Eksploracja danych
w internetowych
systemach
rekomenduj cych
Przemys
ł
aw KAZIENKO
Instytut Informatyki Stosowanej
Politechnika Wroc
ł
awska
kazienko@pwr.wroc.pl
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
2
Dlaczego internetowe systemy
rekomendacyjne?
Kanały internetowe (serwisy, witryny) dla wielu firm s
głównym a dla bardzo wielu
wa nym obszarem
działalno ci
Systemy internetowe a w szczególno ci sklepy powinny
by coraz bardziej adaptowane do potrzeb konkretnego
u ytkownika -
personalizacja
jak najlepsza prezentacja oferty handlowej
atrakcyjno
i zadowolenie klienta
dynamizm zawarto ci (zabezpieczenie przed
znu eniem)
Jedno z rozwi za :
systemy rekomenduj ce
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
3
Przykład rekomendacji
Osoby które kupowały
"
XML na powa nie
"
cz sto kupowały te :
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
4
Reklama jako rekomendacja
Advertiser’s web site
Publisher’s page
Baner
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
5
rodowisko
U ytkownik
serwisu internetowego
Obiekt
rekomendowany (strona, produkt)
Poł czenie u ytkownik - obiekt
oceny (ratings)
zachowania (sesje, cie ki nawigacyjne)
u ytkowników
koszyki (dodane do koszyka)
zamówienia
zakupy
Poł czenie strona internetowa - obiekt
(je eli nie jest
on stron ), np. pomi dzy stron a produktem w sklepie
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
6
Oceny
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
7
Oceny
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
8
Poł cznie strona - obiekt (produkt)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
9
Rekomendowane obiekty
Systemy rekomenduj ce proponuj u ytkownikowi:
inne elementy serwisu (strony, działy),
rekomendacja odsyłaczy hipertekstowych, (next
step recommendation, hyperlink recommendation)
produkty w sklepach internetowych
reklamy (Google AdSense, AdROSA)
inne obiekty charakterystyczne dla systemu, np.
kursy nauczania, artykuły prasowe, itd.
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
10
Podpowiadanie odsyłaczy
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
11
Sposób rekomendacji 1/2
1. Zwykłe wyszukiwanie
(raw retrieval), bez
rekomendacji
2. R czna selekcja
(manually selected) dokonana przez
jakie osoby (ekspert, zapaleniec), „ulubione linki”,
„zobacz tak e” „inne zwi zane”
3. Globalne podsumowania statystyczne
(statistical
summaries) np. opinii lub zakupów, „the best buy”, „the
best rated”
4. Korelacja atrybutów
u ytkownik-obiekt (attribute-
based) preferencje u ytkownika pasuj ce do obiektów,
np. interesuj mnie: „słowniki” w j zyku „angielskim”
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
12
Sposób rekomendacji 2/2
4. Korelacja obiektów
(item-to-item correlation) -
podobie stwo mi dzy obiektami, np. razem kupowane,
razem ogl dane, podobnie oceniane, strony podobne
tre ciowo
web content mining
web usage mining
web structure mining
association rules
5. Korelacja u ytkowników
(user-to-user correlation)
czyli filtrowanie kolaboratywne (collaborative filtering)
najbli szy s siad (nearest neighbour)
najbli sze s siedztwo (nearest neighbourhood)
potrzebny ł cznik pomi dzy u ytkownikami
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
13
Problemy systemów
kolaboratywnych
Nowe obiekty
(strony, produkty) - nie maj poł czenia
z innymi u ytkownikami (s siadami)
Nowi u ytkownicy
- nie maj poł czenia z obiektami.
