#149 Recommender Systems: Funktionsweise und Forschungstrends mit Eva Zangerle

Recommender Systems: Was steckt hinter modernen
Empfehlungsalgorithmen?


Moderne Empfehlungsalgorithmen begegnen uns im Alltag überall:
Die nächste Serie bei Netflix, die “für dich zusammengestellte
Playlist” bei Spotify oder “Kunden, die diesen Artikel gekauft
haben, kauften auch” bei Amazon. In Zeiten von AI könnten wir
meinen, dass dies alles schwarze Magie ist. Doch i.d.R. folgen
die Empfehlungen gewissen Logiken. All das ganze wird im Research
Bereich “Recommender Systems” genannt.


Dies ist auch das Thema dieser Episode. Prof. Dr. Eva Zangerle,
eine Expertin im Bereich Recommender System erklärt uns, was
Recommender Systems eigentlich sind, welche Grundlegenden Ansätze
für Empfehlungsalgorithmen existieren, wie viele Daten benötigt
werden um sinnvolle Ergebnisse zu erzielen, was das Cold-Start
Problem ist, wie Forscher evaluieren können, ob es gute oder
schlechte Empfehlungen sind, was die Begriffe Recall und
Precision eigentlich bedeuten, ob Empfehlungsalgorithmen auch
einen gewissen Bias entwickeln können sowie welche Trends auf dem
Forschungsgebiet zur Zeit aktuell sind.





Das schnelle Feedback zur Episode:


(top)  (geht
so)





Feedback


EngKiosk Community:
https://engineeringkiosk.dev/join-discord 

Buy us a coffee: https://engineeringkiosk.dev/kaffee

Email: stehtisch@engineeringkiosk.dev

LinkedIn: https://www.linkedin.com/company/engineering-kiosk/

Mastodon: https://podcasts.social/@engkiosk

Twitter: https://twitter.com/EngKiosk






Gerne behandeln wir auch euer Audio Feedback in einer der
nächsten Episoden, einfach die Audiodatei per Email an
stehtisch@engineeringkiosk.dev.



Links

Eva Zangerle: https://evazangerle.at/

Eva Zangerle @ Google Scholar:
https://scholar.google.com/citations?hl=de&user=eeyGXWoAAAAJ&view_op=list_works&sortby=pubdate

Surprise - A Python scikit for recommender systems:
https://surpriselib.com/

LensKit - Python Tools for Recommender Experiments:
https://lenskit.org/

Podcast Recsperts - Recommender Systems Experts:
https://recsperts.com/

Elliot - Framework for Reproducible Recommender Systems
Evaluation: https://github.com/sisinflab/elliot

RecBole - A unified, comprehensive and efficient
recommendation library: https://recbole.io/

Buch “Kollektive Intelligenz analysieren, programmieren und
nutzen” (2008):
https://www.amazon.de/Kollektive-Intelligenz-analysieren-programmieren-nutzen/dp/3897217805

Buch “Practical Recommender Systems” von Kim Falk (Autor):
https://www.amazon.de/Practical-Recommender-Systems-Kim-Falk/dp/1617292702

Microsoft Recommenders:
https://github.com/recommenders-team/recommenders

Source code for Twitter's Recommendation Algorithm:
https://github.com/twitter/the-algorithm




Sprungmarken

(00:00:00) Recommender Systems mit Eva Zangerle


(00:06:07) RecSys - Die ACM Recommender Systems Conference


(00:06:31) Info/Werbung


(00:07:31) RecSys - Die ACM Recommender Systems Conference


(00:17:58) User Profile und Kontexte in Recommender Systems


(00:25:38) Wie baut man ein Recommender Systems auf?


(00:36:02) Das Cold-Start Problem, balancierte Algorithmen und
das Habsburger-Problem


(00:42:37) Evaluierung von Recommender Systems: Precision und
Recall


(00:51:55) AI und LLMs als Empfehlungs-Assistent


(00:55:51) Spezielle Datenbank-Systeme, Sequential Recommendation
und Audio Recommendations


(01:01:22) Key Trends in der Recommender Systems und Information
Retrieval Szene


(01:09:09) Empfehlung für den Einstieg in Recommender Systems



Hosts

Wolfgang Gassler (https://mastodon.social/@woolf)

Andy Grunwald (https://twitter.com/andygrunwald)




Feedback

EngKiosk Community:
https://engineeringkiosk.dev/join-discord 

Buy us a coffee: https://engineeringkiosk.dev/kaffee

Email: stehtisch@engineeringkiosk.dev

LinkedIn: https://www.linkedin.com/company/engineering-kiosk/

Mastodon: https://podcasts.social/@engkiosk

Twitter: https://twitter.com/EngKiosk