@phdthesis{Haskioglu2021,
  type      = {Master Thesis},
  author    = {Aylin Haskioglu},
  title     = {Evaluation and application of recommendation algorithms for an online wine recommender system},
  address   = {Offenburg},
  pages     = {67, XVIII},
  year      = {2021},
  abstract  = {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 f{\"u}r 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 f{\"u}r die Anwendung von ALS erf{\"u}llen, wird durch Zufall entschieden. Dem bestehenden Ansatz wurden folgenden Verfahren gegen{\"u}bergestellt: Content-based Filtering mit einen Autoencoder und Hybrid Filtering mit einem neuronalen Netz sowie mit der Empfehlungsbibliothek LightFM. Die neuen Ans{\"a}tze ber{\"u}cksichtigen immer die Weineigenschaften und k{\"o}nnen f{\"u}r noch nicht gekaufte Weine eingesetzt werden (Cold-Start Problem). Verglichen wurden die Ans{\"a}tze durch zwei Ranking-Methoden und einen selbst-entwickelten offline A/B-Test. Unter den neuen Ans{\"a}tzen 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 gegen{\"u}ber dem bestehenden Verfahren mittels ALS nachgewiesen werden. F{\"u}r eine abschlie{\"s}ende statistisch signifikante Beurteilung m{\"u}ssten mehr online A/B-Tests durchgef{\"u}hrt werden.},
  language  = {de}
}