Advertisement

HMD Praxis der Wirtschaftsinformatik

, Volume 50, Issue 5, pp 34–44 | Cite as

Perspektiven in der Offline-Evaluation von Empfehlungsalgorithmen

  • Dietmar Jannach
  • Lukas Lerche
Article

Zusammenfassungen

Empfehlungssysteme sind heutzutage ein zentraler Bestandteil vieler Onlineshops und stellen für die Betreiber ein wertvolles Mittel dar, Kunden bei der Produktoder Informationssuche zu helfen sowie auf weitere interessante Produkte hinzuweisen. Die meisten Forschungsarbeiten zu Empfehlungssystemen verwenden explizite Produktbewertungen von Kunden als Eingabe für die Algorithmen und als Grundlage für die Empfehlungsgenerierung. In der Realität sind solche Bewertungen jedoch oft nicht in ausreichender Menge vorhanden, sodass für die Produktvorschläge auf andere Datenquellen — wie zum Beispiel Logdaten der Kundenaktionen — zurückgegriffen werden muss. In diesem Beitrag werden praktische Herausforderungen bei der Nutzung und Interpretation solcher weiteren Datenquellen für die Empfehlungsgenerierung besprochen sowie auf methodische Fragen der vergleichenden Bewertung von Empfehlungsalgorithmen eingegangen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [Adomavicius & Kwon 2012]
    Adomavicius, G.; Kwon, Y.: Improving Aggregate Recommendation Diversity Using Ranking-Based Techniques. IEEE Transactions on Knowledge and Data Engineering 24 (2012), 5, pp. 896–911.CrossRefGoogle Scholar
  2. [Cremonesi et al. 2010]
    Cremonesi, P.; Koren, Y.; Turrin, R.: Performance of Recommender Algorithms on Top-N Recommendation Tasks. Proceedings of the ACM Conference on Recommender Systems — RecSys '10, Barcelona, Spain, 2010, pp. 39–46.Google Scholar
  3. [Fleder & Hosanagar 2009]
    Fleder, D.; Hosanagar, K.: Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity. Management Science 55 (2009), 5, pp. 697–712.CrossRefGoogle Scholar
  4. [Herlocker et al. 2004]
    Herlocker, J.; Konstan, J.; Terveen, L.; Riedl, J.: Evaluating Collaborative Filtering Recommender Systems. ACM Transactions on Information Systems 22 (2004), 1, pp. 5–53. ai[Jannach & Hegelich 2009]_Jannach, D.; Hegelich, K.: A Case Study on the Effectiveness of Recommendations in the Mobile Internet. Proceedings of the ACM Conference on Recommender Systems — RecSys '09, New York, USA, 2009, pp. 205–208.CrossRefGoogle Scholar
  5. [Jannach et al. 2010]
    Jannach, D.; Zanker, M.; Felfernig, A.; Friedrich, G.: Recommender Systems — An Introduction. Cambridge University Press, Cambridge, 2010.CrossRefGoogle Scholar
  6. [Jannach et al. 2012]
    Jannach, D.; Zanker, M.; Ge, M.; Gröning, M.: Recommender Systems in Computer Science and Information Systems — A Landscape of Research. Proceedings of the 13th International Conference on Electronic Commerce and Web Technologies — EC-Web 2012, Vienna, Austria, 2012, pp. 76–87.Google Scholar
  7. [Jannach et al. 2013]
    Jannach, D.; Lerche, L.; Gedikli, F.; Bonnin, G.: What Recommenders Recommend — An Analysis of Accuracy, Popularity, and Sales Diversity Effects. 21st International Conference on User Modeling, Adaptation and Personalization — UMAP 2013, Rome, Italy, 2013.Google Scholar
  8. [Mobasher et al. 2001]
    Mobasher, B.; Dai, H.; Luo, T.; Nakagawa, M.: Effective Personalization Based on Association Rule Discovery from Web Usage Data. Proceedings of the 3rd International Workshop on Web Information and Data Management — WIDM '01, Atlanta, Georgia, USA, 2001, pp. 9–15.Google Scholar
  9. [Pu et al. 2011]
    Pu, P.; Chen, L.; Hu, R.: A User-centric Evaluation Framework for Recommender Systems. Proceedings of the ACM Conference on Recommender Systems — RecSys '11, Chicago, Illinois, USA, 2011, pp. 157–164.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2013

Authors and Affiliations

  1. 1.Technische Universität DortmundDortmund

Personalised recommendations