In der vorliegenden Bachelor Thesis werden die Geschichte, die verwendeten Tech- nologien und die Einsatzgebiete von Empfehlungssystemen dargestellt. Basierend auf diesen Erkenntnissen wird die mögliche Implementierung eines solchen Systems für zwei Beispielanwendungen überprüft. Hierbei handelt es sich um den Büchermarkt- platz im InfWeb der Fakultät Informatik der Hochschule Reutlingen und das PaSIS System des Universitätsklinikums Tübingen. Im Hinblick auf Faktoren wie Daten- basis oder Nutzeraufkommen wird eine Entscheidung für einen der beiden Anwen- dungsfälle getroffen und im Anschluss ein Konzept zur Implementierung entwickelt.
This bachelor thesis concerns with the history, the used technologies and the field of application for recommender systems. Based on this knowledge the possible im- plementation of such a system is evaluated for two concrete examples. These are the Büchermarktplatz included in the InfWeb of the faculty for computer science at Reutlingen University and the PaSIS system at the University Hospital Tübingen. With regard to factors such as database or amount of users a decision for one of the two applications is made. Afterwords a concept for the implementation will be developed.
Inhaltsverzeichnis
1. Einleitung
1.1. Einführung
1.2. Motivation
1.3. Ziele der Arbeit
2. Empfehlungssysteme
2.1. Überblick
2.1.1. Gesamteinordnung
2.1.2. Entwicklungsgeschichte
2.1.3. Anwendungsgebiete
2.2. Methoden von Empfehlungssystemen
2.2.1. Regelbasierte Filterung
2.2.2. Inhaltsbasierte Filterung
2.2.3. Kollaborative Filterung
2.2.4. Hybride Verfahren
2.2.5. Unterscheidung Memory-Based & Model-Based
2.2.6. Messbarkeit von Eigenschaften
2.3. Fallbeispiele
2.3.1. Amazon
2.3.2. Last.fm
2.3.3. MovieLens
3. Mögliche Anwendungsfälle
3.1. Büchermarktplatz
3.2. PaSIS/PaSOS
3.3. Anwendungsfallanalyse
3.4. Entscheidung
4. Konzeption eines Empfehlungssystems für PaSIS/PaSOS
4.1. Zielsetzung des Systems
4.2. Anforderungen an das System
4.2.1. Funktionale Anforderungen
4.2.2. Nichtfunktionale Anforderungen
4.3. Auswahl des Verfahrens
4.3.1. Gegenüberstellung der Verfahren
4.3.2. Schlussfolgerung
4.4. Nähere Eingrenzung
4.4.1. Grobkonzept des Systems
4.4.2. Bestimmung der Fallähnlichkeit
4.4.3. Bewertung durch Benutzer
4.4.4. Sortierung Fallähnlichkeit
4.4.5. Zusammenfassung
4.5. Automatisierte Verschlagwortung
4.5.1. TF-IDF
5. Fazit
A. Quellcode
A.1. TF-IDF Implementierung
A.2. Testskript
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist die Untersuchung und Konzeption eines Empfehlungssystems, das speziell auf den medizinischen Kontext des Incident-Reportings (PaSIS/PaSOS) zugeschnitten ist, um Fallquerverbindungen effizient aufzuzeigen und somit die Patientensicherheit zu erhöhen. Die zentrale Forschungsfrage beschäftigt sich damit, welches Filterverfahren für eine solche Anwendung am besten geeignet ist und wie ein entsprechendes Konzept zur Implementierung aussehen kann.
- Grundlagen und Geschichte von Empfehlungssystemen
- Vergleich verschiedener Filtermethoden (regelbasiert, inhaltsbasiert, kollaborativ, hybrid)
- Analyse und Vergleich potenzieller Anwendungsfälle
- Konzeptionelle Entwicklung einer Lösung mittels inhaltsbasierter Filterung
- Automatisierte Verschlagwortung unter Verwendung von TF-IDF
Auszug aus dem Buch
2.2.3. Kollaborative Filterung
Kollaborative Filterverfahren setzen voraus, dass man über eine Menge von Benutzern eines Systems verfügt. Diese geben ihre Präferenzen für die zu empfehlenden Objekte ab. Wenn im Anschluss eine Empfehlung für einen bestimmten Benutzer ausgesprochen werden soll, werden zunächst ihm ähnliche Benutzer ermittelt. Deren Präferenzen werden im Anschluss ausgewertet und verwendet, um ihm eine Empfehlung auszusprechen [Runte, 2000, S.14]. Die Funktionsweise der kollaborativen Filterung ist in Abbildung 2.8 illustriert.
Objekte, die noch nicht vom aktuellen Benutzer, jedoch von ähnlichen Benutzern bewertet wurden, sind dementsprechend lohnende Empfehlungselemente. Dabei wird davon ausgegangen, dass Benutzer, die in der Vergangenheit übereinstimmende Präferenzen hatten, diese auch in Zukunft haben werden [Mobasher, Anand, 2005, S.10].
