wirtschaftsuniversität wien diplomarbeit - SemanticLab.net
wirtschaftsuniversität wien diplomarbeit - SemanticLab.net
wirtschaftsuniversität wien diplomarbeit - SemanticLab.net
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
- Strands-Recommender und Case based Reasoning<br />
Baccigalupo und Plaza [2006] haben in einer Studie die Strands-Technologie<br />
für die Erstellung von sinnvollen Playlists verwendet. Diese Playlists werden<br />
anhand von Liedern ausgesucht, die in einer sinnvollen Sequenz angeord<strong>net</strong><br />
sind. Dieses Musik-Empfehlungssystem schlägt nicht nur die Lieder vor, die der<br />
Benutzer bereits gehört oder gekauft hat, sondern führt eine tiefere Analyse der<br />
Lieder durch und empfiehlt ihm Lieder mit einer ähnlichen sequenziellen Struk-<br />
tur. Die empfohlenen Lieder sind akustisch und im Metadaten-Bereich den<br />
Lieblingsliedern ähnlich, die der Benutzer in seinem Profil eingetragen hat. Da-<br />
durch, dass eine ähnliche sequenzielle Struktur der Lieder im Vordergrund der<br />
Empfehlungen steht, kann es vorkommen, dass den Benutzern Lieder empfoh-<br />
len werden, die sie zwar nicht kennen, aber ihrem Musikgeschmack<br />
entsprechen. Daher bietet dieses System die Möglichkeit, neue Musik auszup-<br />
robieren.<br />
3.4.3.2 Semantische Empfehlungssysteme<br />
Viele Inhalte der Newsletter von Universal Music können durch semantische Empfeh-<br />
lungssysteme an den Abonnenten angepasst werden. Besonders der Teil der<br />
Newsletter mit Empfehlungen und neuen Releases kann gezielt auf die Bedürfnisse<br />
der Abonnenten zugeschnitten werden. Durch die Personalisierung der Inhalte kann<br />
auch mehr Umsatz generiert werden [Roth und Voss, 2002].<br />
An den verschiedenen Beispielen von bestehenden Online-Musikdiensten (Kapitel<br />
3.4.3.1) wird ersichtlich, dass Empfehlungen anhand verschiedener Methoden<br />
getätigt werden können. Diese Filterverfahren können entweder kollaborativ (collabo-<br />
rative) oder inhaltsbasiert (content-based) sein. Mit den Collaborative-Filtering-<br />
Methoden können neuen Benutzern Empfehlungen anhand der Präferenzen ähnli-<br />
cher Benutzer geliefert werden. Zum Beispiel haben Person X und Y einen ähnlichen<br />
Musikgeschmack. Das System empfiehlt Person Y dementsprechend die Band<br />
„Oasis“, weil X die Beatles mag [Cohen und Fan, 2000]. Andererseits liefern die<br />
Content-based-Filtering-Systeme ihre Empfehlungen aufgrund der Korrelation zwi-<br />
schen dem Inhalt der Objekte und den Benutzerpräferenzen [Loizou und<br />
- 93 -