Data mining w rekomendacji

background image

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

background image

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

background image

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

background image

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

"

"

#

"

"

background image

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

background image

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

background image

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

background image

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

background image

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

background image

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

background image

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