Xây dựng hệ thống quảng cáo dựa trên nơi chốn kết hợp với đánh giá của người dùng trong mạng xã hội di động

Xây dựng hệ thống quảng cáo dựa trên nơi chốn kết hợp với đánh giá của người dùng trong mạng xã hội di động

Xây dựng hệ thống quảng cáo dựa trên nơi chốn kết hợp với đánh giá của người dùng trong mạng xã hội di động www.egobile.com 1 Nội dung Tổng quan đề tài Tình hình nghiên cứu trong và ngoài nước Mô hình khuyến nghị EgoRec Thực nghiệm và đánh giá mô hình EgoRec Kết luận Hiện thực ứng dụng – Demo 1 2 3 4 5 6 2 1. Tổng quan đề tài 3 1. Tổng quan đề tài Quảng cáo xã hội – Động lực chính 4 1. Tổng quan đề tài + + Recommender System Rating + Context + TagLocation 5 Hành vi đánh giá (Rating) Vị trí (Location) Ngữ cảnh và hành vi gán nhãn (Context + Tag) 2. Tình hình nghiên cứu Đánh giá tương đồng R Collaborative Filtering Kết hợp ngữ cảnh R + C Hành vi gán nhãn (tag) T 6 2. Tình hình nghiên cứu • Memory-based: lịch sử đánh giá của người dùng. • Model-based: mô hình lại hành vi đánh giá của người dùng. I 1 I 2 I 3 I 4 U 1 4 5 5 U 2 4 2 1 U 3 3 2 4 U 4 4 4 U 5 2 1 3 5 ? ? ? ? ? 7 Đánh giá tương đồng R Collaborative Filtering Francesco Ricci, L. R., Bracha Shapira, Paul B. Kantor. Recommender Systems Handbook, 2010. 2. Tình hình nghiên cứu Kết hợp ngữ cảnh R + C Ví dụ: • Người dùng A thích ăn lẩu vào cuối tuần. • Người dùng B thích đi mua sắm vào buổi tối. 8 Hynuchul Ahn, K j. K., Ingoo Han, Mobile Advertisement Recommender System using Collaborative Filtering, 2006. 2. Tình hình nghiên cứu Hành vi gán nhãn (tag) T nature, cool… Nature, photograph, cool… Tương đồng 9 Tom Chao Zhou, H. M., Michael R. Lyu, Irwin King. A User Recommendation Framework in Social Tagging Systems, 2010. 2. Tình hình nghiên cứu EgoRec R + C + T + + Kết hợp ngữ cảnh R + C Hành vi gán nhãn (tag) T 10 Đánh giá tương đồng R Collaborative Filtering [...]... và đánh giá Chia nhóm dữ liệu (Cross Validation) 10 9 Tiền xử lý – Chuẩn hóa dữ liệu MMBCF RC RT EgoRec Kết quả Dữ liệu đầu vào Đánh giá Mô hình thực nghiệm tổng quan 22 4 Thực nghiệm và đánh giá Phương pháp đánh giá 23 4 Thực nghiệm và đánh giá Thông tin bộ dữ liệu MovieLen Số lượng User Movie Movie Genre Số lượng 2,113 10,197 20 Tag 9,079 Số Tag được thiết lập (tas) 47,957 Số thể loại trung bình của. .. mỗi 2.04 (Số bộ [user, movie, tag] trong bảng dữ liệu tag) Movie Rating 855,598 Số User_Movie được tag (user_movie) 27,712 Rating / User 404.921 Rating / Movie (Số bộ [user, movie] trong bảng dữ liệu tag) 84.637 Tas / User Tas / Movie 22.696 8.117 24 4 Thực nghiệm và đánh giá Bảng so sánh kết quả dự đoán với bộ dữ liệu MovieLen Giá trị Tỉ lệ phần trăm sai lệch so với kỹ thuật MMBCF dự đoán (R) R 0.682119... RCT 0.887085 0.00181371  0.181% Kỹ thuật MAE RMSE 25 4 Thực nghiệm và đánh giá 0.74 0.72 0.7 0.68 0.66 MAE MAE MAE MAE 0.64 - R RC RT RCT 0.62 0.6 0.58 0.56 Bảng thống kê MAE dạng cột 26 4 Thực nghiệm và đánh giá 1 0.95 0.9 RMSE RMSE RMSE RMSE 0.85 - R RC RT RCT 0.8 0.75 0.7 Bảng thống kê RMSE dạng cột 27 4 Thực nghiệm và đánh giá Thông tin bộ dữ liệu thu thập thực tế Số lượng User 21 Location 20... Tag 112 Số Tag được thiết lập (tas) 200 (Số bộ [user, location, tag] trong bảng dữ liệu tag) Số User_Location được tag (user_location) 74 (Số bộ [user, location] trong bảng dữ liệu tag) Tas / User 9.5 Tas / Location 10 28 4 Thực nghiệm và đánh giá Bảng so sánh kết quả dự đoán với bộ dữ liệu thực tế Giá trị Tỉ lệ phần trăm sai lệch so với kỹ thuật MMBCF dự đoán (R) Kỹ thuật R 1.056769903 RCT 0.959068057... 