#149 Recommender Systems: Funktionsweise und Forschungstrends mit Eva Zangerle

Recommender Systems: Was steckt hinter modernen Empfehlungsalgorithmen?

Moderne Empfehlungsalgorithmen begegnen uns im Alltag überall: Die nächste Serie bei Netflix, die “für dich zusammengestellte Playlist” bei Spotify oder “Kunden, die diesen Artikel gekauft haben, kauften auch” bei Amazon. In Zeiten von AI könnten wir meinen, dass dies alles schwarze Magie ist. Doch i.d.R. folgen die Empfehlungen gewissen Logiken. All das ganze wird im Research Bereich “Recommender Systems” genannt.

Dies ist auch das Thema dieser Episode. Prof. Dr. Eva Zangerle, eine Expertin im Bereich Recommender System erklärt uns, was Recommender Systems eigentlich sind, welche Grundlegenden Ansätze für Empfehlungsalgorithmen existieren, wie viele Daten benötigt werden um sinnvolle Ergebnisse zu erzielen, was das Cold-Start Problem ist, wie Forscher evaluieren können, ob es gute oder schlechte Empfehlungen sind, was die Begriffe Recall und Precision eigentlich bedeuten, ob Empfehlungsalgorithmen auch einen gewissen Bias entwickeln können sowie welche Trends auf dem Forschungsgebiet zur Zeit aktuell sind.

Unsere aktuellen Werbepartner findest du auf https://engineeringkiosk.dev/partners

Das schnelle Feedback zur Episode:

👍 (top) 👎 (geht so)

Feedback

• EngKiosk Community: https://engineeringkiosk.dev/join-discord 
• Buy us a coffee: https://engineeringkiosk.dev/kaffee
• Email: stehtisch@engineeringkiosk.dev
• LinkedIn: https://www.linkedin.com/company/engineering-kiosk/
• Mastodon: https://podcasts.social/@engkiosk
• Twitter: https://twitter.com/EngKiosk

Gerne behandeln wir auch euer Audio Feedback in einer der nächsten Episoden, einfach die Audiodatei per Email an stehtisch@engineeringkiosk.dev.

Links

• Eva Zangerle: https://evazangerle.at/
• Eva Zangerle @ Google Scholar: https://scholar.google.com/citations?hl=de&user=eeyGXWoAAAAJ&view_op=list_works&sortby=pubdate
• Surprise - A Python scikit for recommender systems: https://surpriselib.com/
• LensKit - Python Tools for Recommender Experiments: https://lenskit.org/
• Podcast Recsperts - Recommender Systems Experts: https://recsperts.com/
• Elliot - Framework for Reproducible Recommender Systems Evaluation: https://github.com/sisinflab/elliot
• RecBole - A unified, comprehensive and efficient recommendation library: https://recbole.io/
• Buch “Kollektive Intelligenz analysieren, programmieren und nutzen” (2008): https://www.amazon.de/Kollektive-Intelligenz-analysieren-programmieren-nutzen/dp/3897217805
• Buch “Practical Recommender Systems” von Kim Falk (Autor): https://www.amazon.de/Practical-Recommen