Adatbányászat és WEB2 Németh Bottyán www.gravityrd.com Web2.0 Symposium.

Az előadások a következő témára: "Adatbányászat és WEB2 Németh Bottyán www.gravityrd.com Web2.0 Symposium."— Előadás másolata:

1 Adatbányászat és WEB2 Németh Bottyán www.gravityrd.com Web2.0 Symposium

2 Háttér BME „hardcore” gépi tanulás Tikk Domonkos PhD Takács Gábor Pilászy István Németh Bottyán Adatbányászati versenyek az igazi kihívások, nem ragadhatunk be a saját téves elképzeléseinkbe.

3 „Collaborative filtering”

4 WEB2.0 www.oreillynet.comwww.oreillynet.com what is web 2.0

5 WEB2.0 Elérhető tartalom Emergens viselkedés Adat központi szerepe Long tail Több felhasználó  Jobb szolgáltatás www.oreillynet.comwww.oreillynet.com what is web 2.0 Bizalom

6 WEB2.0 Hasznosítani a keletkezett adatokat. A felhasználó nem felhasználó, hanem alkotóelem Egyszerű visszajelzés  bonyolult reakció Elérhető tartalom Emergens viselkedés Adat központi szerepe Long tail Több felhasználó  Jobb szolgáltatás Bizalom

7 Egy érdekes matematikai probléma 14 3 44 2 44

8 MF sample - learning Q P 143 44 244 R 1.2 0.4 -0.5 0.9 -0.4 1.40.8-1.3-0.10.5 -0.2 0.5 -0.4 1.6 0.3

9 MF sample - learning Q P 143 44 244 R 1.2 0.4 -0.5 0.9 -0.4 1.40.8-1.3-0.10.5 -0.2 0.5 -0.4 1.6 0.3

10 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.4 0.9 -0.4 1.30.8-1.3-0.10.5 -0.1 0.5 -0.4 1.6 0.3

11 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.4 0.9 -0.4 1.30.8-1.3-0.10.5 -0.1 0.5 -0.4 1.6 0.3

12 MF sample - learning Q P 143 44 244 R 1.2 0.4 -0.3 0.9 -0.4 1.30.9-1.3-0.10.5 -0.1 0.4 -0.4 1.6 0.3

13 MF sample - learning Q P 143 44 244 R 1.2 0.4 -0.3 0.9 -0.4 1.30.9-1.3-0.10.5 -0.1 0.4 -0.4 1.6 0.3

14 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.4 1.30.9-1.3-0.00.5 -0.1 0.4 -0.4 1.5 0.3

15 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.4 1.30.9-1.3-0.00.5 -0.1 0.4 -0.4 1.5 0.3

16 MF sample - learning Q P 143 44 244 R 1.1 0.4 -0.2 0.8 -0.4 1.30.9-1.2-0.00.5 -0.1 0.4 -0.3 1.5 0.3

17 MF sample - learning Q P 143 44 244 R 1.1 0.4 -0.2 0.8 -0.4 1.30.9-1.2-0.00.5 -0.1 0.4 -0.3 1.5 0.3

18 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.4 1.30.9-1.20.10.5 -0.1 0.4 -0.3 1.6 0.3

19 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.4 1.30.9-1.20.10.5 -0.1 0.4 -0.3 1.6 0.3

20 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.5 -0.2 0.9 -0.3 1.50.9-1.20.10.5 0.0 0.4 -0.3 1.6 0.3

21 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.5 -0.2 0.9 -0.3 1.50.9-1.20.10.5 0.0 0.4 -0.3 1.6 0.3

22 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.2 1.50.9-1.10.10.5 0.0 0.4 -0.2 1.6 0.3

23 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.4 -0.2 0.9 -0.2 1.50.9-1.10.10.5 0.0 0.4 -0.2 1.6 0.3

24 MF sample - learning Q P 143 44 244 R 1.1 1.2 0.5 -0.2 0.9 -0.1 1.50.9-1.10.10.6 0.0 0.4 -0.2 1.6 0.2

25 Egy kis idő múlva…

26 MF sample - learning Q P 143 44 244 R 1.4 0.9 2.5 1.1 1.9 -0.3 1.5 2.11.00.71.6 0.8 1.6 1.8 0.0

27 MF sample - prediction Q P 143 44 244 R 1.4 0.9 2.5 1.1 1.9 -0.3 1.5 2.11.00.71.6 0.8 1.6 1.8 0.0 -0.53.5 4.9 1.1 3.32.4 1.5

28 Rugalmas megközelítés Értékelés adatok egységes kezelése Implicit Explicit Különböző források Beágyazható egyéb paraméterek Termék leírás Helyszín Paraméterfüggő adatok (pl. mennyi ideje vásárolt utoljára) A releváns adatok automatikus kiválasztása

29 Alkalmazás Kis területe a gépi tanulás és web metszetének Link analízis Szövegbányászat Media keresés Rengeteg alkalmazási terület. Online áruházak és kölcsönzés minden területe Hirdetés Keresés szűkítés E-learning Tourist guide Barát ajánló

30 Köszönöm a figyelmet! ?

31 Results II. EpochTraining Time (sec)RMSE 11200.9188 22000.9071 32800.9057 43600.9028 54400.9008 65200.9002

32 Miért jó? Felhasználók Személyre szabott felhasználói élmény e-commerce oldalak Növeli a megrendeléseket Faster conversions Higher customer satisfaction and increased brand loyalty Reduced merchandising and maintenance costs Automated, 1-to-1 merchandising and marketing solution