ارائه دهنده: سيما سلماني استاد راهنما: دکتر عبداله زاده...

ارائه دهنده: سيما سلمانياستاد راهنما: دکتر عبداله زاده

89بهمن

ساخت واژگان شناختي پويا براي شخصي سازي وب

به نام خدا

2

سيما سلماني[email protected]

رئوس مطالبتعريف مسالهمفروضات

واژگان شناختيشخصي سازي وب

نقش مدل کاربر○پارامترهاي مهم مدلسازي کاربر○روشهاي مدلسازي کاربر مبتني بر واژگان شناختي○

کارهاي پيشينمشکالت موجود

طراحي روش پيشنهاديارزيابي روش پيشنهادينتيجه گيري و کارهاي آينده

آزمايشگاه سيستم هاي هوشمندhttp://ceit.aut.ac.ir/islab/


تعريف مساله پويا شناخت:ي واژگان س:اخت پروژ:ه: هدف

براي شخصي سازي وب مدلسازي در شناخت:ي واژگان از اس:تفاده

کاربرروشهاي مدلسازي

OverlayStereotypeواژگان شناختي هاي لغوي

نياز به پويايي در مدل کاربر3

طراحي روش مفروضاتتعريف مسالهپيشنهادي

ارزيابي روش نتيجه گيريپيشنهادي



واژگان شناختييک ساختار گراف/ شبکه

اهداف ،:فراهم آو:ردن دانش معنايي ،ايجاد درک: مش:ترک بص:ورت دان:::ش س:::ازماندهي:

ساختاريافته،...

کاربردها4




C0

C4C3C2C1

I1 I2 I3 I4


شخصي سازي وب ه:ر عمل:ي ک:ه اطالعات و س:رويس هاي فراهم

نيازهاي با را س:ايت وب ي:ک توس:ط شده . کاربران سازگار کند

:نيازمنديهاي اصليعاليق کاربر○محتوا و ساختار وب سايت○ تع:امالت بررسي طري:ق از کاربر عالي:ق تشخي:ص

قبلي و فعلي سيستم با کاربر

5





...شخص=ي سازيمولفه برخط سيستم شخصي سازي

6

موتور توصيه

جلسه جاري وب سرور

توصيه ها

مرورگر کاربر

دانش دامنه

مدل کاربر




سيما سلماني[email protected] 7

پارامترهاي مهم در مدلسازي کاربر

هدف سيستم شخصی سازی

منابع ساختالگوريتم هاي مدل کاربر

فيلتر کردنطرح سيستم


ذخيره مدل کاربر در server

ذخيره مدل کاربر در client

نمايش مدل کاربر

واژگان شناختي ها

بردار وزن دار مفاهيم

بردار وزن دار کلمات

فيلترينگ مشارکتي

فيلترينگ مبتني بر قاعده

فيلترينگ مبتني بر محتوا

توصيهجستجوضمنيصريح




داليل نياز به واژگان شناختي در شخصي سازي وب

اس:تفاده از دان:ش معناي:ي در حوزه شخصي و تر مشتريان عمي:ق تعام:ل ب:ه وب س:ازي

کاربران وب سايت با آن منجر مي شود. رويکردهاي نمايش مدل کارب:ر

رويکردهاي مبتني بر کلمات کليديرويکردهاي مبتني بر مفاهيمرويکردهاي مبتني بر واژگان شناختي

8





روشهاي مدلسازي کاربر مبتني بر واژگان شناختي

overlayروش 1.

Stereotypeروش 2.

