Personalization and Services

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 Personalization and Services an der Karlsruher Institut für Technologie.

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Idee und Ziel von Decision Trees

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Methodik Kommentare Schritt 5: Text Analysis/ Semantic Enrichment

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Methodik Kommentare Schritt 4: Retrieve Controlled Comments

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Methodik Kommentare Schritt 2: Retrieve Public Comments

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Methodik Kommentare Schritt 1: Select Videos

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Roadmap Forschungsprojekt Relevante Kommentare (Ammari, Dimitrova und Despotakis)

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Result Optimization Personalized Music - Relief Algorithmus

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Evaluation von  Kordumuova et al. und Phillips Research (Personalized Music)

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Times next song (Behavioral Features)

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Times skipped (Behavioral Features)

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Zeitpunkt der Wiedergabe (Behavioral Features)

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Verfahren Decision Trees

Kommilitonen im Kurs Personalization and Services an der Karlsruher Institut für Technologie. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Personalization and Services an der Karlsruher Institut für Technologie auf StudySmarter:

Personalization and Services

Idee und Ziel von Decision Trees

sind ein Standard Verfahren im Machine Learning für diskrete Merkmale/Variablen

  • Es gibt eine Reihe von beobachteten Inputvariablen
  • Es gibt eine beobachtete Ergebnisvariable/ Outputvariable

Ziel des Verfahrens: Welche Inputvariable(n) eignen sich am besten, die Ergebnisvariable vorherzusagen? In welcher Reihenfolge?

 

Ein Entscheidungsbaum ist optimal aber nicht unbedingt eindeutig.

Personalization and Services

Methodik Kommentare Schritt 5: Text Analysis/ Semantic Enrichment

Aufbau des Semantischen Vokabulars aus der Kontrollgruppe: 

  • Aus einem vorhergehenden Experiment (das wir hier nicht näher betrachten) wurde ein sog. „Bag of Words“ erstellt. 
  • Der Bag of Words 𝐵 enthält Sammlung von relevanten Termen, die für die aktuelle Domäne (hier: Job Interviews) relevant ist. 
  • Beispiele: HR, past, good sign, job, pay, useful, …

Wichtig: Dieser Bag of Words entspricht einem Expertenwissen und stellt eine Referenz da

Personalization and Services

Methodik Kommentare Schritt 4: Retrieve Controlled Comments

  • Als Vergleichs- oder Kontrollmenge für das Experiment dienen manuell ausgewählte Videos mit Kommentaren. 
  • Die Kommentare dieser Videos sind in Bezug auf Rauschen etc. frei 
  • Sie werden Comment Collection B genannt

Personalization and Services

Methodik Kommentare Schritt 2: Retrieve Public Comments

  • Alle öffentlich zugänglichen Kommentare zu den ausgewählten Videos werden extrahiert. -> „Comment Collection A
  • Diese Kommentare enthalten viel Rauschen -> Spam, Missbrauch der Kommentarfunktion, Flames (Kommentare, die bewusst provozieren sollen)

Personalization and Services

Methodik Kommentare Schritt 1: Select Videos

  • Videos für das Experiment auf YouTube auswählen. 
  • Alle ausgewählten Videos beschäftigen sich mit Job Interviews -> Guides, Berichte von Interviewten, Berichte von Interviewenden, Interview Trainings

Personalization and Services

Roadmap Forschungsprojekt Relevante Kommentare (Ammari, Dimitrova und Despotakis)

Schritt 1: (andere Schritte nicht relevant)

Identify social media content that represents real world user experience -> Wie kann man Rauschen aus Social Media Data entfernen? -> großes Problem: Machine Learning, Data Mining, Semantics

  1. Man betrachtet Datensätze von Social Media Content (z.B. Kommentare) 
  2. Wie kann man irrelevante identifizieren und ausfiltern

Personalization and Services

Result Optimization Personalized Music - Relief Algorithmus

Verwenden eines Algorithmus (dem sog. Relief-Algorithmus) um zu schätzen, für welchen Benutzer jeweils welche Feature Subset Kombination am geeignetsten ist

  • Der Relief Algorithmus ist im Wesentlichen in der Lage, für jeden Benutzer das individuell beste Feature Subset zu ermitteln 
  • Das tatsächlich beste Subset ist in den meisten Fällen nicht wesentlich besser als das Ergebnis des Feature Subsets. -> es lohnt sich nicht
  • Für jeden Benutzer sind die zu beobachtenden Feature Subsets individuell, können aber relativ einfach und schnell bestimmt werden.
  • Die Zuverlässigkeit für eine gute Empfehlung betrug im Schnitt 75%.

