@phdthesis{Mathis2020,
  type      = {Master Thesis},
  author    = {Daniel Mathis},
  title     = {Dynamische Contentzuweisung mit erweiterten Daten aus einem Content Management System durch eine Kombination von Langzeit- und Session-Profil mit einem hybriden Empfehlungssystem},
  journal    = {Dynamic content allocation with extended data from a content management system by combining long-term and session profiles with a hybrid recommendation system},
  doi       = {10.25924/opus-3746},
  pages     = {VI, 84},
  year      = {2020},
  abstract  = {In dieser Arbeit wird eine Evaluation zwischen verschiedenen implementierten Ans{\"a}tzen eines Empfehlungssystems auf der Basis eines realen Datensatzes durchgef{\"u}hrt. Der Datensatz beinhaltet das Navigationsverhalten von Besuchern einer Website {\"u}ber Kochrezepte. W{\"a}hrend der Vorverarbeitung wird der Datensatz mit zus{\"a}tzlichen Metainformationen f{\"u}r jedes besuchte Rezept aus dem Content Management System der Webseite angereichert. Die implementierten Empfehlungssysteme verwenden sowohl den Content Based Filtering als auch den Collaborative Filtering Ansatz. Zus{\"a}tzlich werden beide Ans{\"a}tze kombiniert und in einem hybriden Empfehlungssystem eingesetzt. Dar{\"u}ber hinaus werden f{\"u}r jede Person im Datensatz zwei individuelle Profile erstellt. Dabei handelt es sich um ein kurzlebiges Session-Profil und ein permanentes Langzeit-Profil. Mit jedem Besuch eines Rezeptes werden beide Profile dynamisch angepasst, so dass sich die individuellen Pr{\"a}ferenzen der Personen jederzeit in den Profilen widerspiegeln. F{\"u}r die Evaluation wird ein eigener Algorithmus angewendet, welcher es erlaubt einen Vergleich zwischen den implementierten Empfehlungssystemen vorzunehmen. Die Besonderheit an dem Evaluationsalgorithmus ist, dass dieser lediglich die besuchten Items und deren Beschreibung f{\"u}r den Vergleich ben{\"o}tigt. Es werden keine expliziten Bewertungen von den Webseitenbesuchern verwendet. In der Arbeit werden die Ergebnisse der unterschiedlichen Ans{\"a}tze f{\"u}r ein Empfehlungssystem mit dem eigenen Evaluationsalgorithmus diskutiert und die Vor- bzw. Nachteile der jeweiligen Ans{\"a}tze erl{\"a}utert. Bei der Analyse stellt sich heraus, dass f{\"u}r den in dieser Arbeit verwendete Datensatz ein hybrides Empfehlungssystem, welches sowohl das Session-Profil als auch das Langzeit-Profil kombiniert, die besten Ergebnisse erzielt. Mit diesem System wird eine {\"U}bereinstimmungsgenauigkeit zwischen den vorgeschlagenen Rezepten und den tats{\"a}chlich besuchten Rezepten von knapp 36\% erreicht. Die beiden Content Based Systeme, welche jeweils entweder das Session-Profil oder das Langzeit-Profil verwenden, erzielen eine {\"U}bereinstimmungsgenauigkeit von ca 30\% bzw. 20\%. Die Algorithmen mit dem Collaborative Filtering Ansatz erreichen bei dem verwendeten Datensatz nur eine {\"U}bereinstimmungsgenauigkeit von ca. 15\% bzw. 13,5\%. Als Referenzmodell wird ein Empfehlungssystem verwendet, das nach dem Zufallsprinzip Rezepte vorschl{\"a}gt, wodurch eine {\"U}bereinstimmungsgenauigkeit von etwa 6\% erreicht wird.},
  language  = {de}
}