Alexander Grote

Motivation

Recommender Systems sind darauf optimiert, einem Nutzer Empfehlungen auszuspielen. Durch diese Personalisierung können Unternehmen ihren Umsatz steigern und sind dadurch an einer stetigen Weiterentwicklung dieser Algorithmen interessiert. Neueste Erkenntnisse im Bereich des Natural Language Processings haben einige Ansätze hervorgebracht, die die klassischen Recommender Systems Algorithmen ergänzen bzw. weiter verbessert haben. Der Erfolg dieser neuen Techniken ist jedoch datensatzspezifisch und deshalb sollen diese in Kooperation mit einem Industriepartner für deren Datensatz erprobt werden.

Ziel der Arbeit

Das Ziel dieser Abschlussarbeit ist die Implementierung eines Recommender Systems in Zusammenarbeit mit einem Industriepartner. Das Recommender System soll auf Produkt-Embeddings basieren, welche durch Natural Language Processing Techniken generiert und mit anderen Informationen der Produkte angereichert werden. Teil der Arbeit ist ebenfalls ein Vergleich mit den bisherigen Benchmarks des Industriepartners.

Die Arbeit kann in Deutsch oder Englisch verfasst werden. Programmiererfahrung in Python sowie ein gutes Verständnis von Deep Learning sind erwünscht, aber nicht zwingend erforderlich.

Weiterführende Literatur

Wang, J., Huang, P., Zhao, H., Zhang, Z., Zhao, B., & Lee, D. L. (2018, July). Billion-scale commodity embedding for e-commerce recommendation in alibaba. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 839–848). ACM.

Grbovic, M., and Cheng, H. 2018. “Real-Time Personalization Using Embeddings for Search Ranking at Airbnb,” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, NY, USA: Association for Computing Machinery, July 19, pp. 311–320. (https://doi.org/10.1145/3219819.3219885).

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.