Der Datenbestand eines solchen Systems wird oft mit einer Datenmatrix dargestellt. Eine solche ist in Abbildung 2.9 zu sehen. Hier steht jede Spalte für ein Objekt (Item) mit den dazugehörigen expliziten oder impliziten Benutzerbewertungen in einer Spalte pro Nutzer (User). Diese können sowohl boolescher Art sein („gut“ / „schlecht“) oder diskret bzw. stetig skaliert sein [Klahold, 2009, S.62].
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in das Thema Empfehlungssysteme ein, motiviert die Forschungsarbeit und definiert die konkreten Ziele der Bachelor Thesis.
2. Empfehlungssysteme: Das Kapitel bietet einen theoretischen Überblick über die Geschichte, die Funktionsweisen und die verschiedenen Kategorien sowie Methoden von Empfehlungssystemen.
3. Mögliche Anwendungsfälle: Hier werden zwei konkrete Anwendungsszenarien – der Büchermarktplatz und das PaSIS/PaSOS – analysiert und anhand verschiedener Faktoren miteinander verglichen.
4. Konzeption eines Empfehlungssystems für PaSIS/PaSOS: In diesem Hauptteil wird das konkrete Konzept für das Empfehlungssystem im medizinischen Umfeld entwickelt, inklusive technischer und funktionaler Anforderungen sowie der Wahl des Filterverfahrens.
5. Fazit: Das Fazit fasst die Ergebnisse der Arbeit zusammen und bewertet die vorgeschlagene Konzeption hinsichtlich ihres Nutzens für das Patientensicherheits-System.
A. Quellcode: Dieser Anhang enthält die technische Implementierung des verwendeten TF-IDF-Verfahrens sowie ein Testskript zur Überprüfung der Funktionalität.
Schlüsselwörter
Empfehlungssysteme, Recommender Systeme, Incident-Reporting, PaSIS, PaSOS, Informationsüberfluss, Inhaltsbasierte Filterung, Kollaborative Filterung, TF-IDF, Web 2.0, Datenanalyse, Fallähnlichkeit, Patientensicherheit, Filtermethoden, Automatisierte Verschlagwortung.
Häufig gestellte Fragen
Worum geht es in dieser Bachelor Thesis grundsätzlich?
Die Arbeit befasst sich mit der Konzeption eines Empfehlungssystems, das in einem medizinischen System zur Erfassung von Zwischenfällen eingesetzt werden soll, um dem Personal relevante, ähnliche Fälle zur Fehleranalyse vorzuschlagen.
Welche zentralen Themenfelder werden in der Arbeit behandelt?
Die zentralen Felder sind die Grundlagen von Empfehlungssystemen, der Vergleich verschiedener Algorithmen sowie die praktische Anwendung dieser Technik auf das Incident-Reporting-System des Universitätsklinikums Tübingen.
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Das Ziel ist die Prüfung der Einsatzmöglichkeiten eines Empfehlungssystems für zwei spezifische Anwendungsfälle und die Ausarbeitung eines konkreten Implementierungskonzepts für den am besten geeigneten Anwendungsfall zur Verbesserung der Patientensicherheit.
Welche wissenschaftliche Methode wird in der Arbeit verwendet?
Neben einer theoretischen Literaturanalyse zur Eignung verschiedener Filterverfahren führt der Autor eine methodische Faktorenanalyse durch, um zwischen den betrachteten Anwendungsfällen zu entscheiden und darauf aufbauend eine Architektur zu entwerfen.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil liegt der Fokus auf der Analyse der Anwendungsfälle, der Entscheidung für das PaSIS/PaSOS-System, der Definition funktionaler Anforderungen und der detaillierten Ausarbeitung der inhaltsbasierten Filterlogik inklusive der automatisierten Verschlagwortung mittels TF-IDF.
Welche Schlüsselwörter charakterisieren diese Arbeit am besten?
Die wichtigsten Begriffe sind Empfehlungssysteme, Incident-Reporting, PaSIS/PaSOS, inhaltsbasierte Filterung, TF-IDF und Patientensicherheit.
Warum wurde für das PaSIS/PaSOS-System die inhaltsbasierte Filterung und nicht die kollaborative Filterung gewählt?
Da im PaSIS/PaSOS-System keine individuellen Benutzer-Logins vorhanden sind und das Nutzerverhalten nicht auf direkte Objektbewertungen abzielt, ist die kollaborative Filterung nicht praktikabel. Die inhaltsbasierte Filterung auf Basis von Schlagworten ist hier besser geeignet.
Welche Rolle spielt die TF-IDF-Metrik in dieser Arbeit?
TF-IDF dient dazu, die manuelle Verschlagwortung der Fallberichte zu automatisieren, indem wichtige, beschreibende Wörter in den Textdokumenten identifiziert werden, um so die Fallähnlichkeit präziser berechnen zu können.
- Quote paper
- Boris Steiner (Author), 2010, Konzeption eines Empfehlungssystems zum Einsatz im medizinischen Incident-Reporting, Munich, GRIN Verlag, https://www.grin.com/document/148114
