Mayrhuber E., Krauss O. „User Profile-Based Recommendation Engine Mitigating the Cold-Start Problem“ in Proceedings of International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), 2022.
Empfehlungssysteme können in vielen Situationen des täglichen Lebens eingesetzt werden. Die Empfehlung von Personen in sozialen Netzwerken, von Produkten in verschiedenen Online-Shops, von Musik oder Filmen sind nur einige Anwendungsfälle für diese Systeme. Das Problem des Kaltstarts, wenn keine Informationen über einen neuen oder seltenen Benutzer verfügbar sind, stellt eine Herausforderung für Empfehlungssysteme dar. Wir beschäftigen uns mit der Erstellung von Restaurant- und Kategorieempfehlungen für Restaurantbesucher. Die Empfehlungen werden mit verschiedenen Metriken und Technologien auf der Grundlage von Benutzerprofilen erstellt, um die Empfehlungen so individuell wie möglich zu gestalten. Wir verwenden k-Means und Mean-Shift zum Clustern von Nutzern, um eine Basis für Empfehlungen zu schaffen, die mit nutzer- und inhaltsbasierten kollaborativen Filtermethoden generiert werden. Diese Vorschläge berücksichtigen die Lage der Restaurants, die Ähnlichkeit zwischen Benutzern und Restaurants sowie die von den Benutzern abgegebenen Bewertungen. Wir entschärfen das Kaltstart-Problem, indem wir Matrixfaktorisierung und räumliche Informationen für Benutzer mit wenigen Restaurantbesuchen in der Vergangenheit verwenden. Die Empfehlungen werden auf der Grundlage des Verhaltens anderer Nutzer bewertet und angepasst, um bessere Ergebnisse zu erzielen. Als Ergebnis können wir Empfehlungen über eine Anwendungsprogrammierschnittstelle (API) abfragen, die aus einer Mischung aus orts- und benutzerbasierten Empfehlungen bestehen, um die Bedürfnisse der Benutzer durch die Kombination von Erkundung und Nutzung zu erfüllen.
