Empfehlungssysteme sind aus dem modernen Web nicht wegzudenken. Für Unternehmen können mit relevanten Empfehlungen enorme Summen an Geschäftswert generiert werden. Für Benutzer wird dabei ein personalisiertes Erlebnis auf der Plattform geboten. In dieser Arbeit werden zunächst die Herausforderungen an Empfehlungssysteme sowie die unterschiedlichen Arten von Algorithmen umrissen. In einem Proof-of-Concept (PoC) werden zwei verfügbare Lösungen – Amazon Personalize und LibRec – untersucht und bewertet. Grundlage des PoC ist ein offline Wikipedia-Modell, welches eine ausgewählte Untermenge von Artikeln aus unterschiedlichen Kategorien in einem zusammenhängenden Graphen abbildet. Zur Generierung von Daten für das Empfehlungssystem wird der Graph von simulierten Benutzern zufällig durchlaufen. Jeder Nutzer bekommt dabei pro Sitzung eine Lieblingskategorie. Artikel aus dieser Kategorie werden sehr gut bewertet, im Graph weit entfernte Artikel bekommen in dieser Sitzung schlechtere Bewertungen. Das Empfehlungssystem soll die Zugehörigkeit der Artikel zu den Kategorien reproduzieren, ohne explizite Kenntnis der Kategorien zu haben. Als Bewertungskriterium werden für jeden Artikel die besten fünf Empfehlungen des jeweiligen Empfehlungssystems betrachtet. Als Metrik dient dabei der Prozentsatz, wie viele der Empfehlungen zur selben Kategorie gehören, wie der Artikel, für den die Empfehlungen gegeben werden. Amazon Personalize erreicht mit diesem Test eine Präzision von über 95%, LibRec erreicht dabei bis zu 73%.
Diese wissenschaftliche Arbeit ist im InformatikJournal 2022 der Hochschule Furtwangen erschienen.
An dieser Arbeit war außerdem beteiligt:
- Marius Hirt
