Personalization and Services an der Karlsruher Institut für Technologie

CitySTADT: Heidelberg

CountryLAND: Deutschland

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.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

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.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

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:

Ansatz von Micarelli und Sciarrone – Benutzermodell

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

Ansatz von Micarelli und Sciarrone – Vorgehensweise

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

Ansatz von Speretta und Gauch – Vor- und Nachteile

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

Ansatz von Speretta und Gauch – Systemarchitektur

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

Ansatz von Speretta und Gauch – Vorgehensweise

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

Allgemeine Vorgehensweise Web Search Histories

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

Anpassung des Suchprozesses

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

Inhärente Probleme der Personalized Search

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

Definition Personalized Search

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

Information Filtering

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

Information Retrieval

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

Ansatz von Micarelli und Sciarrone – Verfahren

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

Personalization and Services

Ansatz von Micarelli und Sciarrone – Benutzermodell

  • Das Benutzermodell besteht aus einer festen Menge sogenannter Slots.
  • Jeder Slot kann mit einem Term (Thema) belegt werden und wird durch den Benutzer mit einem Degree of Interest zwischen -10 und +10 gewichtet. 
  • Jeder Term steht in Beziehung mit anderen Termen (sog. Co-Keywords), die ein einfaches semantisches Netz bilden. 
  • Die Stärke dieser Beziehung wird durch einen Affinity Value ausgedrückt. 
  • Es gibt eine sog. Terms Data Base mit besonders relevanten Themen/Begriffen. 
  • Die Terms Data Base wird a priori manuell durch Experten und domain-spezifisch erstellt.

Personalization and Services

Ansatz von Micarelli und Sciarrone – Vorgehensweise

  1. Anbieten einer Suchmaschine, die auf Alta Vista basiert
  2. Re-Ranking der Suchanfragen basierend auf dem Nutzermodell
  3. Benutzer gibt Feedback zu angesehenen Treffern/Dokumenten.
  4. Updaten des Benutzermodells auf Basis des Feedbacks

Personalization and Services

Ansatz von Speretta und Gauch – Vor- und Nachteile

Vorteile: 

  • Möglichkeit zur individuellen Anordnung von Ergebnissen zur Verbesserung des Nutzerempfindens 
  • Mathematisch begründet, ohne dabei extrem komplex zu sein – zwei Vektoren bleiben überschaubar 
  • „Bessere“ Ergebnisse nach Benutzerstudie empirisch nachgewiesen 

Nachteile: 

  • 𝛼 muss extern vorgegeben werden 
  • Ohne LogIn oder andere Protokollierungsvorgänge sollten wir Usern den Zugriff zu unserer personalisieren Suche verwehren

Personalization and Services

Ansatz von Speretta und Gauch – Systemarchitektur

Google Wrapper 

  • Aufbau einer eigenen Websuche, die via Google-APIs die Suchanfragen an Google weiterleitet und die Ergebnisse zurück erhält 
  • Identifizieren von Nutzern auf dem eigenen Dienst mittels Login und Cookies 
  • ohne Login keine Dienstnutzung 
  • Re-Ranking der Google Ergebnisse und Anzeige an den Benutzer ▪ Erfassen von Klicks auf Ergebnisse (Titel und Kurzvorschau)

Kategorisier-Komponente

  • Einordnen aller Suchbegriffe, Ergebnistitel und –vorschau in Kategorien des Open Directory Projects

Personalization and Services

Ansatz von Speretta und Gauch – Vorgehensweise

  1. Via Google-API werden Suchanfragen einer eigenen Website an Google weitergeleitet und zugehörige Ergebnisse empfangen 
  2. Den Anfragen samt Ergebnissen werden via User Tracking Nutzer zugeordnet – ergo: ohne Login sollte der Ansatz nicht benutzt werden dürfen 
  3. Klicks der Benutzer werden je Ergebnis gespeichert 
  4. Verwendung des Open Directory Projects als Referenz für verschiedene Konzepte, aus denen Suchanfragen stammen können 
  5. Jeder User wird durch einen Vektor dieser Konzepte repräsentiert 
  6. Bei Suchanfragen wird nun der externe Dokument-Vektor mit dem internen Konzept-Vektor des Users abgeglichen und die Ergebnisse entsprechend neu geranked -> Re-Ranking

Personalization and Services

Allgemeine Vorgehensweise Web Search Histories

  1. Nutzer identifizieren -> User Authentication
  2. Vergangene Suchanfragen, um die aktuelle Suchanfrage zu personalisieren
  3. Aktuelle Suchanfrage der Historie hinzufügen

Vermutlich arbeitet Google mit diesem Ansatz, hat allerdings nichts über den Algorithmus veröffentlicht

-> Ansatz von Speretta und Gauch

Personalization and Services

Anpassung des Suchprozesses

  1. Teil des Retrieval Prozesses 
  2. Re-Ranking 
  3. Query Modification 

Personalization and Services

Inhärente Probleme der Personalized Search

  • Benutzer möchten nicht, dass diese Informationen über sie der Suchmaschine (und damit deren Betreiber) bekannt sind -> Datenschutz
  • Die Personalisierung von Ergebnislisten ist in der Regel zeit- und rechenaufwändig. Dies kann die Hardwarekosten eines Suchmaschinenbetreibers explodieren lassen. 
    1. Wie viel „Zeit“ hat z.B. Google für die Beantwortung einer Suchanfrage? 
    2. Was bedeutet es, wenn sich diese Zeit durch Personalisierung der Ergebnisse verdoppelt?
  • Die Einführung einer Personalisierung verändert Benutzerinterface und die Ergebnisse. Wird dies vom Benutzer akzeptiert?

