Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Data Science: Vom Begriff zur Anwendung Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

6. Empfehlungssysteme und der Einsatz maschineller Lernverfahren

verfasst von : Andreas Peuker, Thomas Barton

Erschienen in: Data Science anwenden

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Empfehlungssysteme nutzen die Präferenzen eines Nutzers, um ihm individuelle Inhalte zu vermitteln. Zu diesem Zweck werden Informationen wie Produktmerkmale oder -bewertungen genutzt, um personalisierte Empfehlungen zu generieren. Empfehlungssysteme stellen somit eine besondere Form der Personalisierung dar und bieten vor allem im Zusammenhang mit großen Informationsbeständen ein enormes Potenzial für Unternehmen. Dieser Beitrag befasst sich mit einer anwendungsorientierten Vorstellung der unterschiedlichen Konzepte, die zur Erstellung von personalisierten Empfehlungen genutzt werden können. Jedes dieser Konzepte birgt in seinem Kern einen Algorithmus, der in vielen Systemen mittels maschineller Lernverfahren umgesetzt wird. In diesem Zusammenhang werden Methoden des maschinellen Lernens für die Erstellung von personalisierten Empfehlungen beleuchtet.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Keine Angst vor Fehlschlägen – Erkenntnisse aus einer Umfrage zum Scheitern von Data-Science-Projekten
Nächstes Kapitel Vergleich der Machine-Learning-Funktionalitäten von Business-Intelligence- und Analytics-Tools
Literatur
1.
Balabanović M, Shoham Y (1997) Fab: content-based, collaborative recommendation. Commun ACM 40(3):66–72CrossRef
2.
Silveira T, Zhang M, Lin X, Liu Y, Ma S (2019) How good your recommender is? a survey on evaluations in recommendation. Int J Mach Learn Cybern 10(6):813–831CrossRef
3.
Schafer JB, Konstan J, Riedl J (1999) Recommender systems in e-commerce. In: Feldman S, Wellman M (Hrsg) EC‘ 99: Proceedings of the 1st ACM conference on Electronic commerce. Denver, S 158–166
4.
Gomez-Uribe CA, Hunt N (2015) The Netflix recommender system: algorithms, business value, and innovation. ACM Trans Manag Inf Syst 6(4):13:1–13:19
5.
6.
Oard DW, Kim J (1998) Implicit feedback for recommender systems. AAAI Technical Report WS-98–08, 81–83
7.
Nichols DM (1998) Implicit rating and filtering. In: Kovács L (Hrsg.) Proceedings of the 5th DELOS Workshop on Filtering and Collaborative Filtering. Budapest, S 31–36
8.
Morita M, Shinoda Y (1994) Information filtering based on user behavior analysis and best match text retrieval. In: Croft WB, van Rijsbergen CJ (Hrsg) SIGIR’ 94: Proceedings of the 17th annual international ACM SIGIR conference on Research and development in information retrieval, Dublin, S 272–281
9.
Claypool M, Le P, Wased M, Brown D (2001) Implicit interest indicators. In: Sidner C, Moore J (Hrsg) IUI’ 01: Proceedings of the 6th international conference on intelligent user interfaces, Santa Fe, S 33–40
10.
Goldberg D, Nichols D, Oki BM, Terry D (1992) Using collaborative filtering to weave an information tapestry. Commun ACM 35(12):61–70CrossRef
11.
Resnick P, Iacovou N, Suchak M, Bergstrom P, Riedl J (1994) GroupLens: an open architecture for collaborative filtering of netnews. In: Smith JB, Smith FD, Malone TW (Hrsg.) CSCW’94: Proceedings of the 1994 ACM conference on Computer supported cooperative work, Chapel Hill, S 175–186
12.
Linden G, Smith B, York J (2003) Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput 7(1):76–80CrossRef
13.
Linden G, Smith B (2017) Two decades of recommender systems at Amazon.com. IEEE Internet Comput 21(3):12–18CrossRef
14.
Breese JS, Heckerman D, Kadie C (1998) Empirical analysis of predictive algorithms for collaborative filtering. In: Cooper GF, Moral S (Hrsg.) UAI’98: Proceedings of the 14th conference on Uncertainty in artificial intelligence, Madison, S 43–52
15.
Sarwar B, Karypis G, Konstan J, Riedl J (2000) Analysis of recommendation algorithm for E-Commerce. In: Jhingran A, Mason JM, Tygar D (Hrsg) EC’00: Proceedings of the 2nd ACM conference on Electronic commerce, Minneapolis, S 158–167
16.
Hartigan JA (1975) Clustering algorithms. Wiley, HobokenMATH
17.
Xue G-R, Lin C, Yang Q, Xi W, Zeng H-J, Yu Y, Chen Z (2005) Scalable collaborative filtering using cluster-based smoothing. In: Baeza-Yates R, Ziviani N (Hrsg) SIGIR’05: Proceedings of the 28th annual international ACM SIGIR conference on Research and development in information retrieval, Salvador, S 114–121
18.
Friedman N, Geiger D, Goldszmidt M (1997) Bayesian network classifiers. Mach Lang 29(2):131–163CrossRef
19.
