Pinterest Pin2Vec: Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
| (8 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt) | |||
| Zeile 1: | Zeile 1: | ||
Pin2Vec ist ein von [[Pinterest]] entwickeltes System, das eingesetzt wird, um die Relevanz bei Pin- | '''Pin2Vec''' ist ein von [[Pinterest]] entwickeltes System, das eingesetzt wird, um die Relevanz bei Pin-Empfehlungen zu erhöhen. Das System setzt die so genannte [https://chatbotslife.com/introduction-to-deep-learning-on-social-networks-how-to-learn-even-more-about-your-personal-life-cd1da6d67770 "Deep Learning Technologie"] ein, eine Form der [[Künstliche Intelligenz|künstlichen Intelligenz]]. | ||
== '''Entwicklungshintergrund''' == | |||
[[Pinterest]] [[User]] entdecken neue Pins bevorzugt über das Feature der verwandten Pins.<ref name=":0">https://marpha-consulting.de/pinterest-deep-learning/</ref> Verwandte Pins erscheinen als Empfehlungen in der Detailansicht eines Pins. Erzeugt werden verwandte Pins durch einen kollaborativen Filtermechanismus, der [[Pinnwand|Pinnwände]] auswertet, auf denen ein Pin gespeichert wurde. [[Pinterest]] bezeichnet diesen Filtermechanismus als „Board Co-Occurence“.<ref name=":1">https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e</ref> Jedoch sah sich Pinterest beim Einsatz dieses Filtermechanismus mit einigen Nachteilen konfrontiert, die dazu führten, dass Pin-Empfehlungen nicht immer die gewünschte Relevanz aufwiesen.[https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e] | [[Pinterest]] [[User]] entdecken neue Pins bevorzugt über das Feature der verwandten Pins.<ref name=":0">https://marpha-consulting.de/pinterest-deep-learning/</ref> Verwandte Pins erscheinen als Empfehlungen in der Detailansicht eines Pins. Erzeugt werden verwandte Pins durch einen kollaborativen Filtermechanismus, der [[Pinnwand|Pinnwände]] (engl. Boards) auswertet, auf denen ein Pin gespeichert wurde. [[Pinterest]] bezeichnet diesen Filtermechanismus als „Board Co-Occurence“.<ref name=":1">https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e</ref> Jedoch sah sich Pinterest beim Einsatz dieses Filtermechanismus mit einigen Nachteilen konfrontiert, die dazu führten, dass Pin-Empfehlungen nicht immer die gewünschte Relevanz aufwiesen.[https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e] | ||
'''Gründe | '''Gründe für verringerte Relevanz bei Verwendung von "Board Co-Occurence":''' | ||
# '''Board-Segmentierung:''' Pinterest User (= Pinner) haben oft mehr als eine Pinnwand zum gleichen Thema. So kann z.B. jemand ein Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Weihnachten pinnen, jedoch ein anderes Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Rezepte. Folglich entsteht eine Lücke, die es | # '''Board-Segmentierung:''' Pinterest User (= Pinner) haben oft mehr als eine Pinnwand zum gleichen Thema. So kann z.B. jemand ein Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Weihnachten pinnen, jedoch ein anderes Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Rezepte. Folglich entsteht eine Lücke, die es erschwert, Empfehlungen für verwandte Pins zu generieren.<ref name=":1" /> | ||
# '''Board-Granularität:''' Pinnwände werden in der Regel für ein breites Interessengebiet erstellt. Das heißt zum Beispiel, dass eine Abfrage zur einer speziellen Tierart, wie z.B. dem Löwen auf Pinnwänden zum Thema „Tiere“ gespeichert ist, aber auch auf Pinnwänden zum Thema „Wildtiere“, d.h. als Ergebnis werden nicht explizit Löwen, sondern alle Arten von Tieren gezeigt.<ref name=":1" /> | # '''Board-Granularität:''' Pinnwände werden in der Regel für ein breites Interessengebiet erstellt. Das heißt zum Beispiel, dass eine Abfrage zur einer speziellen Tierart, wie z.B. dem Löwen auf Pinnwänden zum Thema „Tiere“ gespeichert ist, aber auch auf Pinnwänden zum Thema „Wildtiere“, d.h. als Ergebnis werden nicht explizit Löwen, sondern alle Arten von Tieren gezeigt.