20 4 Thực nghiệm và đánh giá Thông tin cơ bản: - Cấu hình thực nghiệm: • Intel® Core™ i3 CPU M350 @ 2.27GHz 2.27GHz, 2GB RAM • Intel® Core™ 2 Duo CPU E7300 @ 2.66GHz 2.67GHz, 2GB RAM • Intel® Core™ 2 Duo CPU T5850 @ 2.16GHz 2.17GHz, 2GB RAM - Bộ dữ liệu: MovieLen (cung cấp bởi GroupLen) và dữ liệu thu thập - Phương pháp thực nghiệm: tự xây dựng module xử lý và đánh giá bằng PHP trên nền tảng Web -... thời gian thực thi trong quá trình thực nghiệm 201.42 giờ 6 MB 30 module 830 MB Bảng thống kê đề tài 34 Thank You! www.egobile.com – Everything Goes On Mobile 35 Q&A: Mô hình chuẩn hóa Movielen Mô hình chuẩn hóa dữ liệu Movielen MovieLen Chia dữ liệu theo người dùng Kết hợp movie 20 Tag’ (user, movie_genre, tag) Kết hợp user Rating Tag Movie (user, movie, rating, time) (user, movie, tag) (movie, genre)... Kullback-Leibler divergence JSD - Jensen-Shannon divergence EgoRec 18 3 Mô hình khuyến nghị EgoRec Rating Context Tag c1 Result Result Result c2 u (a, b, c, d)  0.7 (e, f)  0.2 v (a, b, e)  0.75 (d, f) c3 (g)  0.1  0.25 M 19 3 Mô hình khuyến nghị EgoRec Rating Context Tag Result Result Result Tính toán độ tương đồng tổng hợp: Weighted Sum of Others’ Ratings: Kết quả dự đoán cho người dùng u sản phẩm... Dự đoán bằng MMBCF 80 82.4% Dự đoán bằng EgoRec 93 95.8% 13.4% 29 4 Thực nghiệm và đánh giá Tóm lại: MAE, RMSE EgoRec MMBCF Số lượng kết quả dự đoán EgoRec > MMBCF 30 5 Kết luận Phát triển ekit framework – Easy Toolkit Đề xuất mô hình khuyến nghị EgoRec (R x C x T) Phiên bản thử nghiệm MXH định vị Egobile 1 paper tại Hội nghị Quốc Tế iiWAS (ACM Indexed) Hung Q Tao, V L Y N., Hieu M Nguyen, Viet H Huynh,... 32 6 Hiện thực – Demo 33 Thống kê đề tài STT Nội dung Số lượng 1 Số lượng tập tin mã nguồn 483 tập tin 2 Dung lượng mã nguồn 3 Số lượng module 4 Số lượng dòng mã nguồn 71,709 dòng 5 Số lượng tập tin trong quá trình thực nghiệm 2,122 tập tin 6 Dung lượng các tập tin trong quá trình thực nghiệm 7 Số lượng chủ đề trao đổi với giảng viên (mail) 127 chủ đề 8 Tổng thời gian thực thi trong quá trình thực nghiệm... … • Cạnh là số lần 2 tag cùng xuất hiện trong 1 hành vi Đồ thị gán nhãn cho từng người dùng [Newman] – Tìm kiếm cấu trúc cộng đồng (Finding Structure in Community) Zhou đề xuất 17 3 Mô hình khuyến nghị EgoRec Rating Context Tag c1 Result Result Result c2 c3 u (a, b, c, d)  0.7 (e, f)  0.2 (g) v (a, b, e)  0.75 (d, f)  0.1  0.25 M Áp dụng: Jensen-Shannon divergence để tính mức độ tương đồng giữa . Xây dựng hệ thống quảng cáo dựa trên nơi chốn kết hợp với đánh giá của người dùng trong mạng xã hội di động www.egobile.com 1 Nội dung Tổng quan đề tài Tình hình nghiên cứu trong và. cứu • Memory-based: lịch sử đánh giá của người dùng. • Model-based: mô hình lại hành vi đánh giá của người dùng. I 1 I 2 I 3 I 4 U 1 4 5 5 U 2 4 2 1 U 3 3 2 4 U 4 4 4 U 5 2 1 3 5 ? ? ? ? ? 7 Đánh giá tương đồng R Collaborative. khuyến nghị EgoRec Thực nghiệm và đánh giá mô hình EgoRec Kết luận Hiện thực ứng dụng – Demo 1 2 3 4 5 6 2 1. Tổng quan đề tài 3 1. Tổng quan đề tài Quảng cáo xã hội – Động lực chính 4 1. Tổng quan