Forschungs- & Entwicklungsinformationsdienst der Gemeinschaft - CORDIS

FP7

BNPNet Ergebnis in Kürze

Project ID: 332285
Gefördert unter: FP7-PEOPLE
Land: Vereinigtes Königreich

Die Analyse von Netzwerken

Ein EU-Team hat neue Netzwerk-Analysemethoden zur Unterstützung des E-Commerce entwickelt. Neue skalierbare Wahrscheinlichkeitsmodelle werden vor allem für Produktempfehlungssysteme verwendet, aber auch für das Networking in mehreren großen Bereichen.
Die Analyse von Netzwerken
Netzwerke wirken sich auf viele Bereiche unseres modernen Lebens und in der Tat auf das ganze Leben aus. Netzwerke werden in vielen Zusammenhängen eingehend untersucht, aber oft mit eher begrenzten Bayes-parametrischen Methoden.

Das EU-finanzierte Projekt BNPNET (Bayesian nonparametric methods for networks and recommender systems) entwickelte und verwendete neue bayessche nichtparametrische Methoden zu diesem Thema. Insbesondere befasste man sich mit E-Commerce, wo die meisten Käufer nur wenige von vielen verfügbaren Artikeln auswählen. Die skalierbaren neue Modelle wurden für die probabilistische Modellierung von großen Netzwerken und E-Commerce-Recommender-Systemen angewendet. Allerdings gilt die Arbeit auch für alle Aspekte der Vernetzung, einschließlich Biologie, Sozialwissenschaften und Informationstechnologie.

Die Forscher entwickelten neue Klassen von statistischen Modellen für Netzwerke. Die Modelle zeigen den Potenzgesetz-Aspekt von realen Netzen, wobei die Mehrheit der Käufer nur wenige Artikel kauft. Die Modelle umfassen auch interpretierbare Parameter und bieten ein verbessertes Verständnis von der Netzwerkstruktur. Die BNPNET-Modelle haben gut verstandene großskalige Eigenschaften. Darüber hinaus stehen Algorithmen für das Lernen der Modellparameter zur Verfügung.

Eines der Hauptergebnisse war die zugehörige Klasse von Modellen, die 'spärliche' Graphen erzeugen. Der Begriff bedeutet, dass die Anzahl der Netzwerkverbindungen kleiner ist als die Anzahl der möglichen Verbindungen, wie sie in realen Situationen. Tests bewiesen, dass die neuen Modelle den Grad dieser "Spärlichkeit" in einer Vielzahl von realen Netzwerkkontexten lernen und bewerten konnten. Die Modelle waren auch in der Lage, genauere Vorhersagen für solche Graphen zu machen.

BNPNET entwickelte neue skalierbare Netzwerkmodelle. Diese sollen E-Commerce--Recommender effizienter machen.

Verwandte Informationen

Fachgebiete

Scientific Research

Schlüsselwörter

Netzwerke, E-Commerce, Recommender-Systeme, Bayes, parametrische Methoden, BNPNET
Datensatznummer: 188562 / Zuletzt geändert am: 2016-09-15
Bereich: IT, Telekommunikation