Generierung von aktionsfähigen Empfehlungen:                  Ein Spielfilm-Empfehlungs-Algorithmus mit Erklärungsfähigkei...
Ziele der Arbeit                                          Entwicklung einer Empfehlungs-Methode,                          ...
GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis      Empfehlungssystemen     Erklärungen in Empfehlugssystemen ...
E-Commerce                                                 Empfehlungssystemen                                            ...
“That popped up                                                                                       because I previously...
Erklärungen der Empfehlungen helfen Nutzern,                                  Fehler in den Empfehlungen zu handhaben     ...
Erklärungsfähigkeit eines Empfehlungssystems hängt von dem                      eingesetzten Empfehlugsalgoritmus ab      ...
Erklärungsstile, Zufriedenheit mit                                                          und Effektivität der AuswahlKe...
Präferenzrelevante Spielfilmeigenschaften    Spielfilme sind Erfahrungsgüter    Konsumenten Beurteilen Spielfilme    anhand...
GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis      Empfehlungssystemen     Erklärungen in Empfehlugssystemen ...
Konzeptuelles Schema des zu entwickelnden                            Empfehlungssystems                     content-based ...
Basismodell der NutzerpräferenzenErwartungswert des Ratings für  einen Spielfilm, wenn keineInformationen über den Nutzer ...
Basismodell der Nutzerpräferenzen                                    ru,i - Rating des Nutzers u für den Film i         ru...
Berücksichtigung statischer Effekte                                 jenseits Nutzer-Spielfilm-Interaktionen                ...
Berücksichtigung der zeitlichen Dynamik                                              von Nutzerpräferenzen                ...
Schätzung der Modelparameter                 ru,i = µ + bu + α ut + (bi + βi t)(su + γ ut) + ∑ mi, j ( pu, j + δu, j t)   ...
Zweischrittiges Verfahren zur                              Schätzung der Modelparameter              ru,i = µ + bu + α ut ...
Schritt 1: Schätzung initieller Parameter-Werte                                            Omitted Variable Bias          ...
Schritt 1: Schätzung initieller Parameter-Werte                                            Omitted Variable Bias      z.B....
Schritt 1: Schätzung initieller Parameter-Werte                                             Omitted Variable Bias         ...
Schritt 2: Optimierung der Parameter-Werte                     min              (!!,! − (! + !! + !! ! + ! !! + !! ! !! + ...
GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis      Empfehlungssystemen     Erklärungen in Empfehlugssystemen ...
Empirische Studie                    Rating-Daten von                    Moviepilot und Netflix                    Verknüp...
Empirische Studie                               Benchmarks & Metriken                                      Vergleich der V...
Ergebnisse                      Vergleich der GenauigkeitObwohl die entwickelte Content-based-Methode alleine keinebesonde...
Ergebnisse                                            Fehler im Optimisierungsschritt                                     ...
Ergebnisse               Konsistenz der Ergebnisse & ErklärungsstilDie Ergebnisse sind konsistent für beide verwendeten Da...
GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis      Empfehlungssystemen     Erklärungen in Empfehlugssystemen ...
Zusammenfassung und ForschungsbeitragEntwicklung des Conten-basierten Algortitmus für Speilfilmempfehlungen, welcher für d...
