Recommendations, also Empfehlungen, sind mindestens so alt wie das Orakel von Delphi und der Hauptbestand zahlreicher Dienstleistungsberufe. Recomendation Systems hingegen sind ein spezieller Bereich des Information Retrieval und erst durch Amazon, Netflix und Spotify wirklich populär geworden. In dieser ausführlichen Techtiefenfolge erklärt Marcel Kurovski mit zahlreichen Beispielen das wesentliche Vorgehen dieser “Informationsaggregationsmaschinen”, welche von Collaborative Filtering über Matrixfaktorisierung bis zu Deep Learning reichen. Wir sprechen über die unterschiedlichen Stufen von Personalisierung und worin der Unterschied zur Suche besteht. Die Vor- und Nachteile von Relevanz als wichtigste Metrik für Recommender Systems kommen zur Sprache, genauso wie alternative Metriken wie Diversität, Novelty oder Robustheit, welche gerade zuletzt größeres Interesse erfahren. Marcel erzählt zudem einige Anekdoten aus der Geschichte der Recommender Systems und gibt einen Ausblick auf aktuelle Forschung und zukünftige Entwicklungen.
Links:
- Deep Learning Recommender Systems bei mobile.de
- Buchtipp – The Paradox of Choice: Why More is Less (Barry Schwartz)
- Paper – BPR: Bayesian Personalized Ranking from Implicit Feedback
- The BellKor Solution to the Netflix Prize
- Matrix Factorization Techniques for Recommender Systems
- Collaborative Filtering for Implicit Feedback Datasets
- Netflix Prize
- MovieLens datasets
- LightFM
- Recommender Systems Handbook
- Coursera – Recommender Systems Specialization
- RecSys Training Material my GitHub
- RecSys
- RecSys 2019 Review
- RecSys Challenge 2020