Konzeption und Implementierung eines hybriden Empfehlungssystems unter Einsatz spielerischer Interaktionsformen (Bachelor AI)

Recommender Systeme sind in heutigen E-Commerce Plattformen allgegenwärtig und können einen Mehrwert für den Benutzer darstellen. Dabei gilt die Verfügbarkeit über Benutzerinformationen als notwendige Voraussetzung zur akkuraten Empfehlungsgenerierung eines Recommender Systems und stellt eine der zentralen Herausforderungen dieser Systeme dar. Einen speziellen Fall der Nichtverfügbarkeit von Informationen ist als das sogenannte Kaltstartproblem bekannt. Diese Arbeit stellt einen hybriden Gameful Recommender vor, der Techniken des Content-based und Collaborative Filtering miteinander kombiniert und u.A. das Kaltstartproblem bei neuen Benutzern anvisiert. Dabei wird grundsätzlich auf das Anlegen eines Benutzerprofils verzichtet, sodass akkurate Empfehlungen nur durch direktes Einwirken des Benutzers generiert werden können. Mittels Techniken der Gamifizierung ermöglicht der Gameful Recommender dem Benutzer eine übersichtliche und direkte Interessenfestlegung. In einem spielerischen Kontext kann der Benutzer seine Präferenzen durch Auswahl unterschiedlicher Objekte oder direkter Positionierung in einem durch latente Faktoren aufgespannten Raum festlegen. So bietet dieser Ansatz neben einer transparenten und kontrollierbaren Empfehlungsgenerierung, eine Möglichkeit selbst in Kaltstartsituationen, die bei neuen Benutzern auftreten können, durch direkte Interaktion des Benutzers akkurate Empfehlungen generieren zu können.