Download - Vakgroep Informatietechnologie – IBCN Gepersonaliseerde en contextafhankelijke profielen op Android mobiele toestellen Pieter Van Lysebetten, Sam Govaert.

Vakgroep Informatietechnologie – IBCN

Gepersonaliseerde en contextafhankelijke profielen op Android mobiele toestellen

Pieter Van Lysebetten, Sam Govaert

Promotor: prof. dr. ir. Filip De TurckBegeleiders: Philip Leroux, Klaas Roobroeck

Thesisverdediging– Pieter Van Lysebetten, Sam GovaertVakgroep Informatietechnologie – IBCN

p. 2

Overzicht

Situering Probleemstelling Doelstelling

Methodologie Raamwerk Evaluatie Demo Conclusie


p. 3

Overzicht



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 LysebettenVakgroep Informatietechnologie – Onderzoeksgroep (naam)

p. 4

Probleemstelling

Vaak contextafhankelijk Plaatsafhankelijk

AlarmClock slaapkamer Mappy auto, trein

Tijdsafhankelijk QuickOffice tijdens werkuren Youtube avond, weekend

Persoonsafhankelijk Mail, QuickOffice zakenman Facebook, Youtube student


p. 5

Probleemstelling


p. 6

Contacten ook contextafhankelijk Plaatsafhankelijk

Collega’s en klanten op het werk Familie en vrienden thuis, op cafe

Tijdsafhankelijk Collega’s en klanten tijdens de werkuren Familie en vrienden avond, weekend

“Profiel”-afhankelijk Collega’s en klanten werk Familie en vrienden thuis, op kot

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 verbandenin het gebruik van applicaties en contacten


p. 7

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

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


p. 10

Overzicht



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


p. 11


p. 12

Methodologie: technieken

Evaluatie van Clustering-algoritmes Zoeken van locatieclusters, snelheidsclusters, … 2 overwegingen

1. Dient te werken voor verschillende topologieën

2. Aantal clusters vooraf niet bekend (gepersonaliseerd)

– K-Means Clustering vereist aantal (=K)


p. 13


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)


p. 14


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)


p. 15


Expectation-Maximization Algoritme Voorbeeld


p. 16


Expectation-Maximization Algoritme Voorbeeld


p. 17


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


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


p. 19

A. Clustering en profielgeneratie

Eerste-niveau clustering: attributen


p. 20




p. 21




p. 22




p. 23


Eerste-niveau clustering: attribuut locatie


p. 24




p. 25




p. 26




p. 27




p. 28


Eerste-niveau clustering: weekdag, snelheid


p. 29


Eerste-niveau clustering: tijd


p. 30


Eerste-niveau clustering: attributen combineren


p. 31


Eerste-niveau clustering: attributen combineren


p. 32


Eerste-niveau clustering: profielen


p. 33


Eerste-niveau clustering: attributen Tweede-niveau clustering: applicaties

We beschouwen applicaties tussen twee

standby-operaties als een cluster


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,...


p. 35



p. 36


ASSOCIATIE-

REGELS

GRAFEN-ALGORITME

STATISTISCHALGORITME


p. 37


ASSOCIATIE-

REGELS

GRAFEN-ALGORITME


applicatiekansen

applicatiekansen

applicatiekansen


p. 38


ASSOCIATIE-

REGELS

Classificatie-functie

f()

GRAFEN-ALGORITME


applicatiekansen

applicatiekansen

applicatiekansen


p. 39


ASSOCIATIE-

REGELS


f()

GRAFEN-ALGORITME


applicatiekansen

applicatiekansen

applicatiekansen

bvb: max of gewogen som


p. 40


ASSOCIATIE-

REGELS


f()

GRAFEN-ALGORITME


applicatiekansen

applicatiekansen

applicatiekansen

totaleapplicatiekansen

bvb: max of gewogen som


p. 41

Overzicht




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 tijdstipVertraging van het clusteralgoritme

Algoritmes veel te zwaar voor het mobiel toestel Client-Server Architectuur

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-elementenWeka-library geporteerd

Web services Vergelijking tussen REST en SOAP

– REST flexibeler en performanter– Google heeft gebruik van SOAP stopgezet

Gekozen voor REST


p. 43


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


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


p. 46

Overzicht




p. 47

Evaluatie

Testopstelling Modelling Tool

Modelleren van het applicatiegebruik van een persoon– Bouwblokken met verschillende eigenschappen

» Coördinaten» 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


p. 48

Evaluatie

Resultaten Vergelijking tussen recommenders

Recommender NIP

Random Recommender 0 %

Simple Recommender 10.57 %

Associatieregels 84.41 %

Gewogen Classificatie 83.49 %

Max Classificatie 84.66 %


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

Recommender NIP

Random Recommender 0 %

Simple Recommender 10.57 %

Associatieregels 84.41 %

Gewogen Classificatie 83.49 %

Max Classificatie 84.66 %


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


p. 51

Overzicht




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

...


p. 53

Demo







...


p. 54

Demo







...

id engegevens

overprofiel


p. 55

Demo







...

id engegevens

overprofiel

laatst gebeld in profiel


p. 56

Demo







...

id engegevens

overprofiel



p. 57

Demo







...

id engegevens

overprofiel



p. 58

Demo







...

id engegevens

overprofiel


applicaties


p. 59

Overzicht




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


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


p. 62

Vragen