Linked Open Data als Basis für Empfehlungssysteme

Linked Open DataRecommendation Systems (RS)

Zusammenfassung

Linked Open Data als Basis furEmpfehlungssysteme

Christoph Buchner

6. Dezember 2013

Christoph Buchner Seminar


Zusammenfassung

Inhaltsangabe

1 Linked Open Data

GrundlagenEntstehung/EntwicklungWas ist Linked Open Data?Linked Open Data Beispielaufruf

2 Recommendation Systems

Warum Linked Open Data fur EmpfehlungssystemeZiele der Verwendung von LODErkennbare Muster in der LiteraturBeispiele von Empfehlungssystemen

3 Zusammenfassung



Zusammenfassung

GrundlagenEntstehung / EntwicklungWas ist Linked Open Data?LOD Beispielaufruf

1. Linked Open Data

1 Grundlagen1 Linked Open Data Cloud2 Grundsatze

2 Entstehung

3 Was ist Linked Open Data?

4 LOD Beispielaufruf



Zusammenfassung


1. Linked Open Data

1 Grundlagen

1 Linked Open Data Cloud2 Grundsatze

2 Entstehung





Zusammenfassung


1. Linked Open Data

1 Grundlagen1 Linked Open Data Cloud

2 Grundsatze

2 Entstehung





Zusammenfassung


1. Linked Open Data


2 Entstehung





Zusammenfassung


1. Linked Open Data


2 Entstehung





Zusammenfassung


1. Linked Open Data


2 Entstehung





Zusammenfassung


1. Linked Open Data


2 Entstehung





Zusammenfassung


1.1.1 Linked Open Data Cloud

Abbildung: Linked Open data Cloud 1

1http://lod-cloud.net/versions/2011-09-19/lod-cloud colored.htmlChristoph Buchner Seminar


Zusammenfassung


1.1.2 Grundsatze von Linked Open Data

nach Tim Berners-Lee 2 3:

1 Use URIs as names for things

2 Use HTTP URIs so that people can look up those names

3 When someone looks up a URI, provide useful information(, using the standards (RDF, SPARQL))4

4 Include links to other URIs, so that they can discover morethings

2http://www.w3.org/DesignIssues/LinkedData.html3http://www.w3.org/2008/Talks/0617-lod-tbl/#(4)4dieser Nachsatz wurde erst 2006 eingefuhrt



Zusammenfassung











Zusammenfassung











Zusammenfassung











Zusammenfassung






3 When someone looks up a URI, provide useful information

(, using the standards (RDF, SPARQL))4





Zusammenfassung











Zusammenfassung











Zusammenfassung


1.2 Entstehung / Entwicklung

Linked Open Data entstand aus dem ’Semantischen Web’ 5

(bzw. als ein Teil davon)Semantic Web wurde eingefuhrt um Informationen maschinellbesser verarbeiten zu konnenTim Berners-Lee: “Linked Open Data is the Semantic Web doneright“ 6 7

5engl. Semantic Web6http://linkeddata.org/faq7http://www.w3.org/2008/Talks/0617-lod-tbl/#(3)



Zusammenfassung


1.3 Was ist Linked Open Data?

Frei verfugbare Daten im Web

Zur Codierung der Daten verwendete Standarts:

Resource Description Framework (RDF) 8

SPARQL Protocol And RDF Query Language (SPARQL) 9

Web Ontology Language (OWL) 10

Teil des Semantic Web

Idee des Verbindens freier Daten (Netz aus Daten)

8http://de.wikipedia.org/wiki/Resource Description Framework9http://de.wikipedia.org/wiki/SPARQL

10http://de.wikipedia.org/wiki/Web Ontology LanguageChristoph Buchner Seminar


Zusammenfassung













Zusammenfassung













Zusammenfassung













Zusammenfassung













Zusammenfassung













Zusammenfassung













Zusammenfassung













Zusammenfassung


1.4 LOD Beispielaufruf

http://dbpedia.org/sparql

SELECT ?movie WHERE {?movie rdf:type dbpedia-owl:Film .?movie dbpedia-owl:starring dbpedia:Al Pacino .?movie dbpedia-owl:starring dbpedia:Robert De Niro .}



Zusammenfassung







Zusammenfassung







Zusammenfassung



movie

http://dbpedia.org/resource/The Godfather Part II

http://dbpedia.org/resource/Heat (1995 film)

http://dbpedia.org/resource/Godfather Trilogy

http://dbpedia.org/resource/Righteous Kill

http://dbpedia.org/resource/The Godfather Saga



Zusammenfassung



Beim Klick auf z.B.“http://dbpedia.org/resource/The Godfather Part II“erhalt man Informationen wie:

dbpedia-owl:abstract - alternative Namendbpedia-owl:budget - Drehbudgetdbpedia-owl:starring - Darstelleruvm.