Cold start problem
Rzadko
danych
- du o obiektów i du o
u ytkowników
Zmienno
obiektów i zainteresowa u ytkowników
Pozyskiwanie poł cze
r czne, niech
do oceniania
automatyczne, np. sesje HTTP
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
14
Stopie personalizacji
Niespersonalizowana
, ka dy to samo na ka dej stronie
Ulotna
(ephemeral), zale na od miejsca, tj. inna na
ka dej stronie, ale wspólna dla wszystkich
korelacja obiektów
Bezustanna, ci gła
(persistent) na danej stronie inna
dla ka dego u ytkownika a nawet inna dla ka dego
u ytkownika na ka dej stronie
korelacja atrybutów
korelacja obiektów poł czona z ci głym
monitorowaniem preferencji u ytkownika (korelacja
atrybutów i obiektów razem)
korelacja u ytkowników
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
15
Ta sama
strona, inna
osoba
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
16
Ta sama
osoba,
inna
strona
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
17
Ta sama osoba i strona, inny czas
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
18
Inne elementy rekomendacji
Zmienno
rekomendacji w czasie
, ka dy to samo na
ka dej stronie
inna rekomendacja przy kolejnym wej ciu na dan
stron w czasie tej samej sesji
inna rekomendacja w ró nych sesjach u ytkownika
Identyfikacja u ytkowników
Zmienno
obiektów
(stron, produktów)
Starzenie si danych, np. wnioskowanie ze starych
zakupów
Integracja z innymi ródłami danych (wyszukiwarki,
katalogi), np. bazy danych o produktach z tre ci
tekstow stron
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
19
!
Integracja bazy danych o
produktach z tre ci stron
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
20
Eksploracja danych
Analiza zwi zków
, powi za
reguły zwi zków
wzorce sekwencji
podobne sekwencje czasowe
Grupowanie
, segmentacja
hierarchiczne - płaskie
rozdzielne - zachodz ce grupy
Klasyfikacja
, predykcja
drzewa decyzyjne
regresja liniowa i nieliniowa
sieci neuronowe
sieci Bayesa
wnioskowanie pami ciowe (najbli szy s siad/kilku
s siadów)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
21
d
1
→
→
→
→
d
2
[
support
,
confidence
]
!
"#
d
1
→
→
→
→
d
2
[
12%
,
70%
]
Reguły zwi zków dla WWW
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
22
Zwykle potwierdzaj tylko istniej ce odsyłacze
Mo e istnie mało reguł
Efekt: czasami słabe rekomendacje (krótkie listy
rekomendacji)
Bezpo rednie reguły zwi zków
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
23
Minimalne poparcie
100
1 000
10 000
100 000
1 000 000
0.0% 0.2% 0.4% 0.6% 0.8% 1.0%
Min. support
N
um
be
r
of
d
ir
ec
t r
ul
es
min. con=0.1%
min. con=2%
Dane z polskiego sklepu internetowego handluj cego komputerami
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
24
Reguły bezpo rednie i po rednie
"
"
#
"
"
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
25
Cz stkowe regu
ł
y po rednie
(partial indirect association rule)
d
1
→
→
→
→
P#
d
2
,
d
3
[
icon
,
minsup
,
mincon
]
d
1
→
→
→
→
d
3
[
sup
,
con
] and
d
3
→
→
→
→
d
2
[
sup
,
con
]
$ !
%
& '
!
(
)
*
& '
*
)#
)!
%
'
'
'
'
&
"
d
1
→
→
→
→
d
3
[
15%
,
55%
] and
d
3
→
→
→
→
d
2
[
9%
,
70%
]
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
26
Cz stkowe reguły po rednie
Cz stkowe reguły po rednie ł cz dwie składowe:
dwie reguły bezpo rednie
cz stkowa reguła po rednia jest z ka dej strony do
strony produktowej
poprzez dowoln inn
Obie bezpo rednie reguły składowe mog by
uzale nione od czasu i obie przekraczaj min.con.
i min.sup.
stare sesje maj mniejszy wpływ
con°(d
i
→
→
→
→°
d
P
j
,d
k
) = con
t
(d
i
→
→
→
→d
k
) * con
t
(d
k
→
→
→
→
d
P
j
)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
27
Liczba cz stkowych reguł
po rednich
100 000
1 000 000
10 000 000
100 000 000
0.00
%
0.03
%
0.06
%
0.09
%
0.12
%
Min. support
N
o.
