Adaptive personalization : a multi view personalization approach incorporating contextual information

Abstract

Informationsüberflutung ist längst nicht mehr nur ein modernes Reizwort, sondern bereits ein ernstes Problem mit volkswirtschaftlicher Dimension. So veröffentlichte das amerikanische Wirtschaftsforschungsunternehmen Basex (http://www.basex.com) 12/2008 eine Studie, in der allein die durch Informationsüberflutung verursachten Verluste der amerikanischen Wirtschaft auf $900 Milliarden beziffert wurden. Als geeignete Mittel zur Eindämmung oder Entschärfung dieses Problems haben sich in den letzten Jahren vor allem Personalisierungslösungen etabliert, die dem Benutzer individualisierte Filtermechanismen zur Seite stellen. Dabei kommt dem sorgsamen Umgang mit den verfügbaren Daten zentrale Bedeutung zu, da dies die Brauchbarkeit bzw. Qualität dieses Services wesentlich beeinflusst. In dieser Arbeit wird Adaptive Personalization, ein neuartiger Personalisierungsansatz vorgestellt, der die vorhandenen Informationen besser verwertet als bisherige Verfahren. Im Gegensatz zu anderen kontextuellen Verfahren werden zur Berechnung von Vorschlägen nur solche Informationen verwendet, die in jedem Standardszenario verfügbar sind.<br />Die effiziente Nutzung dieser Informationen wird an Hand der Erstellung eines neuartigen Profilmodells sowie verbesserter Algorithmen demonstriert. So wird ein flexibles, mehrschichtiges Profilmodell vorgestellt, das neben der Modellierung von kurz- und langfristigen Vorlieben sowie Vergessen auch den Ursprung von Kundenbewertungen ('context of origin') berücksichtigt. Zur Berechnung der k-nächsten Nachbarn eines Profils wird der D2[D hoch 2]-Tree, eine neue Indexstruktur, präsentiert, der den dynamischen Umgang mit (kontextuell) wechselnden Distanzfunktionen im Suchraum unterstützt. Weiters wird ein neuartiger Collaborative-Filtering Algorithmus vorgestellt, der Konzepte aus Information Retrieval und Association Rule Mining zur Steigerung der Vorhersagegüte nutzt und so bessere Ergebnisse erzielt als Standardverfahren. Vorschläge für eine flexible, skalierbare Systemarchitektur sowie für ein Vorgehensmodells zum Systementwurf vervollständigen die Präsentation des Adaptive Personalization Ansatzes.<br />Zur Evaluierung der entwickelten Konzepte wurden unterschiedliche Vorgehensweisen gewählt. So wurde die Brauchbarkeit des Profilmodells empirisch an Hand von Echtdaten untersucht während für den D2[D hoch 2]-Tree eine klassische, ausführliche Kostenanalyse erstellt wurde. Die Güte des Collaborative Filtering Algorithmus wurde, zur besseren Vergleichbarkeit mit anderen Techniken, auf Basis von Standard Datensätzen und Metriken evaluiert.<br />Auf Grund der neuartigen Nutzung vorhandener Informationen, des flexiblen Profilssystems, der effizienten Algorithmen und der robusten Architektur stellt der hier präsentierte Ansatz einen sinnvollen und nützlichen Beitrag zur Bewältigung der Informationsüberflutung dar.<br />

Information overload has become a significant problem causing losses in economic relevant dimensions. According to a study of Basex (http://www.basex.com) published in 12/2008 only the U.S. economy loses at least $900 billion per year due to lowered employee productivity and reduced innovation. Personalization systems, generating individual suggestions based on user models, are seen as one major concept for solving this urgent problem of information overload. However, providing an appropriate personal assistance requires a diligent usage of the available information.<br />In this thesis we propose a personalization approach - called Adaptive Personalization - utilizing the available, context specific information in a new and efficient way. In addition to other approaches tackling the incorporation of contextual information, we only rely on minimal data available in standard recommendation scenarios. We will show how the knowledge about the origin of user feedback - called context of origin - can be used to construct an enhanced multi-view profile model, also incorporating long- and short-term preference aspects as well as neglect. For solving the k-nearest neighbors problem in a high dimensional search space, stretched by the attributes of these profiles, a new index structure - called D2[D hoch 2]-Tree - will be presented supporting the dynamic change of (contextual) distance functions.<br />Furthermore, we introduce a new collaborative filtering algorithm where techniques borrowed from information retrieval and association rule mining where used to improve prediction quality, outperforming established approaches especially in contexts with minimal information.<br />Additionally, a robust and flexible architecture is presented suitable for large scale, real world application scenarios together with a proposal for a procedure model concerning system design. While the effectiveness of our profile model was determined on the basis of real world data, the collaborative filtering algorithm was evaluated using popular test data sets and metrics. Furthermore, detailed cost analyzes concerning the different index operations are provided for the D2[D hoch 2]-Tree.<br />Due to this new and efficient utilization of the available information, its light-weight profile model, the efficient algorithms and the flexible architecture, the Adaptive Personalization approach is a useful and valuable contribution for solving the problem of information overload.