<ref name=":1" /> | ||
# '''Board-Verschiebung:''' Im Laufe der Zeit wandeln sich Interessen. So kann sich z.B. eine Pinnwand zum Thema „gesundes Essen“ mit der Zeit zu einer rein veganen Pinnwand entwickeln.<ref name=":1" /> | # '''Board-Verschiebung:''' Im Laufe der Zeit wandeln sich Interessen. So kann sich z.B. eine Pinnwand zum Thema „gesundes Essen“ mit der Zeit zu einer rein veganen Pinnwand entwickeln.<ref name=":1" /> | ||
Die „Board Co-Occurence“ kann also den Kontext eines Pins verlieren, was sich wiederum negativ auf die Empfehlungen auswirkt. | Die „Board Co-Occurence“ kann also den Kontext eines Pins verlieren, was sich wiederum negativ auf die generierten Empfehlungen auswirkt. Getrieben von dieser Problemstellung, suchten die Pinterest Entwickler nach einem Weg, um die Beziehung von einem Pin zu demjenigen, der ihn gepinnt hat, besser verstehen zu können. | ||
== '''Idee und Funktion''' == | |||
Der Name Pin2Vec ist eine Analogie zu dem | Der Name Pin2Vec ist eine Analogie zu dem Word2Vec-Ansatz, eine im Jahr 2013 von [[Google]] entwickelte Technologie, bei der ein maschinelles Lernmodell zur Erstellung von Wortbausteinen im Kontext der menschlichen Sprache trainiert wird.<ref name=":1" /> Pin2Vec analysiert den Kontext der Pin-Aktivitäten eines [[User|Users]] während einer laufenden Sitzung und verbessert so die Ergebnisse bei der Pin-Empfehlung. Hierzu setzt [[Pinterest]] [https://chatbotslife.com/introduction-to-deep-learning-on-social-networks-how-to-learn-even-more-about-your-personal-life-cd1da6d67770 „Deep Learning“] ein, eine Form der [[Künstliche Intelligenz|künstlichen Intelligenz,]] bei der Daten innerhalb eines [https://www.heise.de/ct/ausgabe/2016-6-Die-Mathematik-neuronaler-Netze-einfache-Mechanismen-komplexe-Konstruktion-3120565.html neuronalen Netzwerkes] ausgewertet werden.<ref name=":0" /> | ||
== '''Nutzen''' == | |||
Erste Tests zeigten, dass das Engagement mit verwandten Pins durch den Einsatz von Pin2Vec um 5% gestiegen ist.<ref name=":1" /> Jedoch zeigte sich auch, dass das System bei so genannten "Long Tail Pins" weniger effektiv arbeitet, da diese klassischerweise ein geringeres Engagement aufweisen. [[Pinterest]] wird daher künftig "Board Co-Occurence" und Pin2Vec in Kombination einsetzen.<ref name=":0" /> | |||
== Quellen == | == Quellen == | ||
* https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e | * https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e [abgerufen am 16.08.2017] | ||
* https://marpha-consulting.de/pinterest-deep-learning/ | * https://marpha-consulting.de/pinterest-deep-learning/ [abgerufen am 16.08.2017] | ||
== Weblinks == | == Weblinks == | ||
* | '''Deutsch''' | ||
* Zawierucha, Axel: KI im Social Media Marketing: Von Social Boots und Objekterkennung. https://www.internetwarriors.de/blog/ki-social-media-marketing/ [abgerufen am 16.08.2017] | |||
* https://www.searchtechnologies.com/de/blog/suchassistenten | * Holl, Konrad: Suchassistenten - automatische Vervollständigung, Vorschläge, Suche und mehr. https://www.searchtechnologies.com/de/blog/suchassistenten [abgerufen am 16.08.2017] | ||
* https:// | * Trinkwasser, Andrea: Netzgespinste Die Mathematik neuronaler Netzer: einfache Mechanismen, komplexe Konstruktion. https://www.heise.de/ct/ausgabe/2016-6-Die-Mathematik-neuronaler-Netze-einfache-Mechanismen-komplexe-Konstruktion-3120565.html [abgerufen am 16.08.2017] | ||
'''Englisch''' | |||
* Ranieri, Christian: Introduction to deep learning on social networks: "How to learn even more about your personal life using neural networks technology". https://chatbotslife.com/introduction-to-deep-learning-on-social-networks-how-to-learn-even-more-about-your-personal-life-cd1da6d67770 [abgerufen am 16.08.2017] | |||
== Einzelnachweise == | == Einzelnachweise == | ||
<references /> | |||
Aktuelle Version vom 16. August 2017, 13:16 Uhr
Pin2Vec ist ein von Pinterest entwickeltes System, das eingesetzt wird, um die Relevanz bei Pin-Empfehlungen zu erhöhen. Das System setzt die so genannte "Deep Learning Technologie" ein, eine Form der künstlichen Intelligenz.