روشهای مبتنی بر واژگان شناختی لغوی3.انواع ارتباطاتمنابع ارتباطات معنايی

Longmanفرهنگ لغت. ○Rogetفرهنگ جامع. ○ODP و WordNetواژگان شناختي و رده بندي. مثل ○فرهنگ هاي عمومي. مثل ويکيپديا○

9





معايب مزايا منبع مفاهيم از پوش::ش عدم

خاص دامنهو زمان زياد ايجاد و هزينه

به روز رساني موجوديت از ک:م پوش:ش

هاي نامدارارتباطات محدود

پوشش خوب از مفاهيم کليدقت و کيفيت باالارتباطات مفيدهاي برنام:ه نويس:ي به انواع: واس:ط

زبان هاي مختلفرايگان هاي زبان به بودن دس::ترس در

مختلف

WordNet

واژگان شناختي و

رده بندي

حجم زياد دادهبرنامه واس:ط وجود عدم

نويسي بهينه مشخ:ص نکردن صريح نوع

ارتباط

پوشش خوب از مفاهيم خاص دامنهموجوديت از خوب بس:يار پوش:ش

هاي نامدار اطالعات دقي:ق در مورد هر مفهوم

و مفاهيم مرتبط به روز رساني بسيار سريع منابع انواع بودن دس::ترس در

اطالعات معنايي لغويموجود بصورت رايگان در دس:ترس بودن به تعداد زيادي از

زبان هادقت و کيفيت خوب از نامحدود روابط اس:تخراج امکان

آن

Wikipedia

فرهنگ عمومي




مقايسه ساختاري WordNetو ويکيپديا

11

Folksonomy

Taxonomy

Thesaurus

WordNet

Dictionary

Ontology

Linguistic Knowledge Base(LKB)

WordNet

Well Structured

Collaborative Knowledge Base(CKB)

Wikipedia

Less well structured





کارهاي انجام شده قبليپارامترهاي ارزياب

ي

پويايي نمايش مدل کاربر سال نويسنده عنوان کار

دقت، يادآوري

F1و

مطرح: نيست

بردار مفاهيم, با استفاده از ويکيپديا 1387 قادريان،عبداله زاده

بهبود مدل کاربر در وب سايت بصورت خودکار با استفاده از معنا

شناسي با مفاهيم خاص دامنه

دقت و يادآوري

نيمه پويا ODPتاکسونومي مبتني بر 2007 Sieg, Mobasher

Ontological user profiles for personalized web search

Mean absolute

error(MAE)

مطرح: نيست

WordNetتاکسونومي مبتني بر 2007-2009

Lops, Degemmis,

and Semeraro

Improving social filtering techniques through WordNet-based user profiles

دقت، يادآوري،

F1و

مطرح: نيست

WordNetواژگان شناختي مبتني بر با روابط

Antonymy (opposites),Hyponymy/hypernymy (IS-A),

meronymy(PART-OF)

2007 Semeraro, Degemmis, Lops, and

Basile

Combining learning and word sense disambiguation for intelligent user

profiling

ارزيابي انجام نشده است.

نيمه پويا واژگان شاختي مبتني بر ساختار ويکيپديا

2010 Chang and Quiroga

An Ontological User Modeling Approach Using Wikipedia's Content

for Cross-System Personalization12




مشکالت موجودپويايي مدل کاربر

ايستانيمه پويا

معنا ،کاربر مدل براي شده ارائه هاي شناخت:ي واژگان

داراي ساختار تاکسونوميک هستند. از واژگان شناخت:ي هاي لغوي مانند براي WordNetي:ا

ساخت آنها استفاده شده است.پوشش محدود از مفاهيم دامنه هاي خاص○عدم پوشش از موجوديت هاي نامدار○ارتباطات محدود○

13





روش پيشنهادي واژگان بر مبتني پوي::ا کاربر مدل س::اخت

کمک ب:ا وب س:ازي شخص:ي براي شناخت:ي ويکيپدي:ا

روش ترکيبیOverlayواژگان شناختي دامنه : از ويکيپدي:ا بعنوان ي:ک واژگان شناخت:ي لغوي استفاده