Zusammenfassung

Warum LOD fur Empfehlungssysteme?Ziele der Verwendung von LODErkennbare Muster in der LiteraturBeispiel eines Empfehlungssystems

2. Recommendation Systems

1 Warum LOD fur Empfehlungssysteme?

2 Ziele der Verwendung von LOD

3 Erkennbare Muster in der Literatur4 Beispiele

CHIPLDD



Zusammenfassung






CHIPLDD



Zusammenfassung






CHIPLDD



Zusammenfassung





3 Erkennbare Muster in der Literatur

4 Beispiele

CHIPLDD



Zusammenfassung






CHIPLDD



Zusammenfassung


2.1 Warum LOD fur Empfehlungssysteme?

Informationen in der Linked Open Data Cloud sind:

durch feste Standarts

gut strukturiertmaschinell verwertbar

frei verfugbar

untereinander verbunden



Zusammenfassung






frei verfugbar




Zusammenfassung






frei verfugbar




Zusammenfassung





gut strukturiert

maschinell verwertbar

frei verfugbar




Zusammenfassung






frei verfugbar




Zusammenfassung






frei verfugbar




Zusammenfassung






frei verfugbar




Zusammenfassung


2.2 Ziele

Falsche oder uninteressante Empfehlungen wiez.B.:

Sterbeort eines KunstlersEin verwandtes Genre (narrower/broader Problem)Filme mit gleich oder ahnlich hohem Budget

abschaffen/verringern

Plattformubergreifende Empfehlungen

Aufheben der Bereichsbeschrankten Datengrenze



Zusammenfassung


2.2 Ziele








Zusammenfassung


2.2 Ziele








Zusammenfassung


2.2 Ziele








Zusammenfassung


2.3 Erkennbare Muster in der Literatur

Umgehen des Kaltstartproblems

Abschaffen von “Recommender Systems Silos“11

Losen des Portabilitatsproblems11

11Using Linked Data to build recommender systems (Passant et al., 2009)Christoph Buchner Seminar


Zusammenfassung








Zusammenfassung








Zusammenfassung








Zusammenfassung


2.3.1 Wie profitieren Empfehlungssysteme davon?

verbinden von:

privaten Blogs mit Bildern aus z.B. flickrMusiksuchen mit Last.fm Playlists

ein Algorithmus kann auf verschiedenste Quellen angewendetwerden



Zusammenfassung



verbinden von:





Zusammenfassung



verbinden von:





Zusammenfassung


2.4.1 CHIP - Cultural Heritage Information Personalization

oder auch “The Art Recommender“



Zusammenfassung


CHIP - Grundlagen

Empfehlungen fur Bilder und Artworks

nur in ahnlichen Bereichen verwendbar

arbeitet auf 4 Worterbuchern (vocabularys)

content-based (ARIA12)

entstand um die Empfehlungsparazision von semantischenRelationen(LOD) mit der Prazision gegeben durchEigenschaften von Artworks zu vergleichen

12Rijksmuseum InterActiefChristoph Buchner Seminar


Zusammenfassung


CHIP - Grundlagen








Zusammenfassung


CHIP - Grundlagen








Zusammenfassung


CHIP - Grundlagen








Zusammenfassung


CHIP - Grundlagen








Zusammenfassung


CHIP - Grundlagen








Zusammenfassung


CHIP - Worterbucher

Verschiedene Anzahl von Worterbuchern moglich:

1 Iconclass

2 Art and Architecture thesaurus (AAT)

3 Union List of Artists Names (ULAN)

4 tesaurus of geographical Names (TGN)



Zusammenfassung


CHIP - Worterbucher

Beispiel “Nachtwache“:Iconclass Gegenstande Kleidung

AAT Material OlgemaldeULAN Maler RembrandtTGN Erstellungsort AmstedamARIA “Wealth in the Republic“



Zusammenfassung


CHIP - Worterbucher

Abbildung: Ubersicht von Moglichkeiten und Relationen basierend aufden Worterbuchern



Zusammenfassung


CHIP - Benutzeroberflache

Benutzeroberflache in zwei Teile aufgeteilt:

Artwork Explorer

Empfehlungsteil



Zusammenfassung



Im Artwork Explorer sind Gemalde/Bilder Karussellartig aufgelistetum sie einfach zu durchsuchen



