Loading…
Graph-Based Recommendation in Broad Folksonomies
Wetzker, Robert
Die nutzerzentrierte Klassifikation von Ressourcen durch Zuweisung frei wählbarer Wörter (Tags) hat sich zu einem integralen Bestandteil moderner Webanwendungen entwickelt. Während sich kontrollierte Klassifikationsschemata wie etwa Taxonomien bzw. Ontologien aus Nutzersicht häufig als zu starr, kostspielig und wenig dynamisch erweisen, gewähren Tags ein hohes Maß an Flexibilität und erfordern nur geringen kognitiven Aufwand während des Klassikationssprozesses. Die Nutzerfreundlichkeit und Effektivität dieser Art der unkontrollierten Inhaltsklassifikation begründete den Erfolg und die heutige weite Verbreitung von Tagging Communities wie Delicious, Flickr, LibraryThing oder Last.fm, welche man auch als Folksonomien bezeichnet. Folksonomien bündeln die Interessen von Tausenden oder Millionen von Nutzern und werden dadurch zu einzigartigen Informationsquellen. Die Existenz von Tags erlaubt darüber hinaus eine einheitliche Modellierung von Inhalten unabhängig von ihrer Art oder ihres Formats und erspart in vielen Fällen eine aufwendige Verarbeitung, Speicherung sowie Indizierung der Inhalte selbst. Aus Datenverarbeitungssicht besonders interessant sind sogenannte "broad folksonomies", bei welchen die selben Inhalte von mehreren Nutzern referenziert und annotiert werden können, so dass es zur Bildung deskriptiver und charakteristischer Worthäufungen kommt. In dieser Dissertation werden Algorithmen zur personalisierten Empfehlung von Inhalten in Folksonomien entworfen und evaluiert. Empfehlungssysteme unterstützen Nutzer beim Entdecken interessanter Inhalte aus einer unübersichtlichen Menge existierender Möglichkeiten. Obwohl bereits umfangreiche Forschungsarbeiten auf dem Gebiet von Empfehlungssystemen existieren, lassen sich diese nicht ohne Informationsverlust auf die tripartite Folksonomiestruktur aus Inhalten, Nutzern und Tags übertragen. Die in dieser Arbeit entwickelten Algorithmen berücksichtigen hingegen diese besondere Graphstruktur und profitieren von den durch Tags gegebenen semantischen Zusatzinformationen. Ausführliche Tests in verschiedenen Szenarien und für mehrere Folksonomien zeigen, dass die entwickelten Lösungen bessere Empfehlungen liefern als existierende Ansätze.
The user-centric annotation of resources by freely chosen words (tags) has become the predominant form of content categorization of the Web 2.0 age. It provided the foundations for the success of now famous services, such as Delicious, Flickr, LibraryThing, or Last.fm. Tags have proven to be a powerful alternative to existing top-down categorization techniques, as for example taxonomies or predefined dictionaries, which lack flexibility and are expensive in their creation and maintenance. Instead, tagging allows users to choose the labels that match their real needs, tastes, or language, which reduces the required cognitive effort. Services that center on the collaborative tagging of resources are called folksonomies. These communities have become an invaluable source for information retrieval, since they bundle the interests of thousand or even millions of users, magnifying the underlying domain from a user-centric perspective. Furthermore, the existence of tags allows for the unified modeling of content independent of its type or format and without the need of expensive content retrieval, processing, storage, or indexing. Of special interest from an information retrieval perspective are the tags that are generated in "broad folksonomies", where many users reference and tag the same objects. This collaborative tagging produces high quality content descriptors and characteristic tag spectra with high potential for better content models. This dissertation aims to develop novel algorithms for the personalized recommendation of objects within folksonomies. Recommender systems support users in the discovery of valuable content out of an overwhelming set of choices and already increase the perceived value of many web applications. However, the tripartite structure of folksonomies that results from the interaction of content, tags, and users goes beyond the capability of common recommendation techniques. The algorithms presented in this dissertation are instead especially tailored towards to needs of folksonomies. They incorporate tagging and usage patterns in parallel in order to derive more precise and robust recommendation models. Exhaustive tests for different settings and various folksonomies show that the developed solutions produce more accurate recommendations than the current state-of-the-art