کرده ايم. به روز رساني

14


طراحي روش مفروضاتتعريف مسالهنتيجه گيريارزيابي روش پيشنهاديپيشنهادي


ويکيپديااطالعات معنايي لغوي منبع

تعريفتوصيف معنا, عبارات مرتبط، ترجمه ها

مترادف، انواع امالء، امالء اشتباه، مخفف هانهادهاي نامدار، عبارات خاص دامنه

مقاالتاولين پاراگراف

متن کاملهدايت کننده ها

عنوان

عبارات مرتبط، هم رخدادها مترادف ها،: انواع امالء، عبارات مرتبط

گراف لينک، عبارات مرتبط

لينک هاي مقاالت

زمينهبرچسبمقصد

عبارات مرتبط معنايي)همزادها( بين عباراتMeronymic و Hyponymicروابط

دسته هامقاالت داخل

دسته هاسلسله مراتب

انباره درکرفع ابهام

لينک هاي مقاالت15




معماري سيستم پيشنهادي

16

صفحات وب سايت

ويکيپديا

کلمات کليدي دامنه

استخراج کلمات کليدي صفحات

ساخت واژگان شناختي

دامنه

نرم افزارWUM

ساخت بردار کلمات کليدي

عاليق کاربر

ساخت مدل کاربرنگاشت بردار کلمات کليدي

بر واژگان شناختي دامنهبه روز رساني

مدل کاربر

واژگان شناختي

دامنه

واژگان شناختي مدل

کاربر

بردار وزن دار کلمات کليدي


ثبتهاي وب سرور

مولفه برون خط ساخت واژگان شناختی دامنه

مولفه برخط ساخت و بروز رسانی واژگان شناختی مدل کاربر



... روش پيشنهادي گام کلي است:3روش پيشنهادي داراي

س:اخت واژگان شناخت:ي دامن:ه وب س:ايت ب:ا کمکويکيپديا

ساخت مدل کاربر مبتني بر واژگان شناختيبه روز کردن مدل کاربر به منظور پويايي

17




ساخت واژگان شناختي دامنه وب سايت

18

استخراج کلمات کليدي دامنه وب سايت

ساخت واژگان شناختي دامنه وب سايت با استخراج مفاهيم و روابط از ويکيپديا

صفحات وب سايت

ويکيپديا

واژگان شناختي دامنه

کلمات کليدي دامنه وب سايت

روابط استخراج شده از ويکيپدياهدايت • ص:فحات از تس:اوي: رابط:ه

کنندهيک • در موجود مفاهي:م همزاد: رابط:ه

دستهSee-Also رابطه • روابط موجود در متن مقاالت•




ساخت مدل کاربر

19

پيش پردازش

استخراج کلمات کليدي بازديد شده توسط ک:اربر و ساخت بردار کلمات کليدي عاليق او

ساخت مدل کاربر مبتني بر واژگان شناختي با نگاشت بردار کلمات کليدي عاليق کاربر بر


ثبتهاي وب سرور

کلمات کليدي دامنه وب سايت

بردار کلمات کليدي


مدل کاربر مبتني بر

واژگان شناختي آزمايشگاه سيستم هاي هوشمندhttp://ceit.aut.ac.ir/islab/



به روز رساني مدل کاربر

20

Function UpdatUserModel (UserModel UM, keywordWeightVector KW )

For each keyword in KW

If UM contains keyword as an Individual

Weight(keyword in UM)+=Weight(keyword in KW)

Else begin

Axiom ax= relatedAxiomInDomainOntology(keyword)

Add(ax, Weight(keyword in KW)) to UM

End Else

End For

End آزمايشگاه سيستم هاي هوشمند

http://ceit.aut.ac.ir/islab/



يک مدل کاربر نمونه

21

KeywordVector={(assign,190),(grade,160),(section,152),(test,72) ,(program,67),(final,59),(topic,49),(question,45)}




جزئيات پياده سازيمحيط پياده سازي

:زبان برنامه نويسيJava نسخه jdk1.6.0 :در محيطNetBeans IDE6.0 :پايگاه دادهMySQL server 5.0

22




جزئيات پياده سازيمولفه ساخت واژگان شناختي دامنه1.