Viele n Dank!                32
Nächste SlideShare
Wird geladen in …5
×

PROVIDING ACTIONABLE RECOMMENDATIONS: A Movie Recommendation Algorithm with Explanation Capability

701 Aufrufe

Veröffentlicht am

Veröffentlicht in: Technologie
2 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Could you please send me the presentation of your market research? I love and enjoyed your lecture a lot, i think it is really helpful for my studying . my email address: beautyrubby@yahoo.com
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • Could you please send me the presentation of your market research? I love and enjoyed your lecture a lot, i think it is really helpful for my studying
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
701
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
17
Aktionen
Geteilt
0
Downloads
0
Kommentare
2
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

PROVIDING ACTIONABLE RECOMMENDATIONS: A Movie Recommendation Algorithm with Explanation Capability

  1. 1. Generierung von aktionsfähigen Empfehlungen: Ein Spielfilm-Empfehlungs-Algorithmus mit Erklärungsfähigkeit PROVIDING ACTIONABLE RECOMMENDATIONS A Movie Recommendation Algorithm with Explanation Capability Dipl.-Oek. Paul MarxGefördert durch In Kooperation mit 1
  2. 2. Ziele der Arbeit Entwicklung einer Empfehlungs-Methode, welche für ihre Nutzer effektive und effiziente Empfehlungen generierteffektives und effizientesEmpfehlungs- Genauigkeit Genauigkeit system - zutreffende Empfehlungen mit hohem Präferenzwert Praktische Erklärugsfähigkeit/Transparenz Erklärungs- Anwend- - verständliche und aktionsfähige Erklärung fähigkeit barkeit warum/wie die Empfehlung zustande kommt - höhere Auswahl-Effizienz und -effektivität; - Instrument zur Handhabung von Fehlern Praktische Anwendbarkeit - alle Nutzer bekommen gute Empfehlungen 2
  3. 3. GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis Empfehlungssystemen Erklärungen in Empfehlugssystemen Spielfilmeigenschaften in Empfehlungen2. Konzept des Hybriden Spilefilmempfehlungsalgorithmuns mit Erklärungsfähigkeit Konzept Modell Methode3. Empirische Studie4. Fazit 5
  4. 4. E-Commerce Empfehlungssystemen ...helfen Menschen das Informations-Overload-Problem zu überwinden, indem sie die Gesamtmenge der angebotenen Produkte zu einer kleinen 1.500 überschauberen Liste relevanter Alternativen reduzieren. Games Vorteile für Nutzer: 65.000 Filme Reduktion des Information-Overload-Problems geringerer Such-Aufwand 75.000 Filme & TV Shows geringere Auswahl-Komplexität und Auswahl-Risiko bessere Auswahl 720.000 Apps höhere Zufriedenheit 2.500.000 Vorteile für Betrieber: Bücher besseres Management der Kundenbeziehung 28.000.000 höhere Kundenloyalität und Kundenbindung Songs höhere Cross-Selling & Up-Selling Potentiale höhere Wettbewerbs-Barriere30.000.000 Songs Empfehlungen sind nicht 100%ig fehlerfrei Herlocker et al. (2004); Schafer, Konstan, and Riedl (2001); Bodapati (2008); Wei, Shaw, and Easely (2002); Ricci, Rokach, and Shapira (2011) 6
  5. 5. “That popped up because I previously ordered “Barabella”, starring Jane Fonda.” Jeffrey Preston “Jeff” Bezos amazon.com Gründer und CEO Recommendations Erklärungen der Empfehlungen helfen Nutzern, Fehler in den Empfehlungen zu handhabenQuelle: Zaslow, Jeffrey (2002) “If TiVo Thinks You Are Gay, Here’s How to Set it Straight”, in The Wall Street Magazine, Nov. 26, 2002 7
