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

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