کار با ويکيپديا○Dump :گيگا بايت40 هاي ويکيپديا ○JWPLDataMachine گيگا بايت54پايگاه داده حاصل ○○JWPLکار با واژگان شناختي

○OWL-APIيک واسط برنامه نويسي جاوا نسبت بهJena از OWL .در سطح باالتري پشتيباني مي کند

23

DatabaseConfiguration dbConfig = new DatabaseConfiguration();dbConfig.setHost("SERVER_URL");dbConfig.setDatabase("DATABASE");dbConfig.setUser("USER");dbConfig.setPassword("PASSWORD");dbConfig.setLanguage(Language.german);// Create the Wikipedia objectWikipedia wiki = new Wikipedia(dbConfig);




...جزئيات پياده سازيمولفه ساخت مدل کاربر مبتني بر واژگان شناختي2.

پردازش ثبتهاي وب سرورپاكس:ازي داده، شناس:ايي كاربر، شناسايي ○ شام:ل عمليات:

كاربر.جلسه○ WUM وب ثبتهاي پردازش پيش براي مفيدي افزار نرم

سرورزبان جاوا ○رايگان○کار با واژگان شناختي

مولفه بروز رساني مدل کاربر3.کار با واژگان شناختي

24




مختلفابييپارامترهاي ارزپارامترهاي مبتني بر توصيه

Recommendation score Average recommendation relevanceAverage impact and impact standard deviation دقت و نرخ خطاي توصيه ها

پارامترهاي مبتني بر خوشه بنديIntra cluster distance and inter cluster distance

دقت پيش بينيدقت و يادآوري مفاهيم





ابييپارامترهاي ارز...اب:ي مورد اس:تفاده عبارتن:د از يپارامترهاي ارز

ادآوري و يدقتميزان مرتب:ط بودن خروج:ي موتور توصيه. دق=ت :

پوش=شادآوريي در : / توصيه موتور قابلي:ت تولي:د توص:يه هاي:ي ک:ه ممک:ن اس:ت توسط کاربر

بازديد شوند.

||||

SSHprecision

||||

HSHrecall

recallprecisionrecallprecisionF

**21





کاربر 5نتايج آزمايشات براي مختلف

27

F1 يادآوري دقت کاربران

58.65% 78.57% 46.80% 1کاربر

47.72% 35.0% 75.0% 2کاربر

62.64% 50.20% 83.30% 3کاربر

65.59% 56.16% 78.84% 4کاربر

73.54% 60.0% 95.0% 5کاربر 61.62% 55.98% 75.78% ميانگين





نتايج ارزيابي در مقايسه با ساير روشها

28


برد:ا:ر: کلمات: کلید:ی:

ب:رد:ا:ر: مفاه:یم مبتنی ب:رWordNet

ب:رد:ا:ر: مفاه:یم مبتنی ب:ر و:ی:کیپد:ی:ا

و:ا:ژ:گان: شناختی مبتنی ب:ر و:ی:کیپد:یا

0

10

20

30

40

50

60

70precision F1

Recall

ر=وش=های نمايش م=دل کاربر

صد

در




به روز رساني مدل کاربر10نتايج آزمايشات در طي

29

0 1 2 3 4 5 6 7 8 9 1040

45

50

55

60

65

70

75

80

PrecisionRecallF1

تع=داد دف=ع=ات به= روز رس=اني

صددر





نتيجه گيري دق:ت و ي:ادآوری بهت:ر در مقايس:ه با روشهای

بردار کلمات کليدی دق:ت و يادآوری بهتر در مقايس:ه با روش های

بردار مفاهيم با استفاده ازWordNet با استفاده از ويکيپديا

نتايج به روز رسانی

30





کارهاي آيندهواژگان1. ساخت زمين::ه در ک::ه کارهاي::ي

شناختي مي ت:وانند انجام شوند. س:اخت واژگان شناخت:ي ب:ا ترکيبي ازWordNet و

ويکيپديااستخراج روابط بيشتر از ويکيپديا 2کاوش ويکيپديا تا عمق بيشتر از

31





...کارهاي آينده کارهاي:ي ک:ه در اس:تفاده بهت:ر از اين واژگان2.