  6. 6. Erklärungen der Empfehlungen helfen Nutzern, Fehler in den Empfehlungen zu handhaben Weitere Vorzüge der Erklärungen Nutzer Anbieter Einschätzen des Zutreffens der Empfehlungen für das aktuelle Entscheidungs- Steigerung von kontext Transparenz Entdecken versteckter Vertrauen und Entscheidungs-Kriterien Glaubwürdigkeit Lösen der Präferenzkonflikte Akzeptanz durch Hervorheben entscheidungsrelevanter Zufriedenheit Informationen Effektivere und effizientere AuswahlentscheidungenHerlocker, Konstan & Riedl (2000); Tintarev (2007),Tintarev & Masthoff (2007, 2011); Chen (2009) 8
  7. 7. Erklärungsfähigkeit eines Empfehlungssystems hängt von dem eingesetzten Empfehlugsalgoritmus ab Wie genau sollen Erklärungen beschaffen sein, um Nutzern effektive Collaborative Filtering und effiziente Auswahl-Entscheidungen User-based zu ermöglichen? Item-based Matrix Factorization Content-based Filtering Welche Empfehlungsmethoden können solche Erklärungen realisieren? Hybrid Systems ion [is]“Recommendation agents should think “… the goal of a good explanat orelike the people they are attempting to to enable the user to make a m qualityhelp if the goal is to assist consumers in accurate judgment of the truemaking better choices” of an item” Bilgic and Mooney (2005) Aksoy (2006) 9
  8. 8. Erklärungsstile, Zufriedenheit mit und Effektivität der AuswahlKeyword+ Bezug auf Inhalte des empfohlelen Films und andere Filme 1 “Million Dollar Baby (2004) is recommendedTechniques Post-Processing to n wieder Post-Processing Techniques geben nicht unbedingt die echtenInfluence Präferenze you because oder it is a Drama directed by Clint Eastwood and starring Morgan Freeman, Content-based Filtering which are also included in Unforgiven (1992), Se7en (1995) and Gran Torino (2008) that you have already rated.” Bezug auf Eigenschaften des empfohlelen Films 2Keyword “Ihnen wird X gefallen, weil es E1, E2, E3, … enthällt” Content-based Filtering “Million Dollar Baby (2004) is recommended to you because it is a Drama directed by Clint Eastwood and starring Morgan Freeman.” Bezugnahme auf andere Filme 3Influence “Ihnen wird X gefallen, weil Ihnen Y, Z, … gefallen hat” Item-based Collaborative Filtering “Million Dollar Baby (2004) is recommended because you gave high ratings to Unforgiven (1992), Se7en (1995) and Gran Torino (2008).” 4 Bezugnahme auf andere NutzerNearest Neighbor gefällt, gefällt auch Y, die Qualität empfohlener Items zu “Kunden, denen XNutzer tendieren dazu, Z, ...“ User-based Collaborative Filtering Akzeptanz überschätzen. Dies Baby (2004) also von Vertrauen und “People who liked Million Dollar führt zum Verlust liked Se7en (1995).”Tintareff and Masthoff (2007, 2011); Symenoidis, Nanopoulos, and Manopoulos (2008); Billus and Pazzani (1999); Herlocker, Konstan, and Riedl (2000); Bilgic and Mooney (2005) 10
  9. 9. Präferenzrelevante Spielfilmeigenschaften Spielfilme sind Erfahrungsgüter Konsumenten Beurteilen Spielfilme anhand von sog. “quasi-search”- Eigenschaften und an filmbezogener KommunikationHennig-Thurau, Walsh, and Wruck (2001); Hennig-Thurau, Houston, and Walsh (2007); Austin (1989) 11
  10. 10. GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis Empfehlungssystemen Erklärungen in Empfehlugssystemen Spielfilmeigenschaften in Empfehlungen2. Konzept des Hybriden Spilefilmempfehlungsalgorithmuns mit Erklärungsfähigkeit Konzept Modell Methode3. Empirische Studie4. Fazit 12
  11. 11. Konzeptuelles Schema des zu entwickelnden Empfehlungssystems content-based recommenderInput hybridization step Output item-based collaborative filtering recommender Kombination mit der item-basierten Methode, da nicht alle Nutzer ihre Präferenen auf Filmeigenschaften basieren Ergebnis der Hybridisierung = Empfehlung derjenigen Komponente, die Präferenzen des Nutzers am besten wiedergibt 13
