<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kasper Van Lombeek on Medium]]></title>
        <description><![CDATA[Stories by Kasper Van Lombeek on Medium]]></description>
        <link>https://medium.com/@kaspervanlombeek?source=rss-9ce5da85efcf------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*tnVXTn8bceNWH0-lW3LLkQ.jpeg</url>
            <title>Stories by Kasper Van Lombeek on Medium</title>
            <link>https://medium.com/@kaspervanlombeek?source=rss-9ce5da85efcf------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 22:51:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kaspervanlombeek/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Op zoek naar structuur in de gesprekken van Interne Keuken]]></title>
            <link>https://medium.com/@kaspervanlombeek/op-zoek-naar-structuur-in-de-gesprekken-van-interne-keuken-9a7efdd6087?source=rss-9ce5da85efcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/9a7efdd6087</guid>
            <dc:creator><![CDATA[Kasper Van Lombeek]]></dc:creator>
            <pubDate>Fri, 03 Apr 2020 13:27:44 GMT</pubDate>
            <atom:updated>2020-04-03T13:27:44.843Z</atom:updated>
            <content:encoded><![CDATA[<p>Ik ben een grote fan van Radio 1. Ze hebben enkele parels van programma’s, waaronder het radio programma Interne Keuken. In Interne Keuken komen elke week 4 gasten aan het bod, die elk ongeveer 25 minuten worden geïnterviewd, vaak over een nieuw boek, documentaire of artikel. Dat kan gaan over zeer uiteenlopende onderwerpen, zoals geschiedenis, wetenschappen, politiek, muziek, kunst, noem maar op.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*cczfKd7KislryexJarjfgA.png" /><figcaption>De twee gastheren van het programma</figcaption></figure><p>Het programma bestaat ondertussen bijna een 10 jaar, er zijn dan ook heel wat gasten de revue gepasseerd. Vandaag staan er ongeveer 1500 gesprekken van Interne Keuken op de website van Radio 1. Het is erg lastig om op zoek te gaan naar een gesprek dat je nog niet beluisterd hebt. De gesprekken zijn immers niet gecategoriseerd. Zo kan je bijvoorbeeld niet op zoek gaan naar een gesprek over de Franse Revolutie of over het klimaat.</p><p>Ik zou het persoonlijk wel handig vinden moest het makkelijk zijn om nieuwe interessante gesprekken te ontdekken. Laten we zeggen dat ik ongeveer de helft van de gesprekken van Interne Keuken reeds beluisterd heb. Hoe ga ik op zoek naar interessante gesprekken die ik nog niet beluisterde? Dat is vandaag erg lastig.</p><p>Als data-wetenschapper leek het me dan ook ideaal om een recommendation-algoritme los te laten op al die gesprekken. Een wat?</p><h3>Een recommendation (aanbevelings) algoritme</h3><p>Recente online diensten, zoals Bol.com, Spotify en Youtube beschikken over miljoenen “producten”. Op Youtube zijn deze producten filmpjes, op Spotify songs, en op Bol.com ongeveer alles wat je kan bedenken.</p><p>Deze bedrijven willen dat je zoveel mogelijk van hun producten “ontdekt” op hun site. Ze analyseren je gedrag (welke producten heb je eerder gekocht, beluisterd of bekeken?) en proberen hieruit te leren welke andere producten je interessant vind. Op die manier blijf je videos bekijken op Youtube, songs beluisteren op Spotify en producten kopen op Bol.com.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/0*ZsL9xTvaODf3aakS.png" /><figcaption>Eenvoudig voorbeeld van een recommendation algoritme</figcaption></figure><p>Om dit in werking te zien, kan je bijvoorbeeld op Youtube eens een aantal filmpjes over tennis bekijken. De komende dagen zal Youtube jou nog tientallen andere filmpjes aanbevelen over allerlei tennis technieken, legendarische Roland Garros finales en de 10 slimste moves van Roger Federer.</p><p>Het leek me een leuk experiment om te proberen een recommendation algoritme te bouwen op de gesprekken van Interne Keuken. Als een luisteraar klikt op gesprekken over de tabel van Mendeljev, priemgetallen en het klimaat, lijkt het dat deze luisteraar geïnteresseerd is in wetenschappen. We kunnen hem dan andere wetenschappelijke artikels aanraden. Indien de luisteraar eerder klikt op gesprekken over de Franse revolutie, Napoleon en Keizer Karel, is de luisteraar waarschijnlijk eerder geïnteresseerd in gesprekken over geschiedenis.</p><h3>Structuur ontdekken in producten</h3><p>Een groot voordeel van één bepaald recommendation algoritme, genaamd <em>matrix factorization</em>, is dat je structuur ontdekt in de duizenden producten. Het algoritme gaat dimensies geven aan de producten, waardoor gelijkaardige producten in die dimensies gaan samen “clusteren”.