Nutzungsmanagement von Unternehmensportalen mithilfe von Empfehlungssystemen

Eine ausführliche deskriptive Statistik dieses Unternehmensportals findet sich in Abschn. 4.

http://​www.​last.​fm.

http://​www.​netflix.​com.

http://​www.​facebook.​com.

So haben beispielsweise verschiedene Abteilungen manchmal unterschiedliche Formulierungen für die gleichen Sachverhalte. Dies müsste in der Dienstbeschreibung und den Präferenzen der Nutzer berücksichtigt werden. Darüber hinaus können komplexe und spezialisierte Dienste oftmals nicht einfach textuell beschrieben werden.

Jede Vorhersage p _j jedes Objekts j wird mit der tatsächlichen Bewertung r _j mittels \(e_{\mathrm{MAE}} = \frac{1}{M} \sum_{j=1}^{M} |p_{j} - r_{j}|\), beziehungsweise \(e_{\mathrm{MSE}} = \sqrt{\frac{1}{M} \sum_{j=1}^{M} (p_{j} - r_{j})^{2}}\) verglichen, wobei M ist die Anzahl an Vorhersagen ist.

Diese Statistik beruht auf insgesamt 466 neuen Nutzern in einem Zeitintervall von Dezember 2009 bis Juli 2010. Vor dieser Periode konnten neue Nutzer nicht zweifelsfrei von wiederholten Nutzern unterschieden werden. Neue Nutzer, die später zur Beobachtungsgruppe hinzugefügt wurden, wurden nicht berücksichtigt.

Die ANOVA ist äquivalent zu dem bekannten t-Test, sofern nur eine Gruppenvariable mit zwei Ausprägungsmerkmalen existiert. Da hier ein vollständiger Versuchsplan mit drei Gruppenvariablen (Bewertungsregel, Ähnlicheitsmaß, Vorhersagealgorithmus) vorliegt, von denen jede zwei oder mehr Merkmalsausprägungen annehmen kann, ist die ANOVA der angemessenere Test. Ähnlich wie bei einem t-Test ist die Nullhypothese, dass die mittlere Vorhersagequalität unter den unterschiedlichen Ausprägungen der Gruppenvariable identisch ist. Unter dieser Nullhypothese besitzt der ANOVA-Test eine F-Verteilung. Die ANOVA leitet neben einem F-Wert für jede Gruppenvariable, die den Haupteffekt charakterisiert, auch einen F-Wert für alle möglichen Kombinationen der Gruppenvariablen ab, was Interaktionseffekt genannt wird. Sind die Freiheitsgrade der Gruppenvariable (also die Anzahl Merkmalsausprägungen minus Eins) und die verbleibenden Freiheitsgrade des Modells (also die Anzahl an Beobachtungen minus der Summe der Freiheitsgrade der Gruppenvariablen minus Eins: hier 89) bekannt, so kann der p-Wert (Signifikanzniveau) berechnet werden.

Zur Berechnung des Bonferroni-korrigierten p-Werts, wird der unkorrigierte p-Wert mit der Gesamtanzahl an paarweisen Vergleichen multipliziert. Falls das Ergebnis 1.0 übersteigt, wird der korrigierte p-Wert mit 1.0 angegeben.