Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Developing a Sate-of-the-Art Recommender Algorithm for CoRe
Organization Unit
Authors
  • Michael Kündig
Supervisors
  • Michael Shann
  • Timo Mennle
Language
  • English
Institution University of Zurich
Faculty Faculty of Economics, Business Administration and Information Technology
Date 2016
Abstract Text Since the early 1990s, recommender systems have found application in a variety of fields. This thesis presents the development of a hybrid recommender algorithm for CoRe, a web-based course recommendation system and study planning tool at the University of Zurich. In order to overcome the typical drawbacks that the previously deployed collaborative filtering algorithm suffered from, the hybrid algorithm combines a collaborative filtering algorithm with a content-based algorithm. An offline evaluation demonstrates that the combination of the two algorithms leads to a higher degree of rating prediction accuracy. Additionally, the collaborative filtering algorithm surpasses the performance of the content-based algorithm as greater numbers of ratings are added to the dataset. A user survey was conducted to find out whether this effect is reflected in the usefulness of the system as perceived by the students. While the results are not statistically significant, the data suggests that students perceive recommendations from the content-based algorithm as superior.
Zusammenfassung Seit Beginn der 1990er-Jahre haben Empfehlungssysteme in verschiedenen Bereichen Anwendung gefunden. Diese Arbeit präsentiert die Entwicklung eines hybriden Empfehlungssystems für CoRe, einem webbasierten Kursempfehlungssystem und Studienplanungstool der Universität Zürich. Um die typischen Nachteile des zuvor eingesetzten kollaborativen Filteralgorithmus zu überwinden, kombiniert der hybride Ansatz einen inhaltsbasierten Algorithmus mit einem kollaborativen Filteralgorithmus. Eine Offline-Auswertung zeigt, dass die Kombination der beiden Algorithmen zu einer genaueren Bewertungsvorhersage führt. Des Weiteren zeigt sich, dass der kollaborative Filteralgorithmus die Vorher- sagegenauigkeit des inhaltsbasierten Algorithmus übertrifft, sobald eine gewisse Anzahl Kursbewertungen vorhanden ist. Um herauszufinden, ob sich dieser Effekt auf den Nutzen des Systems auswirkt und von den Studenten wahrgenommen wird, wurde eine Nutzerbefragung durchgeführt. Obwohl die Resultate der Umfrage keine statistische Signifikanz vorweisen, deuten diese darauf hin, dass die Studenten Empfehlungen des inhaltsbasierten Algorithmus als besser einstufen.
PDF File Download
Export BibTeX