Über das Projekt
Hybride Recommender Systeme

Recommender Systeme (dt. Empfehlungsdienste) sind Softwaresysteme, die die Kunden bei der Suche und Auswahl von Produkten, die ihren Wünschen und Erwartungen entsprechen, unterstützen. Typische Objekte eines Empfehlungsdienstes sind Produkte eines Webshops, Filme etc.
Empfehlungsdienste sollen grundsätzlich zur Bewältigung der Informationsüberflutung beitragen, indem sie dem Benutzer aus einer unübersichtlichen Menge an Produkten für den Benutzer relevante Produkte empfehlen.
Zur Ermittlung der passenden Empfehlungen werden interdisziplinäre Methoden eingesetzt, wie Statistik, Machine Learning, Artificial Intelligence, Data Mining und Mensch-Maschine-Interaktion.

Schnittstelle zur CAS: Bei der CAS AG geht es um Recommender Systeme für die Produktkonfiguration. Durch die Recommender Systeme werden Benutzer beim Konfigurationsprozess unterstützt, wobei der Schwerpunkt der maschinellen Hilfe auf den Ausprägungen zu den Produktmerkmalen liegt. Unsere komplexen Produkte können pro Merkmal vielerlei Ausprägungen haben, die es gilt zu verstehen und einsetzen zu können. Hier hilft das Recommender System im Produktkonfigurator.

Ziel der CAS: Ziel der Recommender Systeme in der Produktkonfiguration ist die Unterstützung des Kunden durch eine Verbesserung der User Experience und der Usability. Durch ein positives Nutzererlebnis soll der Nutzer begeistert werden!

Interesse an einem Praktikum oder einer Abschlussarbeit?

Über das Projekt
Hybride Recommender Systeme

Recommender Systeme (dt. Empfehlungsdienste) sind Softwaresysteme, welche die Kunden bei der Suche und Auswahl von Produkten, die ihren Wünschen und Erwartungen entsprechen, unterstützen. Typische Objekte eines Empfehlungsdienstes sind Produkte eines Webshops, Filme etc.
Empfehlungsdienste sollen grundsätzlich zur Bewältigung der Informationsüberflutung beitragen, indem sie dem Benutzer aus einer unübersichtlichen Menge an Produkten für den Benutzer relevante Produkte empfehlen.
Zur Ermittlung der passenden Empfehlungen werden interdisziplinäre Methoden eingesetzt, wie Statistik, Machine Learning, Artificial Intelligence, Data Mining und Mensch-Maschine-Interaktion.

Bei der CAS geht es um Recommender Systeme für die Produktkonfiguration. Durch die Recommender Systeme werden Benutzer beim Konfigurationsprozess unterstützt, wobei der Schwerpunkt der maschinellen Hilfe auf den Ausprägungen zu den Produktmerkmalen liegt. Unsere komplexen Produkte können pro Merkmal vielerlei Ausprägungen haben, die es gilt zu verstehen und einsetzen zu können. Hier hilft das Recommender System im Produktkonfigurator.

Ziel der Recommender Systeme in der Produktkonfiguration ist die Unterstützung des Kunden durch eine Verbesserung der User Experience und der Usability. Durch ein positives Nutzererlebnis soll der Nutzer begeistert werden!

Interesse an einem Praktikum oder einer Abschlussarbeit?

Bisherige
Abschluss-Aarbeiten

MA-Thesis:
Entwicklung eines hybriden Recommender Systems für die Produktkonfiguration

Abstract

Derzeit findet mit der vierten Industrierevolution, Industrie 4.0, ein entscheidender Umbruch statt: aus Massenproduktion wird Mass Customization. Kunden wollen zunehmend personalisierte Produkte, die auf ihre spezifischen Bedürfnisse und ihren persönlichen Geschmack zugeschnitten sind. Damit steigt die Komplexität serienmäßig produzierter Güter zu komplex konfigurierbaren und personalisierten Gütern an. Ein oft vergessener Nebeneffekt von Mass Customization ist Mass Confusion: Der immense Anstieg an Produktvarianten und -optionen erfordert fundiertes Expertenwissen und „überflutet“ den Anwender von Konfigurationslösungen. Recommender Systeme, die bereits in vielen Domänen, wie z.B. im e-Commerce, Anwendung finden, können den Anwender dabei durch personalisierte Empfehlungen unterstützen. Im Bereich der komplexen Produktkonfiguration werden jedoch neue Anforderungen an Recommender Systeme gestellt. Die verschiedenen Typen von Recommender Systemen haben jeweils ihre Stärken und Schwächen, da sie unterschiedliche Aspekte adressieren, und daher je nach Datengrundlage, Expertenwissen und