Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Human-Supported Recommender Systems - An Experimental Evaluation
Organization Unit
Authors
  • Johannes Hool
Supervisors
  • Timo Mennle
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2016
Abstract Text During the past decades, recommender systems have become a valuable tool for operators of e-commerce and information systems to reduce consumer choice overload. Traditional recommender techniques succeed in producing useful recommendations in many domains. However, recent research is investigating new recommender system designs for domains with complex constraints where traditional techniques fail to provide suitable recommendations. Those designs often employ complex models and depend upon an extensive data basis. In many cases such systems turn out to be impracticable due to scalability and usability concerns. The broad availability of social network information allows for new recommender system designs, where user networks are utilized to let friends recommend products to each other. By computationally supporting peers in social networks to apply their knowledge and cognitive capabilities, we can make use of human intelligence whose computational reproduction would be unfeasible. Based on these new possibilities, we present the paradigm of human-supported recommender systems, where the computational power of computers is combined with the abilities of humans to remedy shortcomings of previous systems. To evaluate this new paradigm, we compare a general purpose human-supported recommender system with a traditional system in the domain of course recommendations. Our experiment demonstrates that by applying this design, overall user satisfaction can be significantly improved. In addition, we gather experimental evidence that user satisfaction can not only be increased due to a gain in recommendation attractiveness, but also due to behavioral factors such as social influence and trust in the system. These findings demonstrate the potential of human-supported systems to generate recommendations for domains hitherto hard to administer, thus legitimizing further research in this field.
Zusammenfassung In den vergangenen Jahrzehnten haben sich Empfehlungssysteme zu einem wertvollen Instrument zur Reduktion von Informationsüberflutung bei Benutzern von E-Commerce- und Informationssystemen entwickelt. Herkömmliche Systeme produzieren nützliche Empfehlungen für ein breites Spektrum von Anwendungsgebieten. Allerdings untersucht die jüngste Forschung neue Empfehlungssysteme für Gebiete mit komplexen Einschränkungen, in denen traditionelle Techniken keine unmittelbar anwendbare Ergebnisse liefern können. Diese neuen Systeme basieren häufig auf vielschichtigen Modellen und benötigen eine umfangreiche Datengrundlage. Aufgrund hoher Komplexität und mangelnder Benutzerfreundlichkeit erweisen sich solche Systeme oft als nicht praktikabel. Die breite Verfügbarkeit von Daten sozialer Netzwerke ermöglicht neue Arten von Empfehlungssystemen, in denen sich Freunde gegenseitig Produkte empfehlen. Durch das computergestützte Erstellen von Empfehlungen durch Menschen können Wissen und kognitive Fähigkeiten genutzt werden, deren Nachbildung durch Computer nicht machbar wäre. Aus diesen Möglichkeiten resultiert das neue Paradigma menschen-gestützter Empfehlungssysteme, welches die Rechenleistung von Computern mit den Fähigkeiten von Menschen kombiniert, um Mängel herkömmlicher Systeme zu beheben. Um dieses neue Paradigma zu testen, vergleichen wir ein allgemein verwendbares menschen-gestütztes Empfehlungssystem mit einem herkömmlichen System. Unser Experiment zeigt, dass die Benutzerzufriedenheit von Empfehlungssystemen durch die Anwendung dieses Designprinzips signifikant verbessert werden kann. Darüber hinaus zeigen wir auf, dass die Benutzerzufriedenheit nicht nur durch attraktivere Empfehlungen, sondern auch durch Verhaltensfaktoren - wie sozialem Einfluss und erhöhtem Vertrauen in das System - verbessert werden kann. Diese Befunde demonstrieren das Potenzial von menschen-gestützten Empfehlungssystemen in bisher schwierig zu bewirtschaftenden Gebieten und rechtfertigen somit weitere Forschung auf diesem Gebiet.
PDF File Download
Export BibTeX