Kontextbezogene Empfehlungssysteme

Die Bedeutung kontextueller Informationen wurde von Forschern und Praktikern in vielen Disziplinen anerkannt, einschließlich der Personalisierung im E-Commerce, der Informations Retrieval, des ubiquitären und mobilen Rechnens, des Data Mining, des Marketings und des Managements. Während bereits eine erhebliche Menge an Forschung im Bereich der Empfehlungssysteme durchgeführt wurde, konzentrieren sich die meisten bestehenden Ansätze darauf, den Nutzern die relevantesten Elemente zu empfehlen, ohne zusätzliche kontextuelle Informationen wie Zeit, Ort oder die Gesellschaft anderer Personen (z. B. beim Filme schauen oder auswärts essen) zu berücksichtigen. In diesem Kapitel argumentieren wir, dass relevante kontextuelle Informationen in Empfehlungssystemen von Bedeutung sind und dass es wichtig ist, diese Informationen bei der Bereitstellung von Empfehlungen zu berücksichtigen. Wir diskutieren das allgemeine Konzept des Kontexts und wie es in Empfehlungssystemen modelliert werden kann. Darüber hinaus stellen wir drei verschiedene algorithmische Paradigmen vor – kontextuelles Vorfiltern, Nachfiltern und Modellierung – um kontextuelle Informationen in den Empfehlungsprozess zu integrieren, erörtern die Möglichkeiten, mehrere kontextbewusste Empfehlungstechniken zu einem einheitlichen Ansatz zu kombinieren, und bieten eine Fallstudie eines solchen kombinierten Ansatzes an. Schließlich präsentieren wir zusätzliche Fähigkeiten für kontextbewusste Empfehlungen und diskutieren wichtige und vielversprechende Richtungen für zukünftige Forschung.