Learning from User-generated Data an der Johannes Kepler Universität Linz

Karteikarten und Zusammenfassungen für Learning from User-generated Data an der Johannes Kepler Universität Linz

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Learning from User-generated Data an der Johannes Kepler Universität Linz.

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are the differences between the SVD, the "Thin Variant" of the SVD, and the " Truncated" SVD?


Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

In real-world application which method scales better?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

Why are recommender systems used?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What's the difference between User-based and Item Based CF?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What is the main problem of CF?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are some solutions to deal with missing ratings in CF? 

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

Core issues of Memory-based CF

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

Which performance measures are there for retrieval?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are aspects of user-centric evaluation that should be considered?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are latent factor models?

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are some of the problems with user-generated content (UGC)?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

What are the problems of SVD?

Kommilitonen im Kurs Learning from User-generated Data an der Johannes Kepler Universität Linz. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Learning from User-generated Data an der Johannes Kepler Universität Linz auf StudySmarter:

Learning from User-generated Data

What are the differences between the SVD, the "Thin Variant" of the SVD, and the " Truncated" SVD?


Thin SVD:

We can exploit the fact that 𝑅 (usually) is not square and cannot have full rank.
𝑘=𝑚𝑖𝑛(𝑛,𝑚)

As a result, U, Σ, and V have different dimensions:
𝑈 -- (n∗ k) of left singular vectors (it corresponds to users);
Σ -- (k ∗ k) square diagonal matrix, containing singular values;
𝑉 -- (𝑚∗ 𝑘) of right singular vectors (it corresponds to items);

This is a more efficient approach (requires less memory) and it also makes the following demonstration clearer.


Truncated SVD

consider only f largest singular triplets ⇒ approximation and dimensionality reduction


Learning from User-generated Data

In real-world application which method scales better?

Item-based CF

Learning from User-generated Data

Why are recommender systems used?

  1. Annotation in Context
  2. Find Good Items
  3. Find All Good Items
  4. Recommend Sequence
  5. Just Browsing
  6. Find Credible Recommender
  7. Improve Profile
  8. Express Self
  9. Help Others
  10. Influence Others

Learning from User-generated Data

What's the difference between User-based and Item Based CF?

In User-based CF  our goal is to find similar users based on rated items. Predictions are weighted combinations of the most similar user ratings 


In Item-based CF we try to find similar items based on user ratings. Predictions are a weighted combination of most similar items’ ratings

Learning from User-generated Data

What is the main problem of CF?

Missing Ratings

Data sparsity can lead to unreliable similarity values (or make calculation even impossible)

Learning from User-generated Data

What are some solutions to deal with missing ratings in CF? 

  • default voting
  • augmentation
    • use transitive interactions between users and items
    • construct graph-based model
    • calculate association strength between users and items

Learning from User-generated Data

Core issues of Memory-based CF

  • Very memory-demanding
  • "lazy learning"; use of nearest neighbor approaches
  • data sparsity, “cold-start”, curse of dimensionality

Learning from User-generated Data

Which performance measures are there for retrieval?

  • Recall and Precision 
  • F-measure 
  • Precision a k document (also Precision@k or P@k) 
  • Average Precision (AP) 
  • R-precision 
  • Reciprocal Rank (RR) 
  • Mean Average Precision (MAP) 
  • Discounted Cumulative Gain (DCG) 
  • Rank Correlation 

Learning from User-generated Data

What are aspects of user-centric evaluation that should be considered?

  • Similarity
    • items should match/be similar to the seed user’s taste
  • Diversity
    • recommended items should not be too similar/boring
  • Novelty / Familiarity 
    • has the user already seen the item
  • Serendipity
    • a user wants to discover something exciting, unexpected; hard to measure
  • Explainability
    • recommender system should explain why an item was recommended

Learning from User-generated Data

What are latent factor models?

A latent variable model is a statistical model that relates a set of observable variables to a set of latent variables.


These models try to explain ratings by characterizing both users and items in an f-dimensional space of factors derived from the rating patterns.


There is not just item and user but we have user characteristics and item characteristics as features.

Learning from User-generated Data

What are some of the problems with user-generated content (UGC)?

  • Double-counting: same UGC is sometimes accessible on a variety of sites (duplicate detection)

  • Inactive accounts: not all registered users are active

  • Counting unique users: same user has multiple accounts 

  • Distinction between UGC and other content: e.g., uploading of clips from TV shows by regular (non-professional) user

Learning from User-generated Data

What are the problems of SVD?

only makes sense on a fully known user rating matrix (i.e., no missing values) as we don't want to learn missing values. 

Full matrices are computationally expensive 

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Learning from User-generated Data an der Johannes Kepler Universität Linz zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Learning from User-generated Data an der Johannes Kepler Universität Linz gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur Johannes Kepler Universität Linz Übersichtsseite

Logic

ML supervised techniques

Deep Learning an der

TU München

E-Learning an der

Universität Würzburg

Deep Learning an der

Hochschule Kempten

Deep Learning an der

Universität Hamburg

Datenschutz E-Learning 👩🏻‍💻 an der

Universität Wien

Ähnliche Kurse an anderen Unis

Schau dir doch auch Learning from User-generated Data an anderen Unis an

Zurück zur Johannes Kepler Universität Linz Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Learning from User-generated Data an der Johannes Kepler Universität Linz oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards