Konsumenten sehen sich in Zeiten des Internets einer regelrechten Informationsflut gegenüber. Die wirklich relevanten Informationen herauszufiltern, wird für viele immer schwieriger. Eine Lösung bieten Empfehlungssysteme. Diese reduzieren die Komplexität von Entscheidungen, sodass Nutzer relevante Informationen schneller finden.
Ob bei der Urlaubsplanung oder beim Streaming, viele Anbieter setzen schon jetzt auf Gruppenempfehlungssysteme. Die jeweiligen Lösungen können aber noch nicht allgemein angewandt werden. Wie Marina Hell verdeutlicht, fehlt uns derzeit noch ein domainunabhängiges Empfehlungssystem für Gruppen.
Wie können in einem unabhängigen Setting Empfehlungen für Gruppen generiert werden? Und wie erreichen Empfehlungen eine bessere Genauigkeit? Hell erklärt die theoretischen Grundlagen und entwickelt ein eigenes domänenunabhängiges Empfehlungssystem für Gruppen.
Aus dem Inhalt:
- Empfehlungsalgorithmus;
- Filtering;
- Gruppierungsstrategie;
- Präferenz;
- Cluster
Inhaltsverzeichnis
1 Einleitung
2 Recherche und Diskussion der relevanten Literatur
2.1 Vorgehen der Literaturrecherche
2.2 Begriffsdefinitionen
3 Theoretische Grundlagen zu Gruppenempfehlungssystemen
3.1 Empfehlungssysteme für Einzelnutzer
3.2 Empfehlungssysteme für Gruppen
3.3 Empfehlungsalgorithmen
3.4 Gruppierungsstrategie
3.5 Aggregationsmethode
4 Entwicklung und Umsetzung eines Empfehlungssystems für flüchtige Gruppen
4.1 Anforderungen
4.2 Entwicklung des Modells
4.3 Umsetzung des Modells
5 Implementierung der entwickelten Methode
5.1 Programmeinführung KNIME
5.2 Implementierung des Gruppenempfehlungssystems
6 Evaluation des Gruppenempfehlungssystems und Interpretation der Ergebnisse
6.1 Erhebung des Datensatzes
6.2 Wahl des Evaluationskriteriums
6.3 Vorgehen der Evaluation
6.4 Diskussion der Ergebnisse
7 Schluss
7.1 Zusammenfassung der Arbeit
7.2 Kritische Würdigung und Ausblick für zukünftige Forschung
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist die Entwicklung, Implementierung und Evaluation eines domänenunabhängigen Empfehlungssystems, das speziell auf die Bedürfnisse flüchtiger Gruppen zugeschnitten ist und eine hohe Vorhersagegenauigkeit im Hinblick auf deren Präferenzen erreicht.
- Grundlagen von Empfehlungssystemen und deren Übertragung auf Gruppen
- Methoden zur Bewältigung des New-User-Kaltstartproblems in Gruppen
- Hybridisierung von Content-Based und Collaborative Filtering
- Analyse und Anwendung von Aggregationsstrategien für Gruppenentscheidungen
- Technische Umsetzung mittels KNIME und Excel
- Experimentelle Validierung und Genauigkeitsmessung des Modells
Auszug aus dem Buch
3.2 Empfehlungssysteme für Gruppen
Ziel der Einzelnutzerempfehlungssysteme ist unter anderem den Geschmack des Nutzers so genau wie möglich vorherzusagen, um den Wert des Items für den betrachteten Nutzer zu maximieren (Marchand und Hennig-Thurau 2012, S.128). Hierbei stehen ausschließlich die Präferenzen des Nutzers im Vordergrund. Im Gegensatz zu Einzelnutzerempfehlungssystemen haben Gruppenempfehlungssysteme das Ziel, den Geschmack der gesamten Gruppe so präzise wie möglich abzubilden. Der gemeinsame Gruppenwert besteht aus aggregierten Einzelwerten der Gruppenmitglieder (Marchand und Hennig-Thurau 2012, S.128). Das heißt Empfehlungsalgorithmen, die für die Vorhersage von Einzelnutzerbewertungen verwendet werden, bilden ebenfalls die Grundlage für Gruppenempfehlungssysteme (Jameson 2004). Daher werden diese im weiteren Verlauf des Kapitels näher vorgestellt.
Dennoch sind die Präferenzen der einzelnen Gruppenmitglieder oft sehr unterschiedlich (Popescu 2013). Gruppenempfehlungssysteme müssen daher den Geschmack vieler Einzelnutzer nicht nur wahrnehmen, sondern auch berücksichtigen. Diese Tatsache stellt Gruppenempfehlungssysteme vor zwei Herausforderungen: Zum einen müssen Gruppenempfehlungssysteme die Meinungsverschiedenheiten in einer Gruppe bestmöglich lösen (Amer-Yahia et al. 2009) und zum anderen müssen die unterschiedlichen Präferenzen während des Empfehlungsverfahrens zu einer Gruppenempfehlung aggregiert werden. Aufgrund dieser Herausforderungen werden hierbei, im Gegensatz zu Einzelnutzerempfehlungssystemen, drei Methoden angewendet um eine Empfehlung für eine Gruppe zu generieren: Der Empfehlungsalgorithmus, die Gruppierungsstrategie und die Aggregationsmethode.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Problematik der Informationsüberflutung ein und definiert die Relevanz von Empfehlungssystemen für flüchtige Gruppen.