شناختي مي توانند انجام شون:د. واژگان روي از استنتاجات روي بر تمرک::ز

شناختي مدلسازي روشهاي ب::ا روش اي::ن ترکي::ب

stereotype و يادگيري الگوريتمهاي با روش اي::ن ترکي::ب

روشهاي فيلترينگ

32




33


مراجع[1] M. Eirinaki and M. Vazirgiannis, “Web mining for web personalization,”

ACM Transactions on Internet Technology (TOIT), vol. 3, 2003, p. 27.[2] M. Albanese, A. Picariello, C. Sansone, and L. Sansone, “Web personalization

based on static information and dynamic user behavior,” In Proceedings of the 6th annual ACM international workshop on Web information and data management, 2004, pp. 80–87.

[3] D. Pierrakos, G. Paliouras, C. Papatheodorou, and C.D. Spyropoulos, “Web usage mining as a tool for personalization: A survey,” J. User Modeling and User-Adapted Interaction, vol. 13, 2003, pp. 311–372.

[4] S. Anand and B. Mobasher, “Intelligent techniques for web personalization,” In Intelligent Techniques for Web Personalization, 2005, pp. 1–36.

[5] B. Mobasher, “Web Usage Mining and Personalization”. Chapter in Practical Handbook of Internet Computing Munindar P. Singh, CRC Press, 2004.

[6] S. Sosnovsky and D. Dicheva, “Ontological technologies for user modelling,” International J. Metadata, Semantics and Ontologies, vol. 5, 2010, pp. 32–71.


34


مراجع…[7] B. Mobasher, H. Dai, T. Luo, and M. Nakagawa, “Discovery and evaluation of

aggregate usage profiles for web personalization,” Data Mining and Knowledge Discovery, vol. 6, 2002, pp. 61–82.

[8] J. Davies, R. Studer, and P. Warren, “Semantic Web Technologies: trends and research in ontology-based systems,” RECIIS, vol. 3, 2009, pp. 89–90.

[9] A. Sieg, B. Mobasher, and R. Burke, “Ontological user profiles for personalized web search,” Proceedings of the 5th Workshop on Intelligent Techniques for Web Personalization, Vancouver, Canada, 2007.

[10] J. Brank, M. Grobelnik, and D. Mladenic, “A survey of ontology evaluation techniques,” Proceedings of the Conference on Data Mining and Data Warehouses (SiKDD 2005), 2005, pp. 166–170.

[11] D. Milne, O. Medelyan, and I.H. Witten, “Mining domain-specific thesauri from wikipedia: A case study,” IEEE/WIC/ACM International Conference on Web Intelligence, 2006. WI 2006, 2006, pp. 442–448.


35


مراجع…[12] T. Zesch, C. Müller, and I. Gurevych, “Extracting lexical semantic knowledge

from wikipedia and wiktionary,” Proceedings of the Conference on Language Resources and Evaluation (LREC), 2008, pp. 1646–1652.

[13] S.E. Middleton, D.C. De Roure, and N.R. Shadbolt, “Capturing knowledge of user preferences: ontologies in recommender systems,” Proceedings of the 1st international conference on Knowledge capture, 2001, pp. 100–107.

[14] A. Pretschner and S. Gauch, “Ontology based personalized search,” Tools with Artificial Intelligence, 1999. Proceedings. 11th IEEE International Conference on, 2002, pp. 391–398.