o
f p
ar
tia
l i
n
di
re
ct
ru
le
s
con=0.1%
con=0.5%
con=1%
con=2%
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
28
Liczba stron przechodnich
con=1%
547
400
250
252
8
38 20
11
0
200
400
600
0.00% 0.03% 0.06% 0.09% 0.12%
Min. support
N
o.
o
f t
ra
ns
iti
ve
pa
ge
s
ca
rd
(T
ij)
Max Tij
Average Tij
T
ij
- zbiór stron przechodnich z d
i
to d
P
j
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
29
Kompletne reguły po rednie
(complete indirect association rules)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
30
Bezpo renie i po rednie
d
1
,
d
6
9
d
2
,
d
4
6
d
1
,
d
2
,
d
4
3
d
2
,
d
4
,
d
5
,
d
6
8
d
2
,
d
4
,
d
5
,
d
6
5
d
1
,
d
4
2
d
1
,
d
3
10
d
4
,
d
5
,
d
6
7
d
1
,
d
3
4
d
1
,
d
2
,
d
4
1
Pages
Id
Pages
Id
Pages
Id
Pages
Id
Direct confidences
Indirect confidences
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
31
Kompletne reguły po rednie
Ł cz wszystkie reguły cz stkowe pomi dzy par
stron
Konieczna jest normalizacja pewno ci
(confidence) dla zapewnienia przedziału [0;1]
Próg dla pewno ci do odfiltrowania zbyt „słabych”
reguł
iconmin
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
32
Kompletne reguły po rednie
0%
20%
40%
60%
80%
0%
20
%
40
%
60
%
80
%
10
0
P
er
ce
nt
ag
e
of
a
ll
po
ss
ib
le
ru
le
s
conmin
0%
20%
40%
60%
80%
0.
00
%
0.
04
%
0.
08
%
0.
12
%
0.
16
%
0.
20
%
P
er
ce
nt
ag
e
of
a
ll
po
ss
ib
le
ru
le
s
supmin
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
33
Normalizacja kompletnej pewno ci
Global:
u=max(card(Tij))
;
T
ij
- zbiór stron przechodnich z
d
i
do
d
j
Global:
u=card (D)
;
D
- zbiór wszystkich stron
Global:
u=100,000
Local:
u=card(Tij)
- rednia arytm z reguł
cz stkowych
con
#
(d
i
#
d
j
)=
(
)
( )
u
d
d
d
con
ij
T
card
k
k
j
P
i
P
=
→
1
#
#
,
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
34
Próg
P
er
ce
nt
ag
e
of
al
lp
os
si
bl
e
co
m
pl
et
e
in
di
re
ct
ru
le
s
iconmin
0.10%
1.00%
10.00%
100.00%
0.
0%
0.
5%
1.
0%
1.
5%
2.
0%
2.
5%
3.
0%
3.
5%
4.
0%
4.
5%
without thresholds
with thresholds
(supmin=0.008%,
conmin=2%)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
35
Reguły po rednie w rekomendacji
!
"
# #
$ "
# #
$%
&
'
(
)
*
'
+
,
*
'
+
-
*
'
+
.
/
!
"
#
$
%
&
$
%
'
0
*
( )
*
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
36
Reguły zło one
Reguły zło one ł cz bezpo rednie i po rednie
Rozszerzaj listy rankingowe (w stosunku do list
bazuj cych wył cznie na regułach bezpo redn.)
2
526
(12%)
2
267
2
60
0.10
2
818
(19%)
1
372
0
71
0.05
2
(0.05%)
775
(18%)
2
386
2
94
0.02
9
(0.2%)
502
(12%)
3
257
2
69
0.01
complex
direct
complex
direct
complex
direct
No. of pages with
1 to 5
rules
No. of pages
with
1 to 3
rules
No. of pages
with only
1
rule
Min
sup
[%]
con
*
(d
i
→
*
d
P
j
) = ·con(d
i
→d
P
j
) +
(1- )
con
#
(d
i
→
#
d
P
j
)
- parameter of direct rules importance
To
ta
l 4
,2
42
p
ag
es
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
37
Rozszerzenia rankingów
0%
20%
40%
60%
80%
100%
0.00% 0.04% 0.08% 0.12% 0.16% 0.20%
Min. support
P
er
ce
nt
ag
e
of
a
ll
pa
ge
s
With no rules
Less than 2 rules
Less than 3 rules
Less than 4 rules
Less than 6 rules
12
3
3
)
/
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
38
Liczba reguł
con=1%
10 000
100 000
1 000 000
10 000 000
0.00% 0.03% 0.06% 0.09% 0.12%
Min. support
N
o.
