Entwicklung einer Echtzeit-basierten Recommendation Engine auf Basis eines Stream-Processing Frameworks

  • Diese Arbeit stellt die Entwicklung einer Echtzeit-basierten Recommendation Engine für ein standortbasiertes soziales Netzwerk vor. Die Architektur kombiniert Kafka und Flink zur Echtzeitverarbeitung von Nutzerinteraktionen und Standortdaten. Zusätzlich wird eine Geodatenbank mit OpenStreetMap-Daten verwendet, um Sehenswürdigkeiten effizient zu verwalten. Die vorgestellte Gesamtarchitektur stellt sicher, dass die Recommendation Engine nicht nur die Vorteile von Echtzeit-Stream-Processing nutzt, sondern auch nahtlos in die Infrastruktur einer mobilen App integriert werden kann. Dies ermöglicht eine flexible und skalierbare Lösung, die leicht an wachsende Nutzerzahlen und Datenmengen angepasst werden kann. Die Empfehlungsgenerierung erfolgt über eine Stream-Processing-Pipeline, die Präferenzen der Nutzer analysiert und personalisierte Vorschläge in Echtzeit bereitstellt. Zur Evaluation wurde ein User-Simulator entwickelt, der verschiedene Nutzungsszenarien abbildet. Die ErgebnisseDiese Arbeit stellt die Entwicklung einer Echtzeit-basierten Recommendation Engine für ein standortbasiertes soziales Netzwerk vor. Die Architektur kombiniert Kafka und Flink zur Echtzeitverarbeitung von Nutzerinteraktionen und Standortdaten. Zusätzlich wird eine Geodatenbank mit OpenStreetMap-Daten verwendet, um Sehenswürdigkeiten effizient zu verwalten. Die vorgestellte Gesamtarchitektur stellt sicher, dass die Recommendation Engine nicht nur die Vorteile von Echtzeit-Stream-Processing nutzt, sondern auch nahtlos in die Infrastruktur einer mobilen App integriert werden kann. Dies ermöglicht eine flexible und skalierbare Lösung, die leicht an wachsende Nutzerzahlen und Datenmengen angepasst werden kann. Die Empfehlungsgenerierung erfolgt über eine Stream-Processing-Pipeline, die Präferenzen der Nutzer analysiert und personalisierte Vorschläge in Echtzeit bereitstellt. Zur Evaluation wurde ein User-Simulator entwickelt, der verschiedene Nutzungsszenarien abbildet. Die Ergebnisse zeigen, dass das System eine um 10 % höhere Like-Rate im Vergleich zu einem zufallsbasierten Ansatz erreicht und gleichzeitig niedrige Latenzzeiten bei hohem Durchsatz bietet.show moreshow less
  • This thesis presents the development of a real-time based recommendation engine for a location-based social network. The architecture combines Kafka and Flink for real-time processing of user interactions and location data. In addition, a geodatabase with OpenStreetMap data is used to efficiently manage points of interest. The overall architecture presented ensures that the recommendation engine not only utilises the advantages of real-time stream processing, but can also be seamlessly integrated into the infrastructure of a mobile app. This enables a flexible and scalable solution that can be easily adapted to growing user numbers and data volumes. Recommendations are generated via a stream processing pipeline that analyses user preferences and provides personalised suggestions in real time. For evaluation purposes, a user simulator was developed that depicts various usage scenarios. The results show that the system achieves a 10 % higher like rate compared to a randomised approachThis thesis presents the development of a real-time based recommendation engine for a location-based social network. The architecture combines Kafka and Flink for real-time processing of user interactions and location data. In addition, a geodatabase with OpenStreetMap data is used to efficiently manage points of interest. The overall architecture presented ensures that the recommendation engine not only utilises the advantages of real-time stream processing, but can also be seamlessly integrated into the infrastructure of a mobile app. This enables a flexible and scalable solution that can be easily adapted to growing user numbers and data volumes. Recommendations are generated via a stream processing pipeline that analyses user preferences and provides personalised suggestions in real time. For evaluation purposes, a user simulator was developed that depicts various usage scenarios. The results show that the system achieves a 10 % higher like rate compared to a randomised approach and at the same time offers low latency times with high throughput.show moreshow less

Download full text files

Export metadata

Metadaten
Author:Leo Nobis
open access:Diamant - ohne Publikationskosten mit Lizenzhinweis
Fachbereich/Einrichtung:Hochschule Düsseldorf / Fachbereich - Medien
Document Type:Bachelor Thesis
Year of Completion:2025
Language of Publication:German
Place of publication:Düsseldorf
Creating Corporation:Hochschule Düsseldorf
Title Additional (English):Development of a real-time recommendation engine based on a stream processing framework
Volume:Arbeitspapier des Lehrgebiets Datenbanken und E-Business No. 1/2025
URN:urn:nbn:de:hbz:due62-opus-52721
Dewey Decimal Classification:0 Informatik, Informationswissenschaft, allgemeine Werke / 00 Informatik, Wissen, Systeme / 004 Datenverarbeitung; Informatik
Licence (German):Creative Commons - CC BY - Namensnennung 4.0 International
Release Date:2025/05/22
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.