Personalization and Services

Definition Personalized Search

  • Abhängig von Benutzer sind bestimmte Themen relevanter als andere
  • Die Ergebnisse einer Anfrage werden vor Ausgabe an den Benutzer an dessen Präferenzen, Geschmack, Hintergrund und Wissen angepasst.
  • Die Suchmaschine muss zusätzlich folgende Informationen möglichst gut kennen: 
    1. Präferenzen
    2. Geschmack
    3. Hintergrund und 
    4. Wissen des anfragenden Nutzers

Es muss ein Benutzermodell angegeben, gespeichert und geupdated werden

Personalization and Services

Information Filtering

  • Relative stabile Anfragen von Benutzern 
    1. → Benutzeranfragen ändern sich kaum / langsam 
  • Große Sammlungen von dynamisch generierten Inhalten
  • Bsp.: Nachrichten lesen Newsfeed-> gleiche Anfrage, aber immer neue Inhalte

Personalization and Services

Information Retrieval

  • relativ stabile Informationsquellen (das in dem gesucht wird)
  • sich schnell verändernde (nicht unbedingt voneinander abhängige)  Queries von Usern
  • Bsp.: Bibliothek: Buchbestand ist relativ stabil aber es gibt verschiedenste Anfragen

Personalization and Services

Ansatz von Micarelli und Sciarrone – Verfahren

  • Für jedes Dokument wird ein Vektor 𝑅𝑒𝑙 errechnet.
  • mit 𝑅𝑒𝑙 𝑖 als Relevanzskalar von Term 𝑡𝑖 verglichen mit dem Benutzermodell

Schritt 1:

  • Anpassung der Relevanz von Term 𝑡𝑖 im Dokumentenmodell, sofern 𝑡𝑖 sowohl im Dokument als auch Benutzermodell (Relevanz im Benutzermodell: wj) vorkommt
  • Interpretation: 
    • Die geupdatete Relevanz eines Terms 𝑡 ist der alte Wert plus dem Slotgewicht aus dem Benutzermodell. 
    • 𝑤𝑗 kann auch negativ sein (Erinnerung: Das ist der Degree-of-Interest)

Schritt 2:

  • Kommt der Term 𝑡 auch in der Query (und im Dokument und im Benutzermodell) vor, wird die Relevanz weiter erhöht -> 𝑤𝑠𝑙𝑜𝑡 ist das Gewicht, das Thema 𝑡 im Slot des Benutzers zugemessen wird
  • Interpretation: 
    • Die geupdatete Relevanz eines Terms 𝑡 ist der alte Wert mal die Bedeutung, die der Term (das Thema) im Benutzermodell hat

Schritt 3:

  • Kommt der Term 𝑡 in der Query, im Dokument, der Term Data Base aber nicht im Benutzermodell vor, wird die Relevanz angepasst 
  • Interpretation: 
    • Da 𝑐3 mit 2 angegeben wird, zählt eine Übereinstimmung zwischen Query und Dokument (aber nicht Benutzermodell) soviel wie ein dreifaches Vorkommen des Terms im Dokument (falls 𝑐1 = 𝑐2 = 1).

Schritt 4:

  • Falls 𝑡 ein Topic im Benutzermodell in Slot 𝑠𝑙𝑜𝑡𝑗 und im Dokument vorkommt, werden nun die Co-Keywords berücksichtigt
  • Interpretation: 
    • Alle Co-Keywords, die im Dokument und im Benutzermodell vorkommen, werden mit ihrem „Affinity Value“ (gewichtet mit der Bedeutung des Slots im Benutzermodell) addiert

Schritt 5: Final Score

  • Alle Terme eines Dokumentes werden mit der zugehörigen Relevanz gewichtet und aufsummiert
  • fs = α*eigenes Ranking + (1-α)*Google Ranking
  • (1-α)*Google Ranking -> hier wird mindestens der Passung nach Page Rank Rechnung getragen
Gradient

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

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.

d

4.5 /5

d

4.8 /5

So funktioniert's

Individueller Lernplan

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

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus dem Skript.

Erstelle Zusammenfassungen

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

Lerne alleine oder im Team

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

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

Nichts für dich dabei?

Kein Problem! Melde dich kostenfrei auf StudySmarter an und erstelle deine individuellen Karteikarten und Zusammenfassungen für deinen Kurs Personalization and Services an der Karlsruher Institut für Technologie - so schnell und effizient wie noch nie zuvor.