TY - THES A1 - Fischer, Johanna T1 - Generating new product recommendations in online shops with topic models N2 - Recommending products that are helpful to customers and tailored to their needs is of pivotal importance for successful online retailing. Online purchase data is typically used to generate such recommendations. This dissertation studies two topic models that use purchase data to make product recommendations. The Author Topic Model (ATM) and Sticky Author Topic Model (Sticky ATM) are applied to the purchase data of an online retailer of animal health products, and their predictive performances are contrasted with those of the benchmark methods Unigram, Bigram, and Collaborative Filtering (CF). This work focuses on the generation of new product recommendations. To increase novelty in recommendations, a new pre-processing approach is presented. The data is prepared prior to model application such that more novel products are included in the recommendations. A total of six data preparation variants are tested. The key finding is that topic models are very competitive with the benchmark methods and outperform them with the data preparation variant, where repetitively purchased items (repeat items) and customers with one item transaction (single-item customers) are eliminated from the data. Marketing practitioners should consider this pre-processing when implementing topic models as recommender models in their online shops. N2 - Produktempfehlungen, die für Kunden hilfreich und auf ihre Bedürfnisse zugeschnitten sind, sind von zentraler Bedeutung für einen erfolgreichen Onlinehandel. Onlinebestelldaten werden in der Regel zur Generierung solcher Empfehlungen verwendet. In dieser Dissertation werden zwei Topic Modelle untersucht, die Bestelldaten für die Erstellung von Produktempfehlungen nutzen. Das Author Topic Model (ATM) und das Sticky Author Topic Model (Sticky ATM) werden auf Bestelldaten eines Onlinehändlers von Tiergesundheitsprodukten angewendet und ihre Vorhersagegenauigkeiten werden mit denen der Benchmark-Methoden Unigram, Bigram und Collaborative Filtering (CF) verglichen. Diese Arbeit konzentriert sich auf die Generierung neuer Produktempfehlungen. Um die Neuartigkeit der Empfehlungen zu erhöhen, wird ein neuer Ansatz der Datenaufbereitung vorgestellt. Die Daten werden vor der Modellanwendung so aufbereitet, dass mehr neuartige Produkte in die Empfehlungen aufgenommen werden. Insgesamt werden sechs Varianten der Datenaufbereitung getestet. Der zentrale Erkenntnisgewinn ist, dass Topic Modelle mit den Benchmark-Methoden sehr gut mithalten können und diese mit der Datenaufbereitungsvariante übertreffen, bei der wiederholt gekaufte Produkte (repeat items) und Kunden mit nur einem bestellten Produkt (single-item customers) aus den Daten eliminiert werden. Marketingpraktiker sollten diese Datenaufbereitung bei der Implementierung von Topic Modellen als Empfehlungsmodelle in ihren Onlineshops berücksichtigen. KW - Empfehlungssystem KW - Electronic commerce KW - Datenaufbereitung KW - recommender systems KW - topic models KW - Latent Dirichlet Allocation KW - online purchase data KW - data preparation KW - LDA KW - online shops Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:824-opus4-6383 ER - TY - THES A1 - Schulze Dieckhoff, Max T1 - From bag-of-words towards natural language: adapting topic models to avoid stop word removal N2 - Topic models such as latent Dirichlet allocation (LDA) aim to identify latent topics within text corpora. However, although LDA-type models fall into the category of Natural Language Processing, the actual model input is heavily modified from the original natural language. Among other things, this is typically done by removing specific terms, which arguably might also remove information. In this paper, an extension to LDA is proposed called uLDA, which seeks to incorporate some of these formerly eliminated terms -- namely stop words -- to match natural topics more closely. After developing and evaluating the new extension on established fit measures, uLDA is then tasked with approximating human-perceived topics. For this, a ground truth for topic labels is generated using a human-based experiment. These values are then used as a reference to be matched by the model output. Results show that the new extension outperforms traditional topic models regarding out-of-sample fit across all data sets and regarding human topic approximation for most data sets. These findings demonstrate that the novel extension can extract valuable information from the additional data conveyed by stop words and shows potential for better modeling natural language in the future. N2 - Topic-Modelle wie die latente Dirichlet-Allokation (LDA) zielen darauf ab, latente Themen in Textkorpora zu identifizieren. Obwohl Modelle vom Typ LDA in die Kategorie der Verarbeitung natürlicher Sprache fallen, wird die eigentliche Modelleingabe jedoch stark von der ursprünglichen natürlichen Sprache abgewandelt. Dies geschieht u. a. durch das Entfernen bestimmter Begriffe, wodurch allerdings auch Informationen verloren gehen können. In dieser Arbeit wird eine Erweiterung von LDA vorgeschlagen, die uLDA genannt wird und versucht, einige dieser zuvor eliminierten Begriffe - sogenannte Stoppwörter - in das Modell mit einzubeziehen, um die natürlichen Themen besser abzubilden. Nach der Entwicklung und Evaluierung der neuen Erweiterung anhand etablierter Anpassungsmaße wird uLDA dann mit der Aufgabe betraut, vom Menschen wahrgenommene Themen zu approximieren. Zu diesem Zweck wird eine Grundwahrheit für die Themenmarkierung durch ein Experiment mit menschlichen Teilnehmern erzeugt. Diese Werte werden dann als Referenz für den Abgleich mit den Modellergebnissen verwendet. Die Auswertungen zeigen, dass die neue Erweiterung die traditionellen Topic-Modelle in Bezug auf den Out-of-Sample Fit in allen Datensätzen und in Bezug auf die menschliche Themenannäherung in den meisten Datensätzen übertrifft. Diese Ergebnisse zeigen, dass die neue Erweiterung wertvolle Informationen aus den zusätzlichen Daten extrahieren kann, die durch Stoppwörter übermittelt werden, und dass sie das Potenzial hat, natürliche Sprache in Zukunft besser zu modellieren. KW - Bayes-Lernen KW - Unüberwachtes Lernen KW - Computerlinguistik KW - Hierarchical bayes model KW - LDA KW - Topic models Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:824-opus4-7266 ER -