Zusammenfassung



Im Empfehlungsteil:

werden Empfehlungen gegeben nachdem ein Gemalde hochbewertet wurde (4 oder 5 Sterne)

Empfehlungen durchsuchen und diese wieder bewerten

Sparte fur “warum empfohlen“ (Interessantheit kann auchbewertet werden)



Zusammenfassung



Im Empfehlungsteil:






Zusammenfassung



Im Empfehlungsteil:






Zusammenfassung



Im Empfehlungsteil:






Zusammenfassung


CHIP - Prazision des Empfehlungssystems

Precision = CorrectHitsTotalRec.Rated

“Correct Hits“ Anzahl Bewertungenmit 4 oder 5 Sternen

“Total Rec.Rated“ Anzahl Bewerteter Empfehlungen



Zusammenfassung


CHIP - Ergebnisse

Eine Prazision von mehr als 50% erreichten:

vra:creator (67%)

link:hasStyle (67%)

aat:broader/narrower (53%/55%)

Die niedrigsten Prazisionen erhielten:

ulan:birth/deathPlace

tgn:broader/narrower



Zusammenfassung


CHIP - Ergebnisse


vra:creator (67%)

link:hasStyle (67%)







Zusammenfassung


CHIP - Ergebnisse


vra:creator (67%)

link:hasStyle (67%)







Zusammenfassung


CHIP - Ergebnisse

Worterbucher die “naher“ am eigentlichen Thema sind, erweisensich als nutzlicher als solche die allgemeiner sind. z.B.:

ULAN/AAT (hoher wert)

TGN (niedriger wert)



Zusammenfassung


CHIP - Ergebnisse

Worterbucher die “naher“ am eigentlichen Thema sind, erweisensich als nutzlicher als solche die allgemeiner sind. z.B.:

ULAN/AAT (hoher wert)

TGN (niedriger wert)



Zusammenfassung


2.4.2 Linked Data Distance - LDD



Zusammenfassung


LDD - Grundlegendes

bestimmt die Distanz zwischen zwei Knoten A, B als RelationRi (A,B), wobei A und B nicht nur durch die reine Auflistung inz.B.: “dbpedia:artist“ verbunden sind sondern durch einezusatzliche Komponente wie “dbpedia:associatedActs“



Zusammenfassung


LDD - Grundlegendes

Das System kann seine Empfehlungen zu querry Zeit verandernund das Interface ist Multilingual, da es auf dem WikipediaexportDBpedia lauft



Zusammenfassung


LDD - Algorithmen

LDDs simpleLDDws simple weightedLDDo object-basedLDDwo object-based weightedLDDc complexLDDwc complex weighted



Zusammenfassung


LDD - Vergleich mit anderem Empfehlungssystem

Vergleich mit bestehendem Empfehlungssystem (Last.fm):Begriff: Johnny Cash

6 von 15 durch LDDwc gegebenen Empfehlungen waren auchin der Liste von Last.fm

5 davon waren unter den ersten 10 von Last.fm

LDDwc empfahl auch Kunstler die gar nicht in der Last.fmListe waren z.B: “The Tennessee Three“



Zusammenfassung









Zusammenfassung









Zusammenfassung


LDD - Test auf anderer Domane

Der Algorithmus wurde benutzt um Buchempfehlungen zu demBuch “Fight Club“ zu erhalten13:

Artist DistanceInvisible Monsters 0.2275Survivor 0.2290Choke 0.2734Diary 0.2880Lullaby 0.2880

13Alle Empfohlenen Bucher sind vom Selben AuthorChristoph Buchner Seminar


Zusammenfassung


LDD - Test auf anderer Domane

Der Algorithmus wurde benutzt um Buchempfehlungen zu demBuch “Fight Club“ zu erhalten13:Artist DistanceInvisible Monsters 0.2275Survivor 0.2290Choke 0.2734Diary 0.2880Lullaby 0.2880

13Alle Empfohlenen Bucher sind vom Selben AuthorChristoph Buchner Seminar


Zusammenfassung


LDD - Ergebnisse

nicht alle Algorithmen sind optimal

System nicht grundlegend Perfekt



Zusammenfassung

Zusammenfassung

LOD bietet eine enorme Menge an Daten

LOD ist keine Universallosung

LOD kann nicht alle RS Probleme losen

LOD Recommendation Systems sind meist praziser

Recommender System Silos sind nicht zu umgehen



Zusammenfassung

Danke fur die Aufmerksamkeit


￼￼￼￼￼￼￼Linked Open Data als Basis für Empfehlungssysteme

Technology

Linked Open Data als Basis für Empfehlungssysteme