  12. 12. Basismodell der NutzerpräferenzenErwartungswert des Ratings für einen Spielfilm, wenn keineInformationen über den Nutzer und Spielfilm vorliegen ru,i - Rating des Nutzers u für den Film i ru,i = µ + ∑ mi, j pu, j mi,j - (Dummy-)Variable für j-te Eigenschaft i-ten des Films pu,j - Präferenzwert der j-ten Eigenschaft durch Nutzer u j∈J µ - Durchschnittlicher Rating aller Spielfilme Cameron DiCaprio + µ – Drama 14
  13. 13. Basismodell der Nutzerpräferenzen ru,i - Rating des Nutzers u für den Film i ru,i = µ + ∑ mi, j pu, j mi,j - (Dummy-)Variable für j-te Eigenschaft i-ten des Films pu,j - Präferenzwert der j-ten Eigenschaft durch Nutzer u j∈J µ - Durchschnittlicher Rating aller SpielfilmeBei der Bewertung von Alternativen tendieren Konsumenten mehr Gewicht aufnegative Informationen zu legen, als auf positive (Lutz 1975; Wright 1974;Kanouse and Hanson 1972; Ito, Larsen, and Cacioppo 1998)“Pros-and-cons”-Erklärungsstil erweitert die Effektivität der Erklärungen:Titanic (1997) is recommended to you because it matches your preference highly.Pros: High budget Hollywood movie directed by James Cameron.Cons: You don’t like the movie’s drama genre and its star Leonardo Di Caprio.Taking these factors into account, we expect that you will rate this movie 8 of 10. 15
  14. 14. Berücksichtigung statischer Effekte jenseits Nutzer-Spielfilm-Interaktionen ru,i = µ + bu + bi su + ∑ mi, j pu, j j∈J ru,i - Rating des Nutzers u für den Film i bu - Nutzer-Bias mi,j - (Dummy-)Variable für j-te Eigenschaft i-ten des Films bi - Item-Bias pu,j - Präferenzwert der j-ten Eigenschaft durch Nutzer u su - Skallierungsfaktor der Nutzerreaktion auf populäre µ - Durchschnittlicher Rating aller Spielfilme Spielfilme Cameron bisu, su>1 Cameron DiCaprio + bi Cameron DiCapriobu + bu bisu, su<1 DiCaprioµ µ – – Drama Drama 16
  15. 15. Berücksichtigung der zeitlichen Dynamik von Nutzerpräferenzen ru,i = µ + bu + α ut + (bi + βi t)(su + γ ut) + ∑ mi, j ( pu, j + δu, j t) j∈Jru,i - Rating des Nutzers u für den Film imi,j - (Dummy-)Variable für j-te Eigenschaft i-ten des Filmspu,j - Präferenzwert der j-ten Eigenschaft durch Nutzer uµ - Durchschnittlicher Rating aller Spielfilmebu - Nutzer-Biasbi - Item-Biassu - Skallierungsfaktor der Nutzerreaktion auf populäre Spielfilmeαu - Steigungskoeffizient des zeitlichen Trends vom Nutzer-Biasβu - Steigungskoeffizient des zeitlichen Trends vom Item-Biasɣu - Steigungskoeffizient des zeitlichen Trends der Nutzerreaktion auf populäre Spielfilme 17
  16. 16. Schätzung der Modelparameter ru,i = µ + bu + α ut + (bi + βi t)(su + γ ut) + ∑ mi, j ( pu, j + δu, j t) j∈JAnzahl d. Parameter = 1 +1 + 1 +1 + 1 +1 + 374*2 = 754pro Nutzer Median von Ratings pro Nutzer: MoviePilot: 25, Netflix: 96 Zu wenige Daten für eine algebraische und/oder statistische Lösung Schätzung der Parameter mittels Optimierungsmethoden möglich (z.B. Gradientenverfahren) Ziel - Itterative Minimierung der Verlustfunktion: min (!!,! − !!,! )! = !,! (!,!)∈! min (!!,! − (! + !! + !! ! + ! !! + !! ! !! + !! ! + ! !! !! ))! ! !,! (!,!)∈! 18
  17. 17. Zweischrittiges Verfahren zur Schätzung der Modelparameter ru,i = µ + bu + α ut + (bi + βi t)(su + γ ut) + ∑ mi, j ( pu, j + δu, j t) j∈J Optimierungsmethoden hängen stark von der Wahl des Start-Punktes der Optimierug ab und tendieren zum Finden einer suboptimalen Lösung, wenn der Start-Punkt nicht optimal gewählt istDaher zweischrittiges Verfahren:Schritt 1: Schätzung initieller Parameter-Werte (möglichst nah an die eigentliche Lösung) Univariate Hilfsregressionen für jeden Nutzer und Parameter Bestimmung der Signifikanz der Parameter KonfidenzintervalleSchritt 2: Optimierung der Parameter-Werte durch Minimierung der Verlustfunktion Optimierung nur innerhalb der Konfidenzintervalle aus Schritt 1 19