Miyahara K, Pazzani MJ (2000) Collaborative filtering with the simple bayesian classifier. In: Mizoguchi R, Slaney J (Editors) PRICAI’00: Proceedings of the 6th Pacific Rim international conference on Artificial intelligence, Melbourne, S 679–689
20.
Bennett J, Lanning S (2007) The Netflix prize. In: Bennett J, Elkan C, Liu B, Smyth P, Tikk D (Hrsg) Proceedings of KDD Cup and Workshop 2007, San Jose, S 3–6
21.
22.
23.
24.
Koren Y, Bell R, Volinsky C (2009) Matrix factorization techniques for recommender systems. Computer 42(8):30–37CrossRef
25.
Stohr EA, Viswanathan S (1999) Recommendation systems: decision support for the information economy. Emerging Information Technologies. Sage Publication, Thousand Oakes, S 21–44
26.
Vijayarani S, Ilamathi J, Nithya S (2015) Preprocessing techniques for text mining – an overview. Int J Comput Sci Commun Netw 5(1):7–16
27.
Salton G, Wong A, Yang CS (1975) A vector space model for automatic indexing. Commun ACM 18(11):609–664CrossRef
28.
Wang B, Wang A, Chen F, Wang Y, Kuo C-C (2019) Evaluating word embedding models: methods and experimental results. APSIPA Transactions on Signal and Information Processing 8:19:1–19:13
29.
Mikolov T, Chen K, Corrado G, Dean J (2013) Efficient estimation of word representation in vector space. In: Bengio Y, LeCun Y (Hrsg) International Conference on Learning Representations 2013, Scottsdale, S 1–12
30.
Mikolov T, Sutskever I, Chen K, Corrado G, Dean J (2013) Distributed representations of words and phrases and their compositionality. In: Burges CJC, Bottou L, Welling M, Ghahramani Z, Weinberger KQ (Hrsg) NIPS’13: Proceedings of the 26th International Conference on Neural Information Processing Systems, Lake Tahoe, S 3111–3119
31.
32.
Le Q, Mikolov T (2014) Distributed representation of sentences and documents. In: Xing EP, Jebara T (Hrsg) ICML’14: Proceedings of the 31st International Conference on Machine Learning, Bejing, S 1188–1196
33.
Lu Y-T, Yu S-I, Chang T-C, Hsu JY-j (2009) A content-based method to enhance tag recommendation. In: Kitano H (Hrsg) IJCAI’09: Proceedings of the 21st international joint conference on Artificial Intelligence, Pasadena, S 2064–2069
34.
Ghani R, Fano A (2002) Building recommender systems using a knowledge base of product semantics. In: de Bra P, Brusilovsky P, Conejo R (Hrsg) AH’02: Proceedings of the 2nd International Conference on Adaptive Hypermedia and Adaptive Web Based Systems, Malaga
35.
Rich E (1989) Stereotypes and user modeling. User Models in Dialog Systems 18:35–51CrossRef
36.
37.
Smyth B (2007) Case-based recommendation. The adaptive web: methods and strategies of web personalization. Springer, Berlin, S 342–379CrossRef
38.
Burke R (2000) Knowledge-based recommender systems. Encyclopedia of Library and Information Systems 69 (Supplement 32):180–200
39.
Burke R (2002) Hybrid recommender systems: survey and experiments. User Model User-Adap Inter 12(4):331–370CrossRef
40.
Mobasher B, Jin X, Zhou Y (2004) Semantically enhanced collaborative filtering on the web. In: Berendt B, Hotho A, Mladenic D, van Someren M, Spiliopoulou M, Stumme G (Hrsg) Web Mining: from web to semantic web: first European web mining sorum. Cavtat-Dubrovnik, S 57–76
41.
Portugal I, Alencar P, Cowan D (2018) The use of machine learning algorithms in recommender systems: a systematic review. Expert Syst Appl 97:205–227CrossRef
42.
Cheng H-T, Koc L, Harmsen J, Shaked T, Chandra T, Aradhye H, Anderson G, Corrado G, Chai W, Ispir M, Anil R, Haque Z, Hong L, Jain V, Liu X, Shah H (2016) Wide & deep learning for recommender systems. In: Karatzoglou A, Hidasi B, Tikk D, Sar-shalom O, Roitman H, Shapira B, Rokach L (Hrsg) DLRS 2016: Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. Boston, S 7–10
43.
Gupta U, Wu C-J, Wang X, Naumov M, Reagen B, Brooks D, Cottel B, Hazelwood K, Hempstead M, Jia B, Lee H-HS, Malevich A, Mudigere D, Smelyanskiy M, Xiong L, Zhang X (2020) The architecture implications of Facebook’s DNN-based personalized recommendation. In: Tullsen D, Esmaeilzadeh H (Hrsg) IEEE International Symposium on High Performance Computer Architecture (HPCA). San Diego, S 488–501
44.
45.
Jannach D, Moreira G, Oldridge E (2020) Why are deep learning models not consistently winning recommender systems competitions yet? In: Andrade N, Anelli W, Delic A, Smith J, Scottocornola G (Hrsg) ReySys Challenge’20: Proceedings of the Recommender Systems Challenge. Brazil, S 44–49
Metadaten
Titel
Empfehlungssysteme und der Einsatz maschineller Lernverfahren
verfasst von
Andreas Peuker
Thomas Barton
Copyright-Jahr
2021
Buch
Data Science anwenden

Print ISBN: 978-3-658-33812-1

Electronic ISBN: 978-3-658-33813-8

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-658-33813-8_6

Neuer Inhalt

    Bildnachweise