Personalization and Services

Evaluation von  Kordumuova et al. und Phillips Research (Personalized Music)

Total Accuracy für die Kombination Behioral Features „Times Played“ und „Percentage Played“ 0,70; σ = 0,19 -> ohne Wenigbenutzer: Trimmed Total Accuracy: 0,76; 𝜎 = 0,10

 

Total Trimmed Accuracy für alle Features: 0,76; 𝜎 = 0,1 

  • → wird also nicht (wesentlich) besser! 
  • → Beobachtung: Für verschiedene Benutzer eignen sich unterschiedliche Behavioral Feature Sets

Gelernt: es reicht eigentlich „Times played“ und „Percentage played“ zu erheben, funktioniert nur für Wenignutzer nicht gut

Personalization and Services

Times next song (Behavioral Features)

  • Nach manueller Auswahl eines Songs spielt xStream (Anbieterdienst) weitere passende Songs ab 
  • Hypothese: Ein Benutzer mag die automatische Auswahl des Dienstes. 

→ Es wird gezählt wie oft ein Benutzer einen automatisch angewählten Song später manuell anwählt.

Personalization and Services

Times skipped (Behavioral Features)

  • Die reine Anzahl der „Times Skipped“ ist für dieses Modell zu ungenau 
  • Stattdessen werden verschiedene Fälle des „Skippens“ unterschieden 
  • Jeder Fall wird in einem separaten Behavioral Feature erfasst und gespeichert.
  • Es werden 5 Fälle unterschieden:
    • 1. Fall: in einem Album werden >2 Songs geskippt
    • 2+3. Fall: es werden genau 1 oder 2 Songs geskippt (Skippen 1 Songs wird als stärkeres Dislike interpretiert, als ein Skip von mehreren Songs)
    • 4. Fall: Times skipped First Play -> Benutzer startet nicht mit erstem Song eines Albums, sondern wählt spezifisch einen Start Song aus 
    • 5. Fall: Times skipped other album -> Benutzer wechselt von einem Song a in Album x zu einem Song b in Album y

Für die Bewertung eines Songs werden alle Fälle des „Times Skipped“ gewichtet linearisiert. 

Personalization and Services

Zeitpunkt der Wiedergabe (Behavioral Features)

  • Wann hat der Benutzer den Song wiedergegeben?
  • Unterschieden wird in morgens, bei der Arbeit, in der Nacht etc. 
  • Unterschieden wird auch werktags und feiertags / wochenends 
  • Annahme: Benutzer befinden sich tageszeitlich in verschiedenen Stimmungen und bevorzugen dann unterschiedliche Songs. 
  • Wird als Vektor gespeichert, für jede Wiedergabe ein Eintrag im Vektor

Personalization and Services

Verfahren Decision Trees

  • Schritt 1: Trainingsdatensatz ermitteln -> wenn nicht widerspruchsfrei, kann der Baum nicht zu 100% Vorhersagen treffen
  • Schritt 2: das aussagekräftigste Attribut anhand des Trainingsdatensatzes ermitteln -> Entropie
  • Schritt 3: für alle noch nicht erklärten Attribute der Unterfälle muss wieder das jeweilige aussagekräftigste Attribut berechnet werden -> können für verschiedene Unterfälle unterschiedliche Attribute sein -> sobald ein Attribut eindeutig bestimmt ist, kann Berechnung abgebrochen werden

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Personalization and Services an der Karlsruher Institut für Technologie zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der Karlsruher Institut für Technologie gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur Karlsruher Institut für Technologie 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 Personalization and Services an der Karlsruher Institut für Technologie 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

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback