Recommender Systeme

KontaktBenjamin KilleAndreas Lommatzsch

 

Die Arbeitsgruppe "Recommender Systeme" entwickelt und optimiert Algorithmen für Empfehlungssysteme. Empfehlungssysteme kombinieren vielfältige Verfahren, um die Vorlieben und Interessen des Benutzers zu ermitteln und darauf aufbauend Vorschläge zu generieren. Egal ob Shopping, Musik oder Reisen; es gibt immer etwas, das uns interessieren würde, wenn wir davon wüssten.  Für das Ableiten von Empfehlungen analysiert ein Empfehlungssystem verschiedene Daten, wie z. B. das Verhalten des Benutzers in der Vergangenheit, die Interessen von ähnlichen Benutzern und Freuden, die Gemeinsamkeiten von zu empfehlenden Objekten sowie der Kontext der Empfehlung. Die Informationen werden verknüpft, um Objekte (z.B. Filme, Bücher) zu bestimmen, die für den Benutzer von Interesse sind.

Das CC IRML fokussiert die Arbeit auf die Bereiche Context Aware Recommender, Semantische Recommender und die Evaluation von Empfehlungssystemen.

Semantische Recommender: Semantische Empfehlungssysteme sind Empfehlungssysteme, die semantische Technologien zur Implementierung komplexer hybrider Empfehlungssysteme verwenden.  Durch die Komplexität der verwendeten Daten ist ein aktueller Trend im Bereich der Empfehlungsdienste, Informationen als ein semantisches Netzwerk zu modellieren und semantische Technologien zum Ableiten von Empfehlungen einzusetzen. Semantische Ansätze interpretieren alle Daten als Sammlungen von semantischen Tripeln, und ermöglichen es, maschinelle Lernverfahren und Information-Retrieval-Algorithmen zu verwenden. Weiterhin können bestehende Corpora und Lexika integriert werden, um die verfügbare Wissensbasis zu vergrößern und damit dem Benutzer bessere Empfehlungen anzubieten.

Kontextsensitive Recommender: Heutige Empfehlungssysteme berechnen die Empfehlungen basierend auf statischen Informationen wie Artikel- oder Benutzerähnlichkeiten. Dynamischen Information, wie z.B. die Tageszeit oder das Jahr, ob der Benutzer alleine oder in einer Gruppe ist, etc. werden nicht mit in die Berechnung der Empfehlung einbezogen. Aber gerade diese dynamischen, kontextsensitiven Informationen und die Zusammenhänge zwischen diesen Informationen (Gesellschaft, Zeit, Wetter, etc.) kann die Güte der Empfehlungen dramatisch verbessern. Kontextsensitive Empfehlungen, im Gegensatz zu den statischen Empfehlungen der Standardempfehlungssysteme, können dem Benutzer Ad hoc, je nach Kontext, präsentiert werden.

Evaluation von Empfehlungssystemen: Eine der wichtigsten Herausforderungen bei der Entwicklung von neuen Empfehlungsalgorithmen ist die angemessene Evaluation der Güte der Empfehlungen. Da für Empfehlungssysteme der Benutzer im Mittelpunkt steht sind herkömmliche Evaluierungsmetriken, wie sie beispielsweise für die Evaluation von Information-Retrieval-Systemen verwendet werden, nur bedingt anwendbar.