[15] J. Trajkova and S. Gauch, “Improving ontology-based user profiles,” Proceedings of RIAO, 2004, pp. 380–389.

[16] B. Magnini and C. Strapparava, “Using WordNet to improve user modelling in a web document recommender system,” Proceedings of the NAACL 2001 Workshop on WordNet and Other Lexical Resources, 2001.

[17] S. Gauch, J. Chaffee, and A. Pretschner, “Ontology-based personalized search and browsing,” Web Intelligence and Agent Systems, vol. 1, 2003, pp. 219–234.


36


مراجع…[18] H.R. Kim and P.K. Chan, “Learning implicit user interest hierarchy for

context in personalization,” Applied Intelligence, vol. 28, 2008, pp. 153–166.[19] T.L. Anand, “Exploiting Domain Knowledge by Automated Taxonomy

Generation in Recommender Systems,” E-Commerce and Web Technologies: 10th International Conference, EC-Web 2009, Linz, Austria, September 1-4, 2009, Proceedings, 2009, p. 120.

[20] L. Ardissono, C. Gena, P. Torasso, F. Bellifemine, A. Difino, and B. Negro, “User modeling and recommendation techniques for personalized [31] B. Magnini and C. Strapparava, “Improving user modelling with content-based techniques,” User Modeling 2001, 2010, pp. 74–83.

[21] G. Semeraro, M. Degemmis, P. Lops, and P. Basile, “Combining learning and word sense disambiguation for intelligent user profiling,” Proc. of the 20th Int. Joint Conf. on Artificial Intelligence, 2007, pp. 2856–2861.


37


مراجع…[22] P. Lops, M. Degemmis, and G. Semeraro, “Improving social filtering techniques

through WordNet-based user profiles,” User Modeling 2007, 2009, pp. 268–277.ا. عبدال:::ه زاده بارفروش, “بهبود مدل کاربر در وب س:::ايت و ميث:::م قادريان [ 23]

نامه بص:ورت خودکار ب:ا اس:تفاده از معن:ا شناس:ي ب:ا مفاهي:م خاص دامن:ه,” پايان دانشگاه صنعتي کارشناسي ارشد, دانشکده مهندسي کامپيوتر و فناوري اطالعات,

.1387اميرکبير, [24] B. Safarkhani, M. Mohsenzadeh, and A.M. Rahmani, “Improving Website User

Model Automatically Using a Comprehensive Lexical Semantic Resource,” E-Business and Information System Security, 2009. EBISS'09. International Conference on, 2009, pp. 1–5.

[25] P.C. Chang and L.M. Quiroga, “Using Wikipedia Content to Derive an Ontology for Modeling and Recommending Web Pages across Systems,” Recommender Systems & the Social Web, 2009.

[26] P.C. Chang and L.M. Quiroga, “An Ontological User Modeling Approach Using Wikipedia's Content for Cross-System Personalization,” Proceedings of the IUI2010 Workshop on User Data Interoperability in the Social Web, 2010, pp. 30–33. آزمايشگاه سيستم هاي هوشمند


38


مقاالت ارائه شده زاده عبداله احم:::د س:::لمانی, س:::يما

بارفروش,“واژگان شناختی مبتنی ب:ر ويکيپديا برای شخص:ی س:ازی وب“ , ارس:ال شده به شانزدهمي:ن کنفران:س انجم:ن کامپيوتر ايران,

1389 Sima Salmani, Ahmad Abdollahzadeh

Barforoush,” Dynamic ontology construction based on Wikipedia for Web Personalization”, submitted to User Modeling, Adaptation and Personalization Conference, UMAP2011, 2011آزمايشگاه سيستم هاي هوشمند


39


با تشکر از حضور و توجه شما



Click icon to add picture

و پرسش پاسخ

8

؟ آزمايشگاه سيستم هاي هوشمند


ارائه دهنده: سيما سلماني استاد راهنما: دکتر عبداله زاده...

Documents