TY  - THES
U1  - Master Thesis
A1  - Haskioglu, Aylin
T1  - Evaluation and application of recommendation algorithms for an online wine recommender system
N2  - In der vorliegenden Thesis werden Empfehlungsalgorithmen zur Verbesserung von Wein-Empfehlungen evaluiert. Der Algorithmus wird zur Entscheidung zwischen zwei Weinen eingesetzt, so dass der jeweils für den Kunden geeignetere Wein empfohlen wird. Das derzeitige System setzt Collaborative Filtering durch den Alternating Least Squares (ALS) Algorithmus um. Bei Kunden und Weinen, die nicht die notwendigen Bedingungen für die Anwendung von ALS erfüllen, wird durch Zufall entschieden.
Dem bestehenden Ansatz wurden folgenden Verfahren gegenübergestellt: Content-based Filtering mit einen Autoencoder und Hybrid Filtering mit einem neuronalen Netz sowie mit der Empfehlungsbibliothek LightFM. Die neuen Ansätze berücksichtigen immer die Weineigenschaften und können für noch nicht gekaufte Weine eingesetzt werden (Cold-Start Problem). Verglichen wurden die Ansätze durch zwei Ranking-Methoden und einen selbst-entwickelten offline A/B-Test. 
Unter den neuen Ansätzen schnitt LightFM am besten ab. ALS lieferte insgesamt die besten Ranking-Werte. Durch ein online A/B-Test zwischen ALS und LightFM konnten keine signifikanten Ergebnisse ermittelt werden. Insgesamt konnte auf Basis der in den Tests gesammelten Daten keine Verbesserung der Empfehlungslogik gegenüber dem bestehenden Verfahren mittels ALS nachgewiesen werden. Für eine abschließende statistisch signifikante Beurteilung müssten mehr online A/B-Tests durchgeführt werden.
N2  - The purpose of this thesis is to research if changing the current recommendation algorithm would improve wine-recommendations. The algorithm chooses between two wines for each customer, so only the more suitable one is sent per newsletter. The current system uses collaborative filtering with the alternating least squares (ALS) algorithm. When customers and wines can’t fulfill necessary conditions to be able to use ALS, a random selection is used. 
The current approach was compared to following methods: Content-based filtering in form of an autoencoder, hybrid filtering in form of a neural network as well through the recommendation library LightFM. The new algorithms always use the wine properties and can be used for wines which weren’t bought yet (cold-start wine). Comparisons between the approaches were made through two ranking-methods and a self-implemented offline a/b-test.
Between the new approaches LightFM scored the best. ALS achieved the best ranking-scores. Through an online a/b-test between ALS and LightFM, no significant results could be achieved. Based on the results collected in the tests, no improvement of the recommendation logic compared to ALS could be proven. For statistically significant evaluation, a lot more online a/b-tests must be carried out.
KW  - Empfehlungssysteme
KW  - Recommendations
KW  - Empfehlung
KW  - Data Science
KW  - Maschinelles Lernen
Y2  - 2021
SP  - 67, XVIII
S1  - 67, XVIII
CY  - Offenburg
ER  -