Bachelorarbeit

Evaluierung von Recommendation-Frameworks für eine nutzerzentrierte Empfehlung von Gerichten in der Gastronomie

Python Machine Learing Collaborative Filtering

Details

Empfehlungssysteme spielen eine immer bedeutendere Rolle. Sie helfen Nutzern, den Überblick zu behalten und die Produkte zu finden, die ihnen gefallen. Für einige Unternehmen sind Empfehlungen ein wichtiger Bestandteil des Geschäftsmodells.

In vielen Bereichen sind Empfehlungssysteme bereits etabliert, hier sind unter anderem soziale Netzwerke, Video-Streaming und Online-Shops zu nennen. Doch wie müsste ein Empfehlungssystem im Bereich der Gastronomie aussehen, um dem Nutzer Gerichte zu empfehlen?

Empfehlungen können auf zwei Arten generiert werden: Content-based Filtering und Collaborative Filtering. Ersteres beschäftigt sich vorrangig mit der Analyse der Inhalte einer Plattform, während letzteres untersucht, wie die verschiedenen Nutzer mit den Inhalten eines Systems interagieren. Es gibt einige Frameworks, die Algorithmen aus dem Teilbereich des Collaborarive Filtering implementieren und somit gezielt untersucht werden können. Aus dem Bereich der content-based Algorithmen gibt es keine einsatzbereiten Implementierungen. Daher kann die folgende Forschungsfrage gestellt werden: Welcher Algorithmus ist in welchem Framework am besten geeignet zur Empfehlung von Gerichten?

Um diese Frage zu beantworten, werden zunächst die Algorithmen der Frameworks vergleichend evaluiert und anschließend das beste Framework mithilfe einer Nutzwertanalyse ausgewählt.

Jene Evaluierung der Algorithmen wird nach einer Vorauswahl passender Frameworks (auf Basis eines Kriterienkatalogs) durchgeführt. Die ausgewählten Frameworks sind Surprise, Cornac und LensKit. Die besten Algorithmen lassen sich für Cornac mit dem SVD-Model und Surprise mit dem SVD- sowie SVD++-Model feststellen. Auch die UserKNN-Verfahren (mit der Kosinusähnlichkeit) des Surprise-Frameworks sind geeignet.

Zur objektiven Ermittlung von Kategorien (oder auch Subzielen) für die Nutzwertanalyse werden Experten-Interviews durchgeführt und durch eine qualitative Inhaltsanalyse ausgewertet. Über das Subziel der Offline-Metriken besteht eine lose Kopplung zwischen der Nutzwertanalyse und der vorangegangenen Untersuchung der Algorithmen. Als Ergebnis dieser Nutzwertanalyse zeichnet sich Cornac als optimales Framework ab. Somit ist das Cornac-Framework mit der SVD-Implementierungen am besten geeignet zur Empfehlung von Gerichten.

Nach der Nutzwertanalyse werden die Algorithmen des Collaborative Filtering allgemeiner untersucht und die Grenzen dieser erkundet. Im Anschluss an diese Arbeit können mit den hier gefundenen Algorithmen Online-Tests durchgeführt werden, um die Eignung derer auf realen Nutzerdaten zu überprüfen. Außerdem könnte die Untersuchung hybrider Empfehlungsalgorithmen für den vorliegenden Sachverhalt lohnenswert sein.