Dia 1

Vakgroep Informatietechnologie IBCN Gepersonaliseerde en contextafhankelijke profielen op Android mobiele toestellen Pieter Van Lysebetten, Sam Govaert Promotor: prof. dr. ir. Filip De Turck Begeleiders: Philip Leroux, Klaas Roobroeck

Dia 2

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 2 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 3

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 3 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 4

Probleemstelling Groot aantal applicaties Breed gamma aan applicaties op Android OS Gebruikers kunnen zelf applicaties downloaden Web 2.0 zelf apps ontwikkelen en verdelen duizenden apps beschikbaar op het net Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 4

Dia 5

Probleemstelling Vaak contextafhankelijk Plaatsafhankelijk AlarmClock slaapkamer Mappy auto, trein Tijdsafhankelijk QuickOffice tijdens werkuren Youtube avond, weekend Persoonsafhankelijk Mail, QuickOffice zakenman Facebook, Youtube student Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 5

Dia 6

Probleemstelling Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 6 Contacten ook contextafhankelijk Plaatsafhankelijk Collegas en klanten op het werk Familie en vrienden thuis, op cafe Tijdsafhankelijk Collegas en klanten tijdens de werkuren Familie en vrienden avond, weekend Profiel-afhankelijk Collegas en klanten werk Familie en vrienden thuis, op kot

Dia 7

Probleemstelling Data bevat meer semantiek dan we denken Verschillende relaties tussen attributen (applicatie, plaats, tijd, snelheid, enz.) Doelstelling Voorstellen van een raamwerk voor gepersonaliseerde en contextafhankelijke profielen 1. Ontdekken van profielen 2. Ontdekken van structuren, patronen en verbanden in het gebruik van applicaties en contacten Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 7

Dia 8

Doelstelling (1) Ontdekken van profielen Gepersonaliseerd en automatisch herkend Bvb voor een kotstudent: thuis, kot, school, trein Op basis van contextuele parameters Thuis: vaste locatie, lage verplaatsingssnelheid,... Trein: eerder een bewegingsfunctie, hoge snelheid,... Herkennen van profieleigenschappen Bvb typische locatie, gemiddelde snelheid,... Instellen van profielopties Bvb geluidsmodus (normaal, stil, enkel trillen,...) p. 8

Dia 9

Doelstelling (2) Ontdekken van patronen en verbanden Applicaties die vaak samen gebruikt worden Bvb Twitter en Facebook, GPS en Weer Patronen in het applicatiegebruik: Tijdspatronen, plaatspatronen, snelheidspatronen,... Vb tijdspatroon: vaak rond 20u op Facebook Patronen afhankelijk van meerdere parameters Bvb: zetten van de alarmklok voor slapengaan Tijdsafhankelijk? Plaatsafhankelijk?... Combinatie van tijd, plaats, snelheid,... Verbanden: na applicatie X vaak applicatie Y p. 9

Dia 10

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 10 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 11

Methodologie Onderzoeksdomeinen Data Mining Clustering / Custer Analysis Neurale Netwerken Support Vector Machines Association Rules Decision Trees Adaptive Resonance Theory (ART) Feature Discovery (Competitive Learning) Artificial Intelligence (AI) Rule based systems Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 11

Dia 12

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 12 Methodologie: technieken Evaluatie van Clustering-algoritmes Zoeken van locatieclusters, snelheidsclusters, 2 overwegingen 1. Dient te werken voor verschillende topologien 2. Aantal clusters vooraf niet bekend (gepersonaliseerd) K-Means Clustering vereist aantal (=K)

Dia 13

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 13 Methodologie: technieken Evaluatie van Clustering-algoritmes Competitive Networks Niet in staat aantal clusters zelf te bepalen ART Networks Wel in staat aantal clusters zelf te bepalen ART1 vrij primitief en niet geschikt voor ons doel Weinig info over andere ART-modellen Expectation-Maxization Algoritme Meer geschikt voor onze doelstelling 1. Aantal profielen vooraf niet bekend (gepersonaliseerd) K-Means Clustering vereist aantal (=K)

Dia 14

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 14 Methodologie: technieken Expectation-Maximization Algoritme Gaussiaanse distributie (normaalverdeling) In kansrekening vaak gebruikt als eerste benadering Parameters van normaalverdeling worden geschat op basis van maximum likelihood Clusters van zeer uiteenlopende vormen ontdekken Aantal clusters wordt automatisch gezocht Dient niet vooraf opgegeven te worden Verschillende Java frameworks te vinden Weka, OpenRDS, Shoal Gekozen voor Weka (meest gebruikt)

Dia 15

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 15 Methodologie: technieken Expectation-Maximization Algoritme Voorbeeld

