LIG - Université Grenoble 20111 Mineração de Preferências Contextuais sobre dados de preferência “pairwise” Data Mining AULA 19 – Parte I Sandra de Amo.

Apresentação em tema: "LIG - Université Grenoble 20111 Mineração de Preferências Contextuais sobre dados de preferência “pairwise” Data Mining AULA 19 – Parte I Sandra de Amo."— Transcrição da apresentação:

1 LIG - Université Grenoble 20111 Mineração de Preferências Contextuais sobre dados de preferência “pairwise” Data Mining AULA 19 – Parte I Sandra de Amo

2 LIG - Université Grenoble 2011 2 Referências ICTAI 2012 Sandra de Amo, Marcos L. Bueno, Guilherme Alves, Nádia F. Silva: CPrefMiner: An Algorithm for Mining User Contextual Preferences based on Bayesian Networks. In: 24th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2012), 2012, Atenas.CPrefMiner: An Algorithm for Mining User Contextual Preferences based on Bayesian Networks. Journal of Information and Data Management (JIDM 2013) Sandra de Amo. ; Bueno, M.L. ; ALVES, G. ; Silva, F. N. Mining User Contextual Preferences. Journal of Information and Data Management (JIDM), Vol. 4 (1), 2013, pages 37-46.Mining User Contextual Preferences.

3 LIG - Université Grenoble 2011 3 Modelos de Preferências Séjours SaisonCadre Pâcquesurbain Vac-étéplage Vac-hivermontagne Vac-hiverHistorique Noelurbain 342 5 Enfoque Quantitativo  Modelo: Score : Tuplas  N  Ordem total sobre as tuplas 1

4 LIG - Université Grenoble 2011 4 Outros quantitativos Rankings Pares (p1,p2) Triplas (p1,p2,n), onde n = grau de preferência

5 LIG - Université Grenoble 2011 5 Modelos de Preferências Enfoque Qualitativo  Modelo Conjunto finito de regras: SE condição1 E Contexto1 ENTÃO Escolha1 SE condição1 E Contexto2 ENTÃO Escolha2....  Ordem Parcial sobre as tuplas REGRAS SE a viagem é durante as férias de verão e viajo com minha família ENTÃO prefiro ir à praia do que à uma cidade histórica. SE a viagem é durante as férias de verão e viajo sozinho ENTÃO prefiro ir à uma cidade histórica do que à praia.

6 LIG - Université Grenoble 2011 6 Mineração de Preferências Contextuais

7 LIG - Université Grenoble 2011 7 O que queremos minerar ? Regras de Preferências ?  A = a1 > A = a2  B = b1 > B = b2  A = a ^ B = b  C = c1 > C = c2  C = c2  D = d1 > D = d2

8 LIG - Université Grenoble 2011 8 O que queremo minerar ? Uma rede de preferências  Um grafo de preferências  Para cada vértice do grafo: uma tabela de probabilidades condicionais de escolha dos valores do vértice com relação aos valores de seus pais. A B C D P[ (C=c1 > C=c2) | A = a1, B = b1 ] = 0.6 P[ (D=d1 > D=d2) | C = c1 ] = 0.75 P[A = a1 > A = a2] : 0.8P[B = b1 > B = b2] : 0.7

9 LIG - Université Grenoble 2011 9 Como são os dados de entrada a serem minerados ? Pares de tuplas expressando a preferência do usuário. (t1,t2)  t1 (t1,t3)  t3 (t2,t4)  t2 (t4,t5)  t5....

10 LIG - Université Grenoble 2011 10 Como medir a qualidade de uma rede de preferências ? (t1,t2)  t1 (t2,t3)  t3 (t2,t4)  t2 (t1,t3)  t1 (t1,t4)  t1 Dados de testes Conjunto de pares de tuplas classificados pelo usuário (t1,t2)  t1 (t2,t3)  t2 (t2,t4)  t2 (t1,t3)  ? (t1,t4)  ? Conjunto de pares ee tuplas classificados pela rede de pref. R Rede de Preferências Accuracy(R) = Total de tuplas corretamente ordenadas por R = 2/5 Total de tuplas Precision(R) = Total de tuplas corretamente ordenadas por R = 2/3 Total de tuplas ordenadas por R

11 LIG - Université Grenoble 2011 11 A B C D P[ (C=c1 > C=c2) | A = a1, B=b1] = 0.8 P[ (C=c1 > C=c2) | A = a1, B=b2] = 0.4 P[ (C=c1 > C=c2) | A = a2, B=b1] = 0.6 P[ (C=c1 > C=c2) | A = a2, B=b2] = 0.7 P[ (D=d1 > D=d2) | C = c1 ] = 0.75 P[A = a1 > A = a2] = 0.8P[B = b1 > B = b2] = 0.7 Comparer le tuples t1(a1,b1,c1,d1) t2(a2,b2,c2,d1) Como uma rede ordena tuplas ? Dif(t1,t2) = {A, B,C} Inf(Dif) = {A,B} P[A = a1 > A = a2, B = b1> B=b2] = 0.56 P[A = a1 > A = a2, B = b2> B=b1] = 0.24 P[A = a2 > A = a1, B = b1> B=b2] = 0.14 P[A = a2 > A = a1, B = b2> B=b1] = 0.06 t1 > t2 : 0.56 t1 < t2 : 0.06 t1 ~ t2 : 0.48 (incomparables)

12 LIG - Université Grenoble 2011 12 Formalisation du Problème Entrée: un echantillon de pairs de tuples (x,y), où x est préférée à y Sortie: un réseau bayésien de préférences (réseau probabiliste de préférences) ayant une “bonne” accuracy et une “bonne” précision.

13 LIG - Université Grenoble 2011 13 Duas etapas: 1. Minerar a topologia da rede 2. Descobrir as tabelas de probabilidades associadas a cada nó A B C D P[A = a1 > A = a2] : 0.8P[B = b1 > B = b2] : 0.7 C=c1 > C=c2 ] = 0.6 P[ C = c1 | D=d1 > D=d2] = 0.75 P[A = a1, B = b1 |

14 LIG - Université Grenoble 2011 14 Mineração da Topologia da Rede A B C DE F DE F C AB AB C D EF Dados D Score(S1,D) = N1Score(S2,D) = N2Score(S3,D) = N3

15 LIG - Université Grenoble 2011 15 Aspectos importantes : Estratégia de busca das estruturas  Impossível de gerar todas as estruturas possíveis  Necessidade de empregar uma heurística Como definir o score de uma estrutura ?

16 LIG - Université Grenoble 2011 16 Técnica utilizada para minerar a estrutura da rede a partir dos dados de preferência Algoritmo Genético Função score particular Detalhes nos seguintes artigos: ICTAI 2012, JIDM 2013

17 LIG - Université Grenoble 2011 17 Resultados em dados sintéticos Numero de atributos

18 LIG - Université Grenoble 2011 18 Dados Reais Dados de avaliações de filmes do Group Lens www.grouplens.org Dados sobre os filmes: IMDB www.imdb.com Dados coletados e pré-processados, disponíveis em

19 LIG - Université Grenoble 2011 19 Resultados em dados reais (filmes) Tempo para construir o modelo de Mineração