  18. 18. Schritt 1: Schätzung initieller Parameter-Werte Omitted Variable Bias sachlogisch können korrelieren Beispiel: Korrektur der Überschätzung: unkorreliert X1 = Clint Eastwood X2 = Western ru,i = µ + bu + α ut Hilfsregressionenγdes+ ∑ mi, j ( pu, j + δu, j t) Zwei + (bi + βi t)(su + ut) Typs (2): j∈J (5) !! = ! !!" + !!" !! ! wenn “richtiges” Modell lautet:(1) !! = ! !! + !! !!! + !! !!! + !! (6) !! = ! !!" + !!" !! Univariate Schätzung der Präferenz-Parameter und unterspezifiziertes Modell ist => Modell-Spezifizierungs-Fehler analog zu (3) bilde ein Gleichungssystem(2) !! = ! !! + !! !!! + !! (Omitted Variable Bias) !! = ! !! + !! !!" Überschätzung der Präferenzwerte (7) dann !! = ! !! + !! !!" der Parameter- Fehlerhafte Schätzung(3) ! !! = ! !! + !! !!" mit Varianzen setze (5) und (6) in (7) ein und löse nach betas auf(4) !!" = !!! !!! / ! !!! Fehlerhafte Signifikanzprüfung (t-Test) (8)Fehlerhafte Konfidenzintervalle !! = !!! − ! !! !!" b21 Regressionskoeffizient aus Regression von X2 auf X1 !! − !! !!" (9) !! = 1 − !!" !!" α1 ist überschätzt wenn β2 ≠0 und/oder b21 ≠0 20
  19. 19. Schritt 1: Schätzung initieller Parameter-Werte Omitted Variable Bias z.B. Korrektur der Überschätzung: X1 = Clint Eastwood X2 = Western führe zwei Hilfsregressionen des “Typs (4)” durch: (5) !! = ! !!" + !!" !! ! wenn “richtiges” Modell lautet:(1) !! = ! !! + !! !!! + !! !!! + !! (6) !! = ! !!" + !!" !! und unterspeziertes Modell ist bilde ein Gleichungssystem analog zu (3)(2) !! = ! !! + !! !!! + !! !! = ! !! + !! !!" (7) dann !! = ! !! + !! !!"(3) ! !! = ! !! + !! !!" mit setze (5) und (6) in (7) ein und löse nach betas auf !(4) !!" = !!! !!! / !!! !! − !! !!" (8) !! = b21 Regressionskoeffizient aus 1 − !!" !!" Hilfsregression von X2 auf X1 !! = !!! − ! !! !!" (9) α1 ist überschätzt wenn β2 ≠0 und/oder b21 ≠0 β1 und β2 sind die korrigierte Effekte 21
  20. 20. Schritt 1: Schätzung initieller Parameter-Werte Omitted Variable Bias Korrektur der Varianz und Inferenzstatistiken: Fehlerhafte Schätzung der Varianz führt zu berechne die Varianz nach Definition basierend fehlerhaften t-Test-Ergebnissen (Signifikanztest) auf korrigierten Schätzungen von β1 (8) und β2 (9) und fehlerhaften Konfidenzintervalen !! !! ! !! /!"(10) !! = ! (12) !"# !! = ! ! !"# = !!" ! ! !!" 1 − !!" !"#(!! )(11) !! − !! !"# !! ≤ !! ≤ ! !! + !! !"!(!! ) korrigierte Varianz ermöglicht verlässlichere Signifikanztests und Berechnung der Konfidenzintervalle 22
  21. 21. Schritt 2: Optimierung der Parameter-Werte min (!!,! − (! + !! + !! ! + ! !! + !! ! !! + !! ! + ! !! !! ))! ! !,! (!,!)∈!!! ← !! + !!! −2!!,!!! ← !! + !!! ! −2!!,! Optimierung der Parameter-Werte durch!! ← !! + !!! −2!!,! !! + !! ! Conjugate Gradient Descent Methode!! ← !! + !!! ! −2!!,! !! + !! !!! ← !! + !!! −2!!,! !! + !! ! Start-Punkt: Werte aus univariaten!! ← !! + !!! ! −2!!,! !! + !! ! Hilfsregressionen (Schritt 1)!!,! ← !!,! + !!!,! !!,! −2!!,!!!,! ← !!,! + !!!,! !!,! ! −2!!,! Parameter-Werte dürfen nur innerhalb ihrer!!,! = !!,! − !!,! Konfidenzintervale variiert werden Itteratives Lernen der Parameter Holdout-Set von 6 zufällig gezogenen Ratings per Nutzer zur Vermeidung des Overfittings Stopp wenn Verlustfunktion auf dem Holdout-Set nicht mehr optimiert werden kann 23
  22. 22. GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis Empfehlungssystemen Erklärungen in Empfehlugssystemen Spielfilmeigenschaften in Empfehlungen2. Konzept des Hybriden Spilefilmempfehlungsalgorithmuns mit Erklärungsfähigkeit Konzept Modell Methode3. Empirische Studie4. Fazit 24