2 Recherche und Diskussion der relevanten Literatur: In diesem Kapitel wird der Stand der Technik durch eine strukturierte Literaturrecherche analysiert und Begriffe für flüchtige Gruppen klar definiert.
3 Theoretische Grundlagen zu Gruppenempfehlungssystemen: Hier werden die theoretischen Designentscheidungen eines Gruppenempfehlungssystems – Empfehlungsalgorithmus, Gruppierungsstrategie und Aggregationsmethode – detailliert erläutert.
4 Entwicklung und Umsetzung eines Empfehlungssystems für flüchtige Gruppen: Dieses Kapitel beschreibt das entwickelte hybride Modell, inklusive der Anforderungen und der mathematischen Notation zur Umsetzung.
5 Implementierung der entwickelten Methode: Hier wird der Implementierungsprozess des Modells mithilfe der Plattform KNIME und in Excel praxisnah beschrieben.
6 Evaluation des Gruppenempfehlungssystems und Interpretation der Ergebnisse: Dieses Kapitel widmet sich der experimentellen Datenerhebung und der kritischen Analyse der Systemperformance anhand verschiedener Evaluationsszenarien.
7 Schluss: Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse sowie einer kritischen Würdigung und einem Ausblick auf zukünftige Forschungsmöglichkeiten ab.
Schlüsselwörter
Empfehlungssysteme, Gruppenempfehlungssysteme, flüchtige Gruppen, Content-Based Filtering, Collaborative Filtering, Hybride Systeme, Aggregationsmethode, Rating Aggregation, KNIME, Vorhersagegenauigkeit, New User Kaltstartproblem, Accuracy, MAE, RMSE, Nutzerpräferenzen
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Konzeption und Implementierung eines Empfehlungssystems, das speziell auf die Bedürfnisse von sogenannten "flüchtigen Gruppen" ausgelegt ist, die bisher keine gemeinsame Historie besitzen.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen Empfehlungsalgorithmen für Gruppen, die mathematische Aggregation von Nutzerpräferenzen sowie die praktische Umsetzung solcher Systeme in domänenunabhängigen Settings.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist die Beantwortung der Frage, wie man für flüchtige Gruppen in einem domänenunabhängigen Umfeld Empfehlungen generieren kann, die eine hohe Genauigkeit in Bezug auf die tatsächlichen Präferenzen der Gruppe aufweisen.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine hybride Methode eingesetzt, die Content-Based Filtering mit Item-Based Collaborative Filtering kombiniert, ergänzt durch spezifische Aggregationsstrategien für Gruppenentscheidungen.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst die theoretischen Grundlagen der Designentscheidungen, die mathematische Modellierung für flüchtige Gruppen sowie die konkrete Implementierung mittels KNIME und Excel.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen gehören Gruppenempfehlungssysteme, flüchtige Gruppen, Hybride Filterverfahren, Rating Aggregation und Vorhersagegenauigkeit.
Wie geht das System mit neuen Nutzern um, die keine Historie haben?
Das System nutzt eine spezielle "New User"-Komponente, die Pseudo-Werte auf Basis von Gruppendurchschnitten oder der Item-Durchschnittsbewertung generiert, um das Kaltstartproblem zu lösen.
Wie wurde die Genauigkeit des Systems evaluiert?
Die Evaluation erfolgte durch ein Experiment mit 28 Probanden und 15 Restaurant-Items, wobei die Performance mittels der Fehlermetriken RMSE und MAE gemessen wurde.
Welche Rolle spielt die Aggregationsmethode in diesem System?
Die Aggregation ist entscheidend, um die individuellen Präferenzen der Gruppenmitglieder in eine gemeinsame Gruppenpräferenz zu überführen, wobei hier eine Kombination aus "Average" und "Least Misery" verwendet wird.
Warum wird "flüchtige Gruppe" als Begriff gewählt?
Der Begriff wurde aufgrund von Dissensen in der Literatur gewählt, um Gruppen zu beschreiben, die erst seit Kurzem in dieser Konstellation zusammenkommen und keine gemeinsame Bewertungshistorie aufweisen.
- Arbeit zitieren
- Marina Hell (Autor:in), 2018, Empfehlungssysteme für Gruppen. Wie man die Genauigkeit verbessert und unterschiedliche Settings abdeckt, München, GRIN Verlag, https://www.grin.com/document/494645
