<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>163</id>
    <completedYear>2016</completedYear>
    <publishedYear>2016</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>29</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>workingpaper</type>
    <publisherName/>
    <publisherPlace>Nürnberg</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>2016-07-15</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Wie funktionieren Recommendersysteme?</title>
    <abstract language="deu">Mit dem rapiden Wachstum der Informationstechnologie zum Anfang des 21. Jahrhunderts und der damit verbundenen starken Zunahme der Datenmenge, ist Software zum Filtern und Auffinden von relevanten Informationen unverzichtbar geworden. Gerade für Unternehmen, deren Geschäftsmodell auf digitalisierten Unternehmensprozessen beruht, ist es essenziell dem jeweiligen Kunden automatisiert passende Produkte anzubieten. Recommenderalgorithmen befassen sich genau mit dieser Problemstellung und versuchen Produktempfehlungen für Kunden möglichst gut zu personalisieren.&#13;
&#13;
Die bislang vorliegenden Veröffentlichungen beschreiben Recommenderalgorithmen lediglich in groben Zügen. Der vorliegende Artikel befasst sich daher mit der didaktischen Aufarbeitung zweier grundlegender Algorithmen und bietet einen transparenten und allgemein verständlichen Zugang zu diesem Thema. Die beiden Algorithmen werden anhand eines durchgängigen Beispiels von der Berechnung der Ähnlichkeitsmaße bis zur Erstellung der Empfehlungsrangliste illustriert. Darüber hinaus wird eine Methodik vorgestellt, um die Empfehlungsqualität im Rahmen von Simulationsstudien mit ROC-Kurven zu evaluieren.</abstract>
    <subTitle language="deu">Didaktische Aufarbeitung der Recommenderalgorithmen User-based und Item-based Collaborative Filtering</subTitle>
    <identifier type="urn">urn:nbn:de:bvb:92-opus4-1638</identifier>
    <identifier type="opus3-id">163</identifier>
    <enrichment key="SourceTitle">Sonderdruck / Schriftenreihe der Georg-Simon-Ohm Hochschule Nürnberg ; 64</enrichment>
    <licence>Keine Lizenz - Deutsches Urheberrecht gilt</licence>
    <author>Rainer Groß</author>
    <author>Julian Knoll</author>
    <series>
      <title>Sonderdruck / Schriftenreihe der Georg-Simon-Ohm-Hochschule, Nürnberg</title>
      <number>64</number>
    </series>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Empfehlungssystem</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Kollaborative Filterung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Recommendersystem</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Recommenderalgorithmus</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Collaborative Filtering</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>User-based</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Item-based</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <thesisPublisher>Technische Hochschule Nürnberg Georg Simon Ohm</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-ohm/files/163/Sonderdruck_Endfassung.pdf</file>
  </doc>
</export-example>
