf.rdf (and check if you are one of my friends ;­) 55
  • hReview ■ hReview is a simple, open, distributed reviews  format suitable for embedding in (X)HTML, Atom,  RSS, and arbitrary XML.  ■ In order to enable and encourage the sharing,  distribution, syndication, and aggregation of  reviews ■ Proposed by Technorati.com on a wiki page ■ http://developers.technorati.com/wiki/hReview ■ You are free to participate and give suggestions  and feedback! 56
  • hReview example <div class=quot;hreviewquot;>  <span><span class=quot;ratingquot;>5</span> out of 5 stars</span>  <h4 class=quot;summaryquot;><span class=quot;item fnquot;>Crepes on Cole</span> is awesome</h4>  <span>Reviewer: <span class=quot;reviewer fnquot;>Tantek</span> ­   <abbr class=quot;dtreviewquot; title=quot;20050418T2300­0700quot;>April 18, 2005</abbr></span>  <blockquote class=quot;descriptionquot;><p>Crepes on Cole is one of the best little creperies in  San Francisco.   Excellent food and service. Plenty of tables in a variety of sizes  for  parties large and small.  Window seating makes for excellent  people watching to/from  the N­Judah which stops right outside.    I've had many fun social gatherings here, as  well as gotten    plenty of work done thanks to neighborhood WiFi. </p></blockquote>  <p>Visit date: <span>April 2005</span></p>  <p>Food eaten: <span>Florentine crepe</span></p> </div> 57
  • Conclusions ■ Info Filtering: ■ From Content­based ... to Collaborative Filtering ... to  Trust­aware (?) ■ Trust is a simple and complicated concept ■ It is a rapidly evolving and increasingly important topic:  there is room for your contributions! ■ Forecast: In 3 years, anyone will publish her opinions  (about stuff, organizations...people, ideas?) in some  semantic format and trust­aware aggregators  (googletrust?) will help in coping with an increased  information overload. 58
  • Licence of these slides These slides are released under Creative Commons Attribution­ShareAlike 2.5 You are free:     * to copy, distribute, display, and perform the work     * to make derivative works     * to make commercial use of the work Under the following conditions: Attribution. You must attribute the work in the manner specified by the author or licensor. Share Alike. If you alter, transform, or build upon this work, you may distribute the resulting work only under a license  identical to this one.     * For any reuse or distribution, you must make clear to others the license terms of this work.     * Any of these conditions can be waived if you get permission from the copyright holder. Your fair use and other rights are in no way affected by the above. More info at http://creativecommons.org/licenses/by­sa/2.5/ 59
  • The END! THE END! Thanks for your attention. Questions? 60