o
f r
ul
es
Direct
Indirect
Complex
ca. 20 times
more
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
39
Wzmocnienia lub osłabienia reguł
bezpo rednich przez po rednie
pe
rc
en
ta
ge
of
ru
le
s
0%
15%
30%
45%
60%
75%
90%
0.
0%
0.
2%
0.
4%
0.
6%
0.
8%
1.
0%
1.
2%
1.
4%
1.
6%
1.
8%
2.
0%
2.
2%
2.
4%
2.
6%
no changes
strenghtened
weakened
`
iconmin
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
40
Rankingi bezpo rednie kontra
zło one - współczynnik Kendala
www.pwr.wroc.pl
, conmin=1%,
supmin=0.1%, indirconmin=0.01%, alfa=0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1
2
3
5
10
Li
cz
ba
p
oz
yc
ji
Współczynnik podobie
4
stwa
mediana
odchylenie standardowe
rednia
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
41
Wzorce sekwencji - popularne
cie ki nawigacyjne
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
42
cie ki nawigacyjne
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
43
Strony poprzedzaj ce rezygnacj
z serwisu w danym miejscu
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
44
Grupowanie
Słu y do zmniejszenia liczby obiektów do porównania
i dotyczy np.
sesji u ytkowników - grupy sesji to „wzorce
u ytkowania” (web usage mining)
tre ci tekstowej stron - grupy stron podobnych
tematycznie (web content mining)
Maj c np. 20 grup szybko (online) mo na odnale
grup najbli sz u ytkownikowi - nearest
neighbourhood
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
45
Koncepcja podpowiadania
odsyłaczy
Web usage mining
Web content mining
Integracja
ONLINE
OFFLINE
Utworzenie
wektorów terminów,
Grupowanie
Najbli sza tematyka
Najbli sza grupa sesji
Integracja wektorów
Ranking stron
Utworzenie
wektorów sesji.
Grupowanie
wektor centroidu
Przegl darka
Serwer WWW.
Wektor aktual.sesji
wektor centroidu
wektor sesji
Podpowiedzi (URL-e)
Odp. HTTP
danie HTTP
Wydzielenie terminów ze
stron serwisu
Przestrzenie tematyczne
- centroidy tematów
Identyfikacja sesji
(logi)
Wzorce u ycia - grupy,
centroidy grup sesji
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
46
Web (ad) content mining
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
47
Web content clusters
- conceptual spaces
) + ,
-
,
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
48
Conceptual spaces - vectors
(
5
6
(
5
6
" % &
...
/0
0
0
/0 ...0
/0 /0
0
/0 ...0
/. 0 /0 /0
/0 ...0 /
0
0
0 /.10..0
/0 /0 /0
0 ...0
0 /0 /0 /.20..0
0 /0 /. 0 /.30..0
'
&
0
0
...
/0 /.40 0 ...0 /
/0 /. 0 0 ...0 /
/0 /. 0 /0 ...0
/0 /0 /0 ...0 /
/0 /0 /. 0 /0 ...0 /
0
0
0 /.10..0
0
0 /. 0..0
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
49
Conceptual spaces - centroids
(
5
6
(
5
6
"
#
...
/0
0
0
/0 ...0
/0 /0
0
/0 ...0
/. 0 /0 /0
/0 ...0 /
0
0
0 /.10..0
/0 /0 /0
0 ...0
0 /0 /0 /.20..0
0 /0 /. 0 /.30..0
...
