Key points are not available for this paper at this time.
Empfehlungssysteme haben in einer Vielzahl von Bereichen Erfolg erzielt, um Benutzern in Situationen von Informationsüberlastung zu helfen, indem sie proaktiv Artikel oder Dienstleistungen in ihrem Namen finden, wobei sie deren Vorlieben, Prioritäten oder Ziele berücksichtigen oder vorhersagen. Herausfordernde Themen in ihrer Forschungsagenda umfassen die Sparsamkeit der Benutzervorzugsdaten und das Fehlen von Flexibilität, um kontextuelle Faktoren in die Empfehlungsmethoden zu integrieren. Diese Probleme können in erheblichem Maße mit einer begrenzten Beschreibung und Ausbeutung der Semantik, die den Benutzer- und Artikelrepräsentationen zugrunde liegt, in Verbindung gebracht werden. Die Autoren schlagen eine dreifache Wissensrepräsentation vor, in der ein expliziter, semantisch reichhaltiger Wissensraum zwischen Benutzer- und Artikelräumen integriert ist. Die verbesserte Semantik unterstützt die Entwicklung von Kontextualisierungsfähigkeiten und ermöglicht Leistungsverbesserungen in den Empfehlungsmethoden. Als Machbarkeitsnachweis und Evaluierungstestfeld wird der Ansatz durch seine Implementierung in einem Nachrichten-Empfehlungssystem evaluiert, in dem er mit realen Benutzern getestet wird. In einem solchen Szenario werden semantische Wissensdatenbanken und Artikelannotationen automatisch aus öffentlichen Quellen erzeugt.
Cantador et al. (Sat,) haben diese Frage untersucht.