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.
This is a preview of subscription content, log in via an institution to check access.
Literatur
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.
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.
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.
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.
Jannach, D.; Zanker, M.; Felfernig, A.; Friedrich, G.: Recommender Systems — An Introduction. Cambridge University Press, Cambridge, 2010.
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.
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.
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.
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.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Jannach, D., Lerche, L. Perspektiven in der Offline-Evaluation von Empfehlungsalgorithmen. HMD 50, 34–44 (2013). https://doi.org/10.1007/BF03340851
Published:
Issue Date:
DOI: https://doi.org/10.1007/BF03340851