/0 /.50
0 /0 ...0
...
/.50 /0 /0 /.10...0
...
/0 /. 0
0 ...0 /
...
/0 /. 0 /0 ...0/.1
6
6
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
50
Web (ad) usage mining
!
"# $
$
7
8
&
*
"
"
$
0
8
(
$
8
*
8
6
(
) +
-
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
51
Usage patterns - vectors
0
5
6
0
5
6
(
...
0 /0 /0
/0 ...0 /
/0
0 /0
/0 ...0 /
/0
0
0
/0 ...0
/0 /0
0
/0 ...0
/0 /0 /0
0 ...0
0 /0 /0
/0 ...0
...
/0 /.50
0 /0 ...0
...
/.50 /0 /0 /.50...0
...
0 /0
/0 ...0/.7
...
/0 /. 0 /0 ...0/.1
6
6
7
2 9
( &
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
52
Monitorowanie aktywn.u ytkown.
- page session vector
Niezerowe warto ci odpowiadaj odwiedzonym
stronom
Po wy wietleniu strony zmniejszenie warto ci
ekspotencjalnie
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
53
Przyporz dkowanie u ytkownika
(
2
5
6
2 9
*
( &
2 9
5 2
6
*
9
2 9
5 2
6
*
9
:
:
2 9
*
( &
;
;
(
2
5
6
2 9
*
( &
2 9
5 2
6
*
9
2 9
5 2
6
*
9
:
:
2 9
*
( &
;
;
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
54
Przyporz dkowanie tre ci
- the closest conceptual space
)
"
*
+
"
,
...
/0 /0
0 /0 ...0
/. 0 0
0 /.40...0
/0 /0 /0
0 ...0
0 /0 /0 /.10...0
<
!
=8
8
=8 =>?8>>8=>:
2
2 9
+
%
,
)
"
*
+
"
,
...
/0 /0
0 /0 ...0
/. 0 0
0 /.40...0
/0 /0 /0
0 ...0
0 /0 /0 /.10...0
...
0 /0
/0 ..0/.7
2
9
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
55
Przyporz dkowanie u ytkowania
- the closest usage pattern
-
*
...
/0 /0
0 /0 ...0
/. 0 0
0 /.40...0
/0 /0 /0
0 ...0
0 /0 /0 /.10...0
<
!
=8
8
=8 =>?8>>8=>:
2
+
%
,
-
*
...
/0 /0
0 /0 ...0
/. 0 0
0 /.40...0
/0 /0 /0
0 ...0
0 /0 /0 /.10...0
...
0 /0
/0 ..0/.7
2
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
56
Inne wektory
Jedna przestrze wektorowa
Najbli sza grupa tematyczna (advertiser’s portal
content)
-
najbardziej odpowiednia tre
Najbli szy wzorzec klikowalno ci -
reklamy
najbardziej prawdopodobne do klikni cia
Wy wietlone reklamy -
zabezpieczenie przed
znu eniem
Reklamy ju klikni te nie wy wietlane
Polityki reklamowe (liczba ekspozycji na klienta,
priorytety, itd..)
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
57
Spersonalizowana integracja
wektorów
'
7
8
&
(
*
%
7
*
(
*
.
8
!
"
*
@
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
58
Integracja wektorów
rank
= (
cta+cv
+
β
)
⊗ (1–
as
)
⊗
uea
⊗ (1–
v
)
⊗ p
The rank
vector
The closest
advertiser conceptual
space vector
The closest ad
visiting pattern
Exposed
advertisements
Number of
exposition per
user monitoring
Adv already
visited by the
user
Priority
vector
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
59
Ranking, Filtering
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
60
Warsztaty na ISDA, Wrocław 2005
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
61
1.
Kazienko P., Kołodziejski P.: WindOwls - Adaptive System for the
Integration of Recommendation Methods in E-commerce. 2005, to appear.
2.
Kazienko P.: IDARM - Mining of Indirect Association Rules.
New Trends in
Intelligent Information Processing and Web Mining
IIS 2005, June 13-16,
2005, Advances in Soft Computing, Springer Verlag 2005, pp. .
