Recommender Systems,

-

Verstehen, Verwenden und Evaluieren von Recommender Systemen (Empfehlungsdiensten)

Intermediate

Die heute durch das Internet ermöglichte freie Verfügbarkeit an Informationen stellt deren Nutzer und Anbieter vor spannende Herausforderung: wie gelange ich als Nutzer an die für mich relevanten Informationen und wie verknüpfe ich als Anbieter Themen und Nutzergruppen passend? Recommender Systems stellen eine Lösung für diese Fragen dar und haben e-commerce, aber auch die Unterhaltungs- und Nachrichtenindustrie in den letzten 20 Jahren revolutioniert.

Die Studierenden kennen Mehrwert, Anwendungsgebiete und Anforderungsspezifikationen (z.B. Skalierbarkeit, Qualität, Erklärbarkeit und Darstellung von Empfehlungen) von Recommender Systems. Die Studierenden verstehen welche Art von Informationen zur Personalisierung von Empfehlungen herangezogen werden (z.B. «read», «click», «buy», «rate»), wo bei deren Interpretation Vorsicht geboten ist und wie sparse information genutzt wird.

Die Studierenden kennen die konzeptionellen Annahmen (z.B. Notwendigkeit von Nutzungs- oder Ratinghistorie), Vor- und Nachteile (z.B. Model-based vs Memory-based) sowie mathematischen Grundlagen von content-based und collaborative filtering (z.B. UBCF, IBCF und SVD) Recommenders und sind in der Lage verschiedene Arten von Recommender Systems zu implementieren, miteinander zu vergleichen und zu hybridisieren.

Die Studierenden verstehen den Unterschied von Metriken, um Kundenpräferenzen zu schätzen (MAE, NMAE, RMSE), die Relevanz von Empfehlungen zu beurteilen (Precision, Recall, F1, MAP), deren relatives Ranking zu messen (nDCG, MRR) und wie deren Business-Nutzen auf Basis von Abdeckung, Diversität und Serendipität beurteilt und adjustiert wird.

Note

Grundlagen der Linearen Algebra, Grundkompetenz Programmieren, Grundkompetenz Datenbanken

Portfoliomodul