Dia 16

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 16 Methodologie: technieken Expectation-Maximization Algoritme Voorbeeld

Dia 17

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 17 Methodologie: technieken Verwantschapsanalyse (associatieregels) Zoeken van allerlei correlaties tussen variabelen Vb supermarkt: {boter, brood} melk Zoeken van zoveel mogelijk verbanden in data {Werk, Maandag, 15u} QuickOffice Probleem: werkt met discrete waarden Tijd: 13u55 14u00 14u05... Lengtegraad, breedtegraad en snelheid ook continu Oplossing: clustering als voorbewerking

Dia 18

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 18 Methodologie: aanpak A. Ontdekken van clusters en profielen Eerste voorbewerking op data Enige structuur vinden in ongestructureerde data Doel 1. Voorbewerking voor het zoeken van patronen in het gebruik van applicaties en contacten 2. Levert de persoonlijke profielen op B. Ontdekken van patronen en verbanden Op basis van de gevonden clusters en profielen Dmv 3 classificatie-algoritmes

Dia 19

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 19 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen

Dia 20

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 20 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen

Dia 21

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 21 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen

Dia 22

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 22 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen

Dia 23

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 23 A. Clustering en profielgeneratie Eerste-niveau clustering: attribuut locatie

Dia 24

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 24 A. Clustering en profielgeneratie Eerste-niveau clustering: attribuut locatie

Dia 25

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 25 A. Clustering en profielgeneratie Eerste-niveau clustering: attribuut locatie

Dia 26

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 26 A. Clustering en profielgeneratie Eerste-niveau clustering: attribuut locatie

Dia 27

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 27 A. Clustering en profielgeneratie Eerste-niveau clustering: attribuut locatie

Dia 28

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 28 A. Clustering en profielgeneratie Eerste-niveau clustering: weekdag, snelheid

Dia 29

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 29 A. Clustering en profielgeneratie Eerste-niveau clustering: tijd

Dia 30

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 30 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen combineren

Dia 31

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 31 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen combineren

Dia 32

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 32 A. Clustering en profielgeneratie Eerste-niveau clustering: profielen

Dia 33

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 33 A. Clustering en profielgeneratie Eerste-niveau clustering: attributen Tweede-niveau clustering: applicaties We beschouwen applicaties tussen twee standby-operaties als een cluster

Dia 34

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 34 B. Ontdekken van patronen Classificatie Training op basis van getransformeerde data 1. Clusters Attribuutclusters en applicatieclusters 2. Profielen Clusters over alle attributen samen 3. Recent geopende applicaties Testing ahv 3 classificatie-algoritmes Elk algoritme levert een rangorde van applicaties op basis van huidige gegevens op Android-toestel Tijdstip, weekdag, plaats, actieve applicaties,...

Dia 35

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 35 B. Ontdekken van patronen ASSOCIATIE- REGELS INTRACLUSTER- CORRELATIE GRAFEN- ALGORITME PROFIELAFHANKELIJKE PATRONEN + profieleigenschappen (gemiddelde snelheid,...) STATISTISCH ALGORITME KORTETERMIJN- GEHEUGEN

Dia 36

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 36 B. Ontdekken van patronen ASSOCIATIE- REGELS GRAFEN- ALGORITME STATISTISCH ALGORITME

Dia 37

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 37 B. Ontdekken van patronen ASSOCIATIE- REGELS GRAFEN- ALGORITME STATISTISCH ALGORITME applicatiekansen

Dia 38

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 38 B. Ontdekken van patronen ASSOCIATIE- REGELS Classificatie- functie f() GRAFEN- ALGORITME STATISTISCH ALGORITME applicatiekansen

Dia 39

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 39 B. Ontdekken van patronen ASSOCIATIE- REGELS Classificatie- functie f() GRAFEN- ALGORITME STATISTISCH ALGORITME applicatiekansen bvb: max of gewogen som

Dia 40

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 40 B. Ontdekken van patronen ASSOCIATIE- REGELS Classificatie- functie f() GRAFEN- ALGORITME STATISTISCH ALGORITME applicatiekansen totale applicatiekansen bvb: max of gewogen som

Dia 41

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 41 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 42

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 42 Raamwerk Evaluatie performantie van de technieken Clustering (Expectation-Maximization via Weka) Zeer veel data te analyseren Eerst een tweetal weken trainingsdata verzamelen Meerdere attributen (tijd, plaats,...) Meerdimensionale attributen Locatie is tweedimensionaal Profiel is vijfdimensionaal! Sommige attributen bevatten weinig structuur Bvb tijdstip Vertraging van het clusteralgoritme Algoritmes veel te zwaar voor het mobiel toestel Client-Server Architectuur