  23. 23. Empirische Studie Rating-Daten von Moviepilot und Netflix Verknüpfung mit Daten über Speilfilm- Charakteristiken von IMDb und InsideKino Validierungs-Holdout-Set bestehend aus 6 letzten Ratings per Nutzer zur methodenneutralen Beurteilung der Vorhersage-Genauigkeit 25
  24. 24. Empirische Studie Benchmarks & Metriken Vergleich der Vorhersagegenauigkeit verschidener Algorithmen und Benchmarks Global Average ! !!! !! − !! Durchschnittsraten aller Nutzer!"# = ! ! = unterste Grenze der Genauigkeit ! ! Netflix Prize Winner Algoritmus !!! !! − !!!"#$ = = oberste Grenze der Genauigkeit ! Collaborative Filtering Item-based Cosine und Pearson !"#!"#$ = ! User-based !!"# − !!"# Cosine und Pearson !"#$ SVD Matrix Factorization nach Funk (2006)!"#$% = Basis für alle MF-Algorithmen !!"# − !!"# 26
  25. 25. Ergebnisse Vergleich der GenauigkeitObwohl die entwickelte Content-based-Methode alleine keinebesonders gute Ergebnisse erzeugt, führt ihre Hybridiisierung mitder Item-based Collaborative-Filtering-Methode zu einererheblichen Verbesserung der Schätzungsgenauigkeit, sodass dasHybrid die genauseten Ergebnisse aufzeigt 27
  26. 26. Ergebnisse Fehler im Optimisierungsschritt Der kummulative Fehler (MAE, RMSE) setzt sich hauptsächlich aus relativ geringer Anzahl (≈1/3) sehr hoher Abweichungen zusammen, n=47610 nicht aus großer Anzahl vergleichbar hohen Fehler Die Meisten hohen Abweichungen “gehören” denselben Nutzern Hybridisierung mit Item-based- Methode verbessert den Fehlermaß erheblich –> Es exisitiert eine Gruppe der Nutzer, die ihre Präferenzen nicht auf Spielfilmeigenschaften basierenVerteilung der absoluten Vorhersage-Fehler des Optimierungs-Schritts 28
  27. 27. Ergebnisse Konsistenz der Ergebnisse & ErklärungsstilDie Ergebnisse sind konsistent für beide verwendeten Datensätze Prozentuelle Verbesserung der Vorhersagegenauigkeit der Hybriden Methode im VerleichJede Nutzer-Gruppe erhält Eklärungen der Empfehlungen in demfür sie effektivsten Erklärungsstil Erklärungsstil der generierten Empfehluneg 29
  28. 28. GLIEDERUNG1. Konzeptioneller Rahmen und theoretische Basis Empfehlungssystemen Erklärungen in Empfehlugssystemen Spielfilmeigenschaften in Empfehlungen2. Konzept des Hybriden Spilefilmempfehlungsalgorithmuns mit Erklärungsfähigkeit Konzept Modell Methode3. Empirische Studie4. Fazit 30
  29. 29. Zusammenfassung und ForschungsbeitragEntwicklung des Conten-basierten Algortitmus für Speilfilmempfehlungen, welcher für dieMerheit der Nutzer (2/3) die genauesten Empfehlungen generiert und sie mit Erklärungenunterstützt, die Effektivität der Auswahls-Entscheidungen auf der Nutzerseite verbessertErweiterung des Keyword-Erklärungsstils zum Pros-and-Cons-Erklärungsstil durchintegration von negativen Hinweisen. Dies erhöht potentiell die Effektivität vonEmpfehlungen für Auswahlsentscheidungen der NutzerEntwicklung eines neuen statisitischen Verfahrens für Schätung der Parameter von imhohen Maße unterdeterminierten linear-additiven (Regressions-)ModellenAufzeigen der Existenz zweier substatiell großer Nutzer-Gruppen, deren Präferenzen aufunterschiedliche Weise entstehen. Während Präferenzen des Großteils der Nutzer (2/3) mitHilfe des Multiattributiven Nutzenmodels können verlässlich beschrieben werden, basiertder Rest der Nutzer (1/3) ihre Auswahlentscheidungen auf anderen, weniger gutformalisierbaren Faktoren.Empirische Unterstützung der These von Aksoy, dass “[recommendation] agents shouldthink like the people they are attempting to help” 31
  30. 30. Viele n Dank! 32

×