</p><p>Ik heb dit algoritme in het verleden toegepast op twee problemen, waarbij het telkens zeer goed gelukt is:</p><ul><li>Voor mijn website <a href="http://www.namesilike.com/">www.namesilike.com</a> gebruik ik dit algoritme om toekomstige ouders te helpen een naam voor hun kind te kiezen.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/905/1*vkLWCi_6U0NWS5u9kmDN-Q.png" /><figcaption>Eigenschappen van voornamen “ontdekt” door het algoritme. Je ziet dat bijvoorbeeld dat het algoritme links eerder Franse namen plaatst, zoals Charles of Henri en rechtsboven eerder Vlaamse korte namen zoals Tuur en Flor.</figcaption></figure><ul><li>Uit de resultaten van een psychologische test van de <a href="https://www.thejobcoach.be/nl/academy">Jobcoach Academy</a> zie je duidelijk structuur in de waarden en competenties dat mensen zichzelf geven.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1010/1*Yux3eB5lNIdfsppvi_sw9Q.png" /><figcaption>Dimensies van waarden en competenties dat het algoritme “ontdekt” heeft. Mensen die eerder task oriented hechten meer belang aan waarden zoals resultaat en kennis, mensen die eerder people oriented zijn geven meer belang aan waarden zoals tolerantie en hulpvaardigheid</figcaption></figure><p>Ik hoopte een soort gelijke structuur terug te vinden in de gesprekken van Interne Keuken. Zou het niet fantastisch zijn als het algoritme onderwerpen ontdekt in de gesprekken? In deze dimensies staan dan hopelijk gesprekken over geschiedenis bij elkaar, en deze staan dan ver weg van de pure wetenschappelijke gesprekken.</p><h3>Wat doet/leert het algoritme?</h3><p>In deze relatief korte blogpost willen we u besparen van de technische details, maar gaan we toch een aantal technische details uit de doeken moeten doen. (voor de geboeide lezers, in dit <a href="https://www.youtube.com/watch?v=ZspR5PZemcs&amp;t=6s">filmpje</a> wordt de techniek haarfijn uitgelegd).</p><p>Eerst bekijken we hoe de data eruit juist uitziet. Dit is bijvoorbeeld de structuur van de dataset van de eerste vragenlijst:</p><ul><li>Luisteraar 1, gesprek Napoleon, positieve beoordeling (1)</li><li>Luisteraar 1, gesprek Kernenergie, negatieve beoordeling (-1)</li><li>Luisteraar 1, gesprek Mendeljev, negatieve beoordeling (-1)</li><li>…</li><li>Luisteraar 2, gesprek Napoleon, negatieve beoordeling (-1)</li><li>Luisteraar 2, gesprek Kernenergie, positieve beoordeling (1)</li><li>Luisteraar 2, gesprek Mendeljev, negatieve beoordeling (-1)</li><li>…</li></ul><p>Het algoritme geeft nu aan elk gesprek 2 extra willekeurige getallen. Vervolgens gaat hij die 2 getallen zodanig verplaatsten dat hij er in slaagt de antwoorden van de luisteraars te voorspellen. Hoe goed hij deze antwoorden kan voorspellen meten we met een “Goodness Of Fit” statistiek, in dit geval Root Mean Squared Error.</p><p>Dus: hoe meer structuur in de data, hoe beter het algoritme de antwoorden kan voorspellen, hoe lager de gemiddelde fout, hoe lager de Root Mean Square Error</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*_iwXwh31X8OHm1JmubY4nQ.png" /><figcaption>Evolutie van de Root Mean Square Error tijdens de uitvoering van het algoritme op de antwoorden van de vragenlijst van The Jobcoach. Je ziet duidelijk dat de fout zakt vanaf iteratie 75, en dat het algoritme dus iets leert van de structuur in de antwoorden.</figcaption></figure><h3>Op zoek naar data met online vragenlijsten</h3><p>Deze algoritmes draaien niet op lucht, maar op data. Meer bepaald gebruikers data. We moeten te weten komen welke gesprekken gebruikers interessant vinden en welke niet. Daarom heb ik een online vragenlijst gemaakt en deze verspreid via Twitter.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/313/1*Z67y4khiBK-Ki2cZboPu0g.png" /><figcaption>Homescreen van de online vragenlijst</figcaption></figure><p>In totaal heb ik drie experimenten gelanceerd. Het doel van het experiment was telkens om op een snelle manier de voorkeuren van de luisteraars te weten te komen. De structuur van de vragenlijst was telkens iets anders.</p><h4>Experiment 1: welk van de 2 gesprekken verkies je?</h4><p>Tijdens het eerste experiment toonde ik telkens twee gesprekken, de luisteraars moesten klikken op het gesprek dat hen het interessantst leek.</p><p>Dit eerste experiment is enthousiast gedeeld op Twitter, onder andere door Koen Fillet, Frank Deboosere en Lieven Scheire.</p><p>Ik hoopte op ongeveer 1000 luisteraars die de enquete zouden invullen. Elke luisteraar kreeg 20 vragen te zien met telkens 2 gesprekken. We hebben dan feedback over 40 gesprekken per luisteraar.