15

Data Mining (Fach) / Text Mining III (Lektion)

Diese Lektion wurde von Niiklas1997 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Recommender-Systeme - Verarbeiten Informationen, die durch User implizit oder explizit angegeben werden - Zur Modellentwicklung müssen Aufgaben wie bei anderen Data-Mining Problemstellungen erfüllt werden: -> Identifikation relevanter Daten-> Daten sammeln-> Daten vorbereiten (fehlende Werte, Ausreißer)-> Daten aufbereiten (Standardisierung)-> Filtering
• Ziele Recommender Systeme In Abhängigkeit vom Anwendungsfall empfehlen Recommender-Systeme: -> Ähnliche Produkte-> Zusammenhängende Produkte-> Substituierbare Produkte-> Überraschungen Empfehlungen basieren entweder auf dem Verhalten des Users oder auf dem Produkt
• Recommender Systeme - Filtering - Um eine Empfehlung zu generieren, werden mit Hilfe von Filtering-Techniken Daten verarbeitet - Unteschiedliche Filtering-Techniken verarbeiten unterschiedliche Arten von Daten - Abhängig vom Anwendungsfall und vom Ziel der Empfehlung kommen die unterschiedlichen Techniken zum Einsatz
• Filtering Arten - Content-Based-Filtering - Auswertung von Features des Produkts - Jeder Content hat eine Liste von Features, die es beschreiben - Für einen Film könnten bspw. folgende Features bekannt sein: Titel, Regisseur, Genre... => Im Endeffekt wird dem User Content empfohlen, der zu dem Content passt, den der User vorher konsumiert hat => Sind Daten zu einem Content quantifiziert, so kann dieser durch einen Zahlenvektor beschrieben werden => Um Texte in Merkmalsvektoren zu transformieren, können die Techniken des NLP angewendet werden
• Filtering Arten - Collaborative Filtering - Basiert auf User-Daten und der Korrelation zwischen den User-Profilen - Ansätze: -> Memory Based-> Model Based-> Hybrid (In Verbindung mit Conent-Based-Filtering)
• Collaborative Filtering - Memory Based - User Based Collaborative Filtering: -> Ein User Profil wird abgebildet und die Ähnlichkeit zwischen den User-Profilen kann berechnet werden - Item Based Collaborative Filtering -> Für ein Item wird die Ähnlichkeit zu anderen Items berechnet. Im Unterschied zum Conent-Based-Filtering kann der Bezug zum User bestehen - Bsp.: Rating eines Items durch einen User -> Ratings werden in einer U x I-Matrix dargestellt, wobei U = Anzahl der User und I = Anzahl der Items ist
• KNN-Ansatz für das Memory Based Collaborative Filtering Das Verfahren K-Nearest Neighbor (KNN) gruppiert die User so, dass das prognostizierte Rating eines Users für ein Item möglichst gut erreicht wird. r^u,i = (∑v∈Nisim(u,v)*rv,i)/(∑v∈Nisim(u,v))
• Collaborative Filtering - Model Based - User-Item Matrix ist dünn besetzt - Trainings- und Testdaten sind in der Matrix nicht getrennt -> Ratings, die nicht angegeben sind, können nicht zum Training verwendet werden - Ziel: Problemdimensionen reduzieren, somit besser für große Datenmengen geeignet (wichtig, dass keine wichtigen bzw nur wenig Informationen verloren gehen)
• Entscheidungsbäume - Model based collaborative Filtering - i.d.R. wird für jedes Item ein Entscheidungsbaum entwickelt, der bspw. mit Ratings der User (die jedoch nur spärlich vorkommen) trainiert wird - durch Dimensionsreduktion wird dieses Problem reduziert - auf Basis der reduzierten Matrix A werden Entscheidungsbäume für die einzelnen Items berechnet (die Matrix U (Anz. der User) Zeilen, aber eine reduzierte Anz. an Spalten) -> Model Based Collaborative Filtering ist ein komplexerer Ansatz als Memory Based  -> Bei einer dünn besetzten User-Item-Matrix sind Prognosen nach der Dimensionsreduktion besser möglich
• Probleme beim Model Based Collaborative Filtering - Cold Start: Falls keine Ratings für einen User zur Verfügung stehen, können keine Ähnlichkeiten berechnet werden und somit keine Empfehlungen ausgesprochen werden - Datendichte/fehlende Werte: Eine geringe Datendichte kann nicht nur durch eine Dimensionsreduktion sondern auch durch das Erheben weiterer Daten oder durch das Clustern von Usern verringert werden - Skalierbarkeit: Je mehr User und Items, desto größer die Rechenzeit -> Problemgröße reduzieren, um schnell Ergebnisse zu erzielen
• Anzeige
• Collaborative Filtering - Knowledge based und hybride Ansätze - bei bisherigen Verfahren basierten Prognosen vor allem auf Ratings der User, das ist für Musik, Filme oder Bücher möglich - bei langlebigeren Produkten, wie bspw. Autos, existieren jedoch meist keine Informationen des Users über das Produkt aus der Vergangenheit - Außerdem verfügen viele Produkte über verschiedene Features, User haben unterschiedliche Bedürfnisse und ggf gibt es weitere relevante Informationen - Hybride Ansätze verknüpfen Verfahren miteinander und führen Empfehlungen zusammen
• Constraint-Based Recommender System - User geben Bedingungen, bspw. Preis oder Lage einer Wohnung an - Constraints beziehen sich entweder auf Items (Preis) oder auf die User selbst (Präferenzen etc.) - Aus den Präferenzen und Gegebenheiten werden Regeln zum Filtern der Daten abgeleitet, die kombiniert werden müssen, um eine Empfehlung zu generieren
• Case-Based Recommender System - Präferenzen und Kritikpunkte werden berücksichtigt - Ähnlichkeiten zwischen Items werden berechnet
• Hybrid Recommender Systems - Ensemble Design: Verschiedene Methoden führen zu unterschiedlichen Empfehlungen. Empfehlungen werden Ränge zugeteilt und diese können, bspw. als gewichtete Summe, kombiniert werden - Monolithic Design: Hierbei werden verschiedene Typen von Daten und Verfahren in einem System integriert
• Vorgehensweise bei der Kombination von Empfehlungen Bei der Kombination von Verfahren, die verschiedene Ergebnisse liefern, muss eine Liste von Empfehlungen generiert werden. 1. Weighted: Es wird eine gewichtete Summe aller Ergebnisse berechnet 2. Switching: Wechsel zwischen den Verfahren 3. Cascade: Empfehlungen eines Ansatzes werden mit Hilfe anderer Verfahren verfeinert 4. Weitere Möglichkeiten können in Abhängigkeit der Problemstellung entwickelt werden

zurück  |  weiter 1 / 1