Dia 43

Raamwerk Onderzoek op Android Weka-library initieel geporteerd voor Android Problemen met externe libraries op Android Android heeft eigen virtuele machine (Dalvik) Vooral problemen met GUI-elementen Weka-library geporteerd Web services Vergelijking tussen REST en SOAP REST flexibeler en performanter Google heeft gebruik van SOAP stopgezet Gekozen voor REST Thesisbespreking Sam Govaert, Pieter Van Lysebetten Vakgroep Informatietechnologie Onderzoeksgroep (naam) p. 43

Dia 44

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 44 Raamwerk Client-Server Architectuur Android Client Service Monitoren van gegevens op toestel (Intern) opslaan van de getrackte gegevens Communicatie met de server Events (bvb aanbevelingen) naar widget sturen Widget Visualiseren van informatie Applicaties, contacten, profieleigenschappen Profieleigenschappen opgeslagen op SD-kaart

Dia 45

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 45 Raamwerk Client-Server Architectuur Server Clustering Classificatie Associatieregels Profielvenster (grafenalgoritme) Kortetermijngeheugen Communicatie tussen client en server REST web services Spring Android REST Template

Dia 46

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 46 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 47

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 47 Evaluatie Testopstelling Modelling Tool Modelleren van het applicatiegebruik van een persoon Bouwblokken met verschillende eigenschappen Cordinaten Applicatieprobabiliteiten Patronen in het applicatiegebruik Realistische afwijkingen (random-factor) Model wordt dan vertaald naar ARFF-dataformaat Eigen metriek (NIP) Ahv true positives en false negatives Geoptimaliseerd zodat een random recommender altijd een metriek van 0% oplevert

Dia 48

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 48 Evaluatie Resultaten Vergelijking tussen recommenders RecommenderNIP Random Recommender0 % Simple Recommender10.57 % Associatieregels84.41 % Gewogen Classificatie83.49 % Max Classificatie84.66 %

Dia 49

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 49 Evaluatie Resultaten Vergelijking tussen recommenders Associatieregels op zich reeds goede resultaten Meeste patronen uit Profielvenster zullen hier ook gevonden worden Profielvenster wel zeer bruikbaar voor de profielen RecommenderNIP Random Recommender0 % Simple Recommender10.57 % Associatieregels84.41 % Gewogen Classificatie83.49 % Max Classificatie84.66 %

Dia 50

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 50 Evaluatie Overige uitgevoerde testen Korte evaluatie van de profielherkenning Enkele eenvoudige case studies Performantie van de serverdiensten Performantie van de Android client Vertragingen op GUI-niveau Batterijverbruik Netwerkbelasting tussen client en server Associatieregels op zich reeds goede resultaten Meeste patronen uit Profielvenster zullen hier ook gevonden worden Profielvenster wel zeer bruikbaar voor de profielen

Dia 51

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 51 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 52

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 52 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ...

Dia 53

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 53 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ...

Dia 54

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 54 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ... id en gegevens over profiel

Dia 55

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 55 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ... id en gegevens over profiel laatst gebeld in profiel

Dia 56

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 56 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ... id en gegevens over profiel laatst gebeld in profiel

Dia 57

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 57 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ... id en gegevens over profiel laatst gebeld in profiel

Dia 58

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 58 Demo Databestand Persoon met 9-to-5-job Thuis Trein naar werk Werk Trein naar huis Thuis Patronen Bij slapengaan Alarmklok zetten Bij opstaan Alarmklok wijzigen Agenda nakijken Applicaties vaak tesamen Email en Facebook ... id en gegevens over profiel laatst gebeld in profiel applicaties

Dia 59

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 59 Overzicht Situering Probleemstelling Doelstelling Methodologie Raamwerk Evaluatie Demo Conclusie

Dia 60

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 60 Conclusie Raamwerk voorgesteld Gepersonaliseerde en contextafhankelijke profielen Aanbevelingen van applicaties en contacten Technieken Clustering: Expectation-Maximization-algoritme Patroonherkenning: associatieregels leveren beste resultaten Performantie en architectuur Technieken te zwaar voor Android client POC via Client-Server architectuur

Dia 61

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 61 Conclusie Onderwerpen voor verder onderzoek Dynamisch evalueren van profielen Eventueel door verschillende schalen te gebruiken Hier kan ART wel geschikt zijn Optimalisatie van de recommendatie Complexere classificatiefuncties

Dia 62

Thesisverdediging Pieter Van Lysebetten, Sam Govaert Vakgroep Informatietechnologie IBCN p. 62 Vragen