</p><p>Helaas vond het algoritme geen structuur in de antwoorden.</p><h4>Experiment 2: Minst/meest interessant uit keuze van 4</h4><p>Tijdens het eerste experiment heb ik aan de luisteraars gevraagd of ze op de hoogte wouden blijven van het resultaat via email. Ongeveer 500 mensen lieten hun email adres achter.</p><p>Ik kon dus nog een tweede experiment lanceren. Om de dataset iets rijker te maken, toonde ik de luisteraars telkens 4 gesprekken waaruit ze het minst interessant gesprek en het meest interessante gesprek moesten kiezen.</p><p>Het grote nadeel van deze vragenlijst was dat de luisteraars heel moeilijk konden kiezen tussen de gesprekken, en daarom heel lang (gemiddeld 14 minuten) erover deden om de vragenlijst te overlopen.</p><p>Het voordeel was dat er (een heel klein beetje) structuur zat in de antwoorden van de luisteraars. Dat zie je op de onderstaande grafiek. Gesprekken over geschiedenis werden naar rechts verschoven, gesprekken over wetenschap naar links.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/889/1*CkK0z7kFc1jsFbC_rDEElw.png" /><figcaption>Structuur in de antwoorden van Interne Keuken. Gesprekken die ik zelf getagd had met een bepaald ondewerp werden in een dezelfde richting geschoven.</figcaption></figure><p>Het leek veelbelovend, maar de Goodness Of Fit was nog altijd heel laag. Dat zie je aan de onderstaande grafiek, waar de Goodness Of Fit van de test data eigenlijk niet veel beter doet dan de rode lijn. Deze rode lijn is een benchmark eenvoudig model.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*7KpYVnwDt_y6dkTj1xr2hw.png" /><figcaption>Goodness of fit van het derde experiment. Hoewel het algoritme iets lijkt te leren, is het nog steeds zeer beperkt.</figcaption></figure><p>Aangezien dit het meest interessante experiment was, deel ik toch maar het resultaat, ondanks de lage Goodness Of Fit. Op onderstaande grafiek zie je hoe de verschillende gesprekken in de twee dimensies worden gestoken. De pijlen geven de richting aan van de gesprekken die ik zelf manueel had getagd met een bepaald onderwerp.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NFvK4KztQyzKerRVFHTedQ.png" /></figure><h4>Experiment 3: Tinder voor Interne Keuken</h4><p>Om te gemoed te komen aan de problemen van de twee eerste experimenten, heb ik nog een derde experiment opgezet, waar de gebruikers net zoals op Tinder een gesprek konden “liken” of niet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*NQoyJaeOknif9MXDSrkMHw.jpeg" /><figcaption>Screenshot van het derde experiment. Op elke vraag moest de luisteraar antwoorden of het gesprek interessant leek of niet.</figcaption></figure><p>In dit experiment hebben de gebruikers in principe de mogelijkheid om elk gesprek als interessant te beoordelen. Op basis van de resultaten zien we ook dat de gebruikers de meeste gesprekken interessant vonden (de helft van de gebruikers vindt meer dan 68% van de gesprekken interessant).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*R2FP0a9vqTZ8BCbiu2URiQ.png" /><figcaption>Op basis van bovenstaande grafieken kan je besluiten dat de meeste luisteraars van interne keuken veel meer dan de helft van de gesprekken als interessant beoordeelde. De helft van de luisteraars vond meer dan 68% van de gesprekken interessant.</figcaption></figure><p>Dit leek me het meest belovende experiment, maar helaas vond ik ook hier nauwelijks structuur in de antwoorden van de luisteraars. Dit zie je weer aan de Goodness Of Fit grafiek, je ziet aan de oranje lijn dat hij nauwelijks “leert”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/561/1*D67usjZyHvVFRJfrnayIaQ.png" /><figcaption>Goodness of fit van het derde experiment. Je ziet aan de oranje lijn dat het algoritme niets leert op basis van de antwoorden.</figcaption></figure><p>Na het derde experiment heb ik de hoop opgegeven en aan deze blogpost begonnen.</p><h3>Conclusie</h3><p>In de antwoorden van de luisteraars op de vragenlijst zat zeer weinig structuur, te weinig om de gesprekken in dimensies te gieten volgens onderwerp.</p><p>Dit komt volgens mij door de aard van het programma, de makers van het programma slagen erin elk onderwerp interessant te maken. Veel luisteraars vinden bijna elk gesprek interessant, en kiezen niet echt de gesprekken niet echt op basis van het onderliggende onderwerp.</p><p>Jammer, maar ik ben toch blij dat ik het geprobeerd heb.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9a7efdd6087" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>