Implizites Feedback in Empfehlungssystemen: 1 Eigenschaften, Anwendungen und Herausforderungen

Abstract

Empfehlungssysteme (engl. recommender systems) werden zur Vermeidung der Informationsüberflutung auf digitalen Plattformen eingesetzt, indem sie Nutzern helfen, relevante Artikel aus einer unüberschaubaren Menge zu identifizieren. Die Erzeugung solch personalisierter Empfehlungen erfolgt auf Basis von Nutzerfeedback. In dieser Arbeit wird sogenanntes implizites Feed- back untersucht, typische Anwendungsszenarien beschrieben und aktuelle algorithmische Ansätze vorgestellt. Im Detail werden (i) ein neuartiger “learning-to-rank”-Algorithmus eingeführt, der verschiedene Granularitäten von implizitem Feedback differenzieren kann, (ii) kontextualisierte Empfehlungstechniken für die E-Commerce-Domäne präsentiert, welche Empfehlungen an die kurzfristigen Ziele der Nutzer anpassen können, (iii) intelligente Erinnerungsempfehlungen zur Wiederentdeckung von bekannten Artikeln vorgeschlagen, und (iv) eine tiefgreifende Analyse verschiedener Empfehlungsalgorithmen hinsichtlich ihres Popularitätsbias (engl. popularity bias) durchgeführt und Gegenmaßnahmen gezeigt, die dieser Tendenz effektiv entgegenwirken können.