Entwicklungshintergrund
Pinterest User entdecken neue Pins bevorzugt über das Feature der verwandten Pins.[1] Verwandte Pins erscheinen als Empfehlungen in der Detailansicht eines Pins. Erzeugt werden verwandte Pins durch einen kollaborativen Filtermechanismus, der Pinnwände (engl. Boards) auswertet, auf denen ein Pin gespeichert wurde. Pinterest bezeichnet diesen Filtermechanismus als „Board Co-Occurence“.[2] Jedoch sah sich Pinterest beim Einsatz dieses Filtermechanismus mit einigen Nachteilen konfrontiert, die dazu führten, dass Pin-Empfehlungen nicht immer die gewünschte Relevanz aufwiesen.[1]
Gründe für verringerte Relevanz bei Verwendung von "Board Co-Occurence":
- Board-Segmentierung: Pinterest User (= Pinner) haben oft mehr als eine Pinnwand zum gleichen Thema. So kann z.B. jemand ein Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Weihnachten pinnen, jedoch ein anderes Rezept für Weihnachtsplätzchen an eine Pinnwand zum Thema Rezepte. Folglich entsteht eine Lücke, die es erschwert, Empfehlungen für verwandte Pins zu generieren.[2]
- Board-Granularität: Pinnwände werden in der Regel für ein breites Interessengebiet erstellt. Das heißt zum Beispiel, dass eine Abfrage zur einer speziellen Tierart, wie z.B. dem Löwen auf Pinnwänden zum Thema „Tiere“ gespeichert ist, aber auch auf Pinnwänden zum Thema „Wildtiere“, d.h. als Ergebnis werden nicht explizit Löwen, sondern alle Arten von Tieren gezeigt.[2]
- Board-Verschiebung: Im Laufe der Zeit wandeln sich Interessen. So kann sich z.B. eine Pinnwand zum Thema „gesundes Essen“ mit der Zeit zu einer rein veganen Pinnwand entwickeln.[2]
Die „Board Co-Occurence“ kann also den Kontext eines Pins verlieren, was sich wiederum negativ auf die generierten Empfehlungen auswirkt. Getrieben von dieser Problemstellung, suchten die Pinterest Entwickler nach einem Weg, um die Beziehung von einem Pin zu demjenigen, der ihn gepinnt hat, besser verstehen zu können.
Idee und Funktion
Der Name Pin2Vec ist eine Analogie zu dem Word2Vec-Ansatz, eine im Jahr 2013 von Google entwickelte Technologie, bei der ein maschinelles Lernmodell zur Erstellung von Wortbausteinen im Kontext der menschlichen Sprache trainiert wird.[2] Pin2Vec analysiert den Kontext der Pin-Aktivitäten eines Users während einer laufenden Sitzung und verbessert so die Ergebnisse bei der Pin-Empfehlung. Hierzu setzt Pinterest „Deep Learning“ ein, eine Form der künstlichen Intelligenz, bei der Daten innerhalb eines neuronalen Netzwerkes ausgewertet werden.[1]
Nutzen
Erste Tests zeigten, dass das Engagement mit verwandten Pins durch den Einsatz von Pin2Vec um 5% gestiegen ist.[2] Jedoch zeigte sich auch, dass das System bei so genannten "Long Tail Pins" weniger effektiv arbeitet, da diese klassischerweise ein geringeres Engagement aufweisen. Pinterest wird daher künftig "Board Co-Occurence" und Pin2Vec in Kombination einsetzen.[1]
Quellen
- https://medium.com/the-graph/applying-deep-learning-to-related-pins-a6fee3c92f5e [abgerufen am 16.08.2017]
- https://marpha-consulting.de/pinterest-deep-learning/ [abgerufen am 16.08.2017]
Weblinks
Deutsch
- Zawierucha, Axel: KI im Social Media Marketing: Von Social Boots und Objekterkennung. https://www.internetwarriors.de/blog/ki-social-media-marketing/ [abgerufen am 16.08.2017]
- Holl, Konrad: Suchassistenten - automatische Vervollständigung, Vorschläge, Suche und mehr. https://www.searchtechnologies.com/de/blog/suchassistenten [abgerufen am 16.08.2017]
- Trinkwasser, Andrea: Netzgespinste Die Mathematik neuronaler Netzer: einfache Mechanismen, komplexe Konstruktion. https://www.heise.de/ct/ausgabe/2016-6-Die-Mathematik-neuronaler-Netze-einfache-Mechanismen-komplexe-Konstruktion-3120565.html [abgerufen am 16.08.2017]
Englisch
- Ranieri, Christian: Introduction to deep learning on social networks: "How to learn even more about your personal life using neural networks technology". https://chatbotslife.com/introduction-to-deep-learning-on-social-networks-how-to-learn-even-more-about-your-personal-life-cd1da6d67770 [abgerufen am 16.08.2017]