Personalisierte Auswahl von Interaktionsmechanismen in interaktiven Empfehlungssystemen (Master Informatik/Komedia)

Empfehlungssysteme sind heute alltäglich gewordene Werkzeuge, die Nutzer*innen im Internet dabei unterstützen, aus der immensen Vielfalt von Produkten jene zu finden, die bestmöglich zu den eigenen Präferenzen passen. Auf der anderen Seite des Spektrums stehen Such- und Filtermechanismen, die es ebenfalls ermöglichen, den Produktraum hinsichtlich einer passenden Auswahl zu explorieren. Mittlerweile hat sich nicht nur die Zahl der Algorithmen für die Generierung von Empfehlungen vervielfacht, sondern es existieren auch zahlreiche Interaktionsmechanismen, die es den Nutzer*innen ermöglichen, in den zugrundeliegenden Prozess einzugreifen und Kontrolle über das jeweilige Empfehlungssystem auszuüben. Während sich also eine Konvergenz bei den Entscheidungshilfen beobachten lässt, bleibt es vollständig den Nutzer*innen überlassen, denjenigen Mechanismus zu wählen, der in ihrer aktuellen Situation am vielversprechendsten erscheint, um das jeweilige Ziel zu erreichen.

In der Vergangenheit wurde am Lehrstuhl ein Filmempfehlungssystem entwickelt, mit dem die Interaktivität des zugrundeliegenden Collaborative Filtering – bei dem gewöhnlich nur mittels der Vergabe von Bewertungen für einzelne Produkte Einfluss genommen werden kann – so weit wie möglich gesteigert werden sollte [1]. Hierzu bietet es eine breite Palette von Interaktionsmechanismen, mit deren Hilfe Nutzer*innen etwa ihre Präferenzen anhand von Vergleichen ausdrücken [2], Tags zur Äußerung von Kritik und zur Gewichtung der Ergebnisse verwenden [3], oder verschiedene Empfehlungsmechanismen auf Basis einer erweiterten facettierten Filterung zueinander ins Verhältnis setzen können [4]. Jeder dieser Mechanismen ist für bestimmte Situationen besonders geeignet, wobei die Implementierung in Form von eng miteinander verbundenen Perspektiven jederzeit einen Wechsel zwischen ihnen ermöglicht. Im Rahmen dieser Arbeit soll eine Methode entwickelt und prototypisch umgesetzt werden, die den Nutzer*innen die Entscheidung erleichtert, in Abhängigkeit von ihrer persönlichen Situation zum jeweils „richtigen“ Mechanismus zu wechseln. Dies umfasst die Implementierung eines Vorhersagealgorithmus für den nächsten Interaktionsschritt in das bestehende System, basierend auf einem entsprechenden Interaktionsprofils für den*die jeweiligen Nutzer*in, sowie die Anpassung der Nutzungsoberfläche, so dass diese*r überzeugend aber nicht aufdringlich auf die jeweiligen Vorschläge hingewiesen wird. Weiterer Bestandteil der Arbeit ist eine Evaluation in Form einer Nutzerstudie, um die Effektivität der implementierten Lösung und die Zufriedenheit mit dieser zu erfassen.

Bei dieser Arbeit soll ein vorhandenes System erweitert werden, so dass Programmierkenntnisse, bestenfalls mit Java, wünschenswert, und Erfahrungen in der Webentwicklung von Vorteil sind. Sollten Sie Interesse an dieser Arbeit haben, nehmen Sie bitte Kontakt mit Benedikt Loepp auf (unter Beifügung eines aktuellen Notenspiegels).

[1] Loepp, B., & Ziegler, J. (2019). Towards Interactive Recommending in Model-Based Collaborative Filtering Systems. RecSys ’19: Proceedings of the 13th ACM Conference on Recommender Systems, 546–547. New York, NY, USA: ACM.

[2] Loepp, B., Hussein, T., & Ziegler, J. (2014). Choice-Based Preference Elicitation for Collaborative Filtering Recommender Systems. CHI ’14: Proceedings of the 32nd ACM Conference on Human Factors in Computing Systems, 3085–3094. New York, NY, USA: ACM.

[3] Loepp, B., Donkers, T., Kleemann, T., & Ziegler, J. (2019). Interactive Recommending with Tag-Enhanced Matrix Factorization (TagMF). International Journal of Human-Computer Studies, 121, 21–41.

[4] Loepp, B., Herrmanny, K., & Ziegler, J. (2015). Blended Recommending: Integrating Interactive Information Filtering and Algorithmic Recommender Techniques. CHI ’15: Proceedings of the 33rd ACM Conference on Human Factors in Computing Systems, 975–984. New York, NY, USA: ACM.