3.
Kazienko P., Matrejek M.: Adjustment of Indirect Association Rules for the
Web.
SOFSEM 2005
, Slovak Republic, 2005, Springer LNCS 3381, pp.
211-220.
4.
Kazienko P.:
Product Recommendation in E-Commerce Using Direct and
Indirect Confidence for Historical User Sessions. DS'04. 7th International
Conference on Discovery Science
, Padova, Italy, 2004, Springer Verlag,
LNAI 3245, pp. 255-269
5.
Kazienko P.: Multi-agent Web Recommendation Method Based on Indirect
Association Rules.
KES 2004, 8th International Conference on Knowledge-
Based Intelligent Information & Engineering Systems
, Wellington, New
Zealand, September 20-25, 2004, Part II, LNAI 3214, Springer Verlag,
1157-1164.
Bibliografia 1/2
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
62
6.
Kazienko P., Adamski M.:
Personalized Web Advertising Method. Adaptive
Hypermedia 2004
, August 24-26, 2004, Eindhoven, The Netherlands, LNCS
3137, Springer Verlag, pp. 146-155.
7.
Kazienko P., Matrejek M.: Parameters for Mining Indirect Associations in
the Web Environment. MiSSI, Vol. II. 2004, pp. 201-211.
8.
Kazienko P., Kiewra M.:
Integration of Relational Databases and Web Site
Content for Product and Page Recommendation
.
8th International
Database Engineering & Applications Symposium. IDEAS 2004
Coimbra,
Portugal, IEEE Computer Society, pp. 111-116
9.
Kazienko P., Kiewra M.:
ROSA - Multi-agent System for Web Services
Personalization. First Atlantic Web Intelligence Conference Proceedings
,
Madrid, Spain, May 5-6, 2003,
LNAI 2663
, Springer Verlag, 2003, 297-306
10. Kazienko P., Kiewra M.: Personalized Recommendation of Web Pages.
Chapter 10 in: Nguyen T. (ed.) Intelligent Technologies for Inconsistent
Knowledge Processing. Advanced Knowledge International, Adelaide,
South Australia, 2004, pp. 163-183.
11. Kazienko P., Kiewra M.:
Link Recommendation Method Based on Web
Content and Usage Mining. New Trends in Intelligent Information
Processing and Web Mining
IIS 2003, Zakopane, June 2-5, 2003, Advances
in Soft Computing, Springer Verlag 2003, pp. 529-534.
Bibliografia 2/2
Przemysław Kazienko: Eksploracja danych w internetowych serwisach rekomenduj cych. 17.01.2005
63
Dzi.kuj. za uwag.!
Jest czas na pytania?
Wyszukiwarka
Podobne podstrony:
Dodatkowe Wytyczne projektu, Data mining - Grzenda
Metodologia w VIII, WYBRANE METODY ANALIZY WIELOZMIENNOWEJ - PODSTAWOWE ZAŁOŻENIA ANALIZY CZYNNIKOWE
(Sas Code) Data Mining Cookbook (Wiley)
IEEE Finding Patterns in Three Dimensional Graphs Algorithms and Applications to Scientific Data Mi
Scoring kredytowy a modele data mining
data mining zadania
Detecting Internet Worms Using Data Mining Techniques
Numerical linear algebra in data mining
Improve Fraud Detection Through Data Mining
(Sas Code) Data Mining Cookbook (Wiley)
New data mining technique to enhance IDS alarms quality
Data Mining of Gene Expression Data by Fuzzy and Hybrid Fuzzy Methods piq
Data Mining Methods for Detection of New Malicious Executables
Application of Data Mining based Malicious Code Detection Techniques for Detecting new Spyware
KSSP Aspekt akwizycji danych (Data Acquisition) i eksploatacji danych (Data Mining) AN
Data Mining Ai A Survey Of Evolutionary Algorithms For Data Mining And Knowledge Discovery
CW2006EX Mill Turn data sheet web
więcej podobnych podstron