Den Inhalt der Arbeit stellt eine Übersicht von aktuellen Recommender Systemen dar, welche zunächst allgemein beschrieben und dann anhand von gängigen Annahmen voneinander abgegrenzt werden. Im weiteren Verlauf werden die beiden Filtering Arten User-Based Filtering und Item-Basend Filtering näher betrachtet. Nachdem die Unterschiede definiert wurden, werden aktuelle Herausforderungen skizziert, welche im Rahmen der Implementierung von Recommender Systemen auftreten können. Am Schluss wird die allgemeine Funktionsweise eines Recommender Systems anhand des Streaming-Anbieters Joyn demonstriert. Die Arbeit endet mit einem Fazit.
Inhaltsverzeichnis
1 Einleitung
2 Recommender Systeme
2.1 Definition
2.2 Gründe für den Einsatz von Recommender Systemen
2.3 Content-based Recommender
2.4 Collaborative Filtering Recommender
2.5 Prediction & Recommendation
3 Filtering Arten
3.1 User-based Filtering
3.2 Item-based Filtering
3.3 Probleme des Collaborative Filtering
3.3.1 Kaltstart-Problem
3.3.2 Spärlichkeit
3.3.3 Lemming-Effekt
3.3.4 Synonymie
3.3.5 Shilling Attacks
3.3.6 Grey Sheep Problem
4 Einsatz anhand eines Praxisbeispiels
5 Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Funktionsweise und den praktischen Einsatz von Collaborative Filtering Verfahren in Recommender Systemen am Beispiel des Streaming-Anbieters Joyn, um aufzuzeigen, wie personalisierte Inhalte effektiv generiert werden können.
- Grundlagen und Definition von Recommender Systemen
- Abgrenzung zwischen Content-based und Collaborative Filtering
- Detaillierte Analyse von User-based und Item-based Filtering
- Diskussion aktueller Herausforderungen wie Kaltstart oder Shilling Attacks
- Praxisdemonstration an der Streaming-Plattform Joyn
Auszug aus dem Buch
2.4 Collaborative Filtering Recommender
Anders als beim Content-based Filtering, werden beim Collaborative Filtering Empfehlungen nicht auf Basis der Ähnlichkeit von Produkten, sondern auf Basis von Ähnlichkeiten zwischen den Kunden, zum Beispiel in Bezug auf Kaufentscheidungen oder Produktbewertungen, berechnet.11
„Die grundsätzliche Annahme, die dem Collaborative Filtering zugrunde liegt ist, dass zwei Personen u1 und u2 ∈ U, die ein Element i1 ∈ I ähnlich bewerten, auch ein anderes Element i2 ∈ I ähnlich bewerten, aufgrund ihrer persönlichen Präferenzen.“12
Die Vorgehensweise des Collaborative Filtering entsteht durch die Annahme, dass Elemente aus der Präferenzliste einer Person, bei einer großen Überschneidung auch den jeweiligen Geschmack der anderen Person treffen können.13 Die Collaborative Filtering Recommender erstellen demnach zunächst eine gleichgesinnte Nachbarschaft von Nutzern auf Basis des zu betrachtenden Nutzers. Anhand eines Vergleiches historischer Bewertungen von Elementen, können fehlende Bewertungen für unbekannte Elemente angenommen werden, sofern diese durch einen ähnlichen Nutzer durchgeführt wurden.14 Der Einsatz von Collaborative Filtering ist daher nur möglich, wenn das System über eine große Anzahl von Personen und deren Präferenzen verfügt. Diese Präferenzen können sowohl implizit über das Nutzerverhalten als auch explizit durch klassischen Bewertungsformulare erfasst werden.15
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung stellt den Kontext der Arbeit im Rahmen des Studiengangs dar und skizziert den Aufbau sowie die Zielsetzung der Untersuchung.
2 Recommender Systeme: Dieses Kapitel definiert Recommender Systeme, erläutert die Beweggründe für ihren Einsatz und differenziert zwischen Content-based und Collaborative Filtering Ansätzen.
3 Filtering Arten: Hier werden die algorithmischen Verfahren User-based und Item-based Filtering detailliert gegenübergestellt und die inhärenten Herausforderungen, wie das Kaltstart-Problem oder Shilling Attacks, erörtert.
4 Einsatz anhand eines Praxisbeispiels: Das Kapitel demonstriert die praktische Anwendung des user-basierten Collaborative Filterings anhand der Streaming-Plattform Joyn und veranschaulicht den Berechnungsprozess.
5 Fazit: Das Fazit fasst die Ergebnisse zusammen, bewertet die Vor- und Nachteile der untersuchten Systeme und reflektiert über die strategische Bedeutung für E-Commerce Anbieter.
Schlüsselwörter
Collaborative Filtering, Recommender Systeme, Streaming-Plattform, Joyn, User-based Filtering, Item-based Filtering, Personalisierung, Kaltstart-Problem, Datenanalyse, Algorithmus, Nutzerpräferenzen, Data Mining, Empfehlungssysteme, Shilling Attacks, Grey Sheep Problem.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit analysiert die Technologie hinter Recommender Systemen, mit besonderem Fokus auf das Collaborative Filtering als Methode zur Personalisierung von Inhalten in der Streaming-Branche.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Felder umfassen die Systematik von Recommender-Algorithmen, die Unterscheidung zwischen inhaltsbasierten und nutzerbasierten Ansätzen sowie die kritische Betrachtung technischer Schwachstellen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, die Funktionsweise von Collaborative Filtering zu erklären und durch ein Praxisbeispiel bei Joyn zu verdeutlichen, wie diese Systeme trotz technischer Hürden erfolgreich eingesetzt werden können.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine theoretische Ausarbeitung, die durch eine Fallstudie (Case Study) am Beispiel des Anbieters Joyn ergänzt wird, um die mathematischen und logischen Abläufe des Collaborative Filterings zu illustrieren.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der Recommender-Technologien, die detaillierte Beschreibung der Filter-Arten (User-based vs. Item-based) und eine Analyse gängiger Problemstellungen bei der Implementierung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Schlagworte sind Collaborative Filtering, Recommender Systeme, Personalisierung, Nutzerpräferenzen und das Kaltstart-Problem.
Wie geht das System mit dem sogenannten Kaltstart-Problem um?
Die Arbeit beschreibt das Kaltstart-Problem als eine der Hauptherausforderungen, bei der das System ohne ausreichende Nutzerhistorie keine Empfehlungen generieren kann. Ein Lösungsweg ist hier oft die Kombination mit inhaltsbasierten Methoden.
Was macht das Beispiel „Joyn“ im Kontext dieser Untersuchung besonders?
Joyn dient als realitätsnahes Praxisbeispiel, um zu zeigen, dass für eine funktionierende Empfehlung eine große Datenbasis an Nutzerbewertungen und Inhalten zwingend erforderlich ist, um sinnvolle „nächste Nachbarn“ zu identifizieren.
- Arbeit zitieren
- Yannick Georgii (Autor:in), 2020, Collaborative Filtering. Einsatz für die Streaming-Branche am Beispiel des Anbieters Joyn, München, GRIN Verlag, https://www.grin.com/document/1001659
