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
Zielsetzung und Themenschwerpunkte
Diese Hausarbeit untersucht den Einsatz von Collaborative Filtering für die Streaming-Branche am Beispiel des Anbieters Joyn. Ziel ist es, ein grundlegendes Verständnis von Recommender Systemen zu vermitteln und die verschiedenen Arten von Collaborative Filtering zu analysieren. Zudem werden die Herausforderungen bei der Implementierung von Recommender Systemen beleuchtet.
- Definition und Funktionsweise von Recommender Systemen
- Unterscheidung zwischen Content-based Recommender und Collaborative Filtering Recommender
- Analyse der beiden Filtering Arten User-Based Filtering und Item-Based Filtering
- Diskussion der Probleme, die im Zusammenhang mit Collaborative Filtering auftreten können
- Demonstration der Funktionsweise von Recommender Systemen am Beispiel von Joyn
Zusammenfassung der Kapitel
- Kapitel 1: Diese Einleitung bietet eine Einführung in das Thema der Hausarbeit und stellt die Zielsetzung und den Aufbau dar.
- Kapitel 2: Dieses Kapitel behandelt die grundlegende Definition und Funktionsweise von Recommender Systemen. Es werden die verschiedenen Kategorien von Systemen sowie die Vorteile und Herausforderungen des Einsatzes von Recommender Systemen im Allgemeinen diskutiert.
- Kapitel 3: In diesem Kapitel werden die beiden Arten von Collaborative Filtering, User-Based Filtering und Item-Based Filtering, im Detail analysiert. Zudem werden die verschiedenen Probleme, die mit Collaborative Filtering einhergehen können, erläutert.
- Kapitel 4: Dieses Kapitel beleuchtet die Anwendung von Collaborative Filtering im praktischen Einsatz am Beispiel von Joyn.
Schlüsselwörter
Recommender Systeme, Collaborative Filtering, User-Based Filtering, Item-Based Filtering, Streaming-Branche, Joyn, Kaltstart-Problem, Spärlichkeit, Lemming-Effekt, Synonymie, Shilling Attacks, Grey Sheep Problem.
- Quote paper
- Yannick Georgii (Author), 2020, Collaborative Filtering. Einsatz für die Streaming-Branche am Beispiel des Anbieters Joyn, Munich, GRIN Verlag, https://www.grin.com/document/1001659
