@article{HirtKnoblauch,
  author    = {Marius Hirt and Jan Knoblauch},
  title     = {Recommender Systems},
  series = {informatikJournal},
  volume    = {12.2021},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:fn1-opus4-77154},
  pages     = {69 -- 75},
  abstract  = {Empfehlungssysteme sind aus dem modernen Web nicht wegzudenken. F{\"u}r Unternehmen k{\"o}nnen mit relevanten Empfehlungen enorme Summen an Gesch{\"a}ftswert generiert werden. F{\"u}r Benutzer wird dabei ein personalisiertes Erlebnis auf der Plattform geboten. In dieser Arbeit werden zun{\"a}chst die Herausforderungen an Empfehlungssysteme sowie die unterschiedlichen Arten von Algorithmen umrissen. In einem Proof-of-Concept (PoC)werden zwei verf{\"u}gbare L{\"o}sungen – Amazon Personalize und LibRec – untersucht und bewertet. Grundlage des PoC ist ein offline Wikipedia-Modell, welches eine ausgew{\"a}hlte Untermenge von Artikeln aus unterschiedlichen Kategorien in einem zusammenh{\"a}ngenden Graphen abbildet. Zur Generierung von Daten f{\"u}r das Empfehlungssystem wird der Graph von simulierten Benutzern zuf{\"a}llig durchlaufen. Jeder Nutzer bekommt dabei pro Sitzung eine Lieblingskategorie. Artikel aus dieser Kategorie werden sehr gut bewertet, im Graph weit entfernte Artikel bekommen in dieser Sitzung schlechtere Bewertungen. Das Empfehlungssystem soll die Zugeh{\"o}rigkeit der Artikel zu den Kategorien reproduzieren, ohne explizite Kenntnis der Kategorien zu haben. Als Bewertungskriterium werden f{\"u}r jeden Artikel die besten f{\"u}nf Empfehlungen des jeweiligen Empfehlungssystems betrachtet. Als Metrik dient dabei der Prozentsatz, wie viele der Empfehlungen zur selben Kategorie geh{\"o}ren, wie der Artikel, f{\"u}r den die Empfehlungen gegeben werden. Amazon Personalize erreicht mit diesem Test eine Pr{\"a}zision von {\"u}ber 95\%, LibRec erreicht dabei bis zu 73\%.},
  language  = {de}
}