Recommender Systems based on Knowledge Graphs

  • Motivation


    Im Internetzeitalter tendieren die Menschen dazu, ihren Nachrichtenkonsum von den traditionellen Medien ins Web zu verlagern (PEW Research, 2012; Bayerische Landeszentrale für neue Medien, 2019). Webbasierte Dienste, wie Youtube oder Facebook, produzieren unter Berücksichtigung persönlicher Vorlieben und des Nutzungsverhaltens einen individuellen, personalisierten Nachrichtenstrom für jeden Nutzer (Flaxman, Goel and Rao, 2016). Dieser individualisierte und personalisierte Konsum hat zu einer Hypothese geführt, die als Filterblasen bekannt wurde. Befindet sich ein Nutzer in einer Filterblase, werden ihm lediglich Nachrichten von einem bestimmten Standpunkt vorgeschlagen, wodurch sich der Effekt der Filterblase verstärkt.
    Die Algorithmen, die dem Nutzer Empfehlungen vorschlagen und letzten Endes zu einer Filterblase führen, werden Recommender Systems (RS) genannt. Um zu erkennen, was zu einer Filterblase geführt hat, können post-hoc Analysen mit einem Knowledge Graphen (KG) gemacht werden.

     


    Ziel der Arbeit


    Das Ziel dieser studentischen Abschlussarbeit ist die Ausarbeitung einer strukturierten Übersicht über bestehende Literatur zu Recommender Systems, die auf Knowledge Graphs basieren. In der Arbeit soll sowohl auf inhaltliche als auch methodische Aspekte bestehender Studien eingegangen werden. Sollte die Arbeit in Form einer Masterarbeit geschrieben werden, soll darüber hinaus ein auf Knowledge Graphs basierendes Recommender System implementiert werden. Die Arbeit kann in englischer oder deutscher Sprache verfasst werden. Es gibt keine besonderen Voraussetzungen. Für die Literaturrecherche ist jedoch eine strukturierte Arbeitsweise von Vorteil.

     

     

    Weiterführende Literatur


    Guo, Q. et al. (2020) ‘A Survey on Knowledge Graph-Based Recommender Systems’, IEEE Transactions on Knowledge and Data Engineering, p. 1. doi: 10.1109/TKDE.2020.3028705.
    Vom Brocke, J. et al. (2009) ‘Reconstructing the giant: On the importance of rigour in documenting the literature search process’, 17th European Conference on Information Systems, ECIS 2009.
    Webster, J. and Watson, R. T. (2002) ‘Analyzing the Past to Prepare for the Future: Writing a Literature Review.’, MIS Quarterly, 26(2), pp. xiii–xxiii. doi: 10.1.1.104.6570.

     

     

    Literaturverzeichnis


    Bayerische Landeszentrale für neue Medien (2019) ‘MedienVielfaltsMonitor1. Halbjahr 2019’. Available at: https://www.blm.de/files/pdf2/medienvielfaltsmonitor_2019_01.pdf.
    Flaxman, S., Goel, S. and Rao, J. M. (2016) ‘Filter Bubbles, Echo Chambers, and Online News Consumption’, Public Opinion Quarterly, 80(S1), pp. 298–320. doi: 10.1093/poq/nfw006.
    PEW Research (2012) ‘In Changing News Landscape, Even Television is Vulnerable. Trends in News Consumption: 1991-2012’. Available at: https://www.people-press.org/2012/09/27/in-changing-news-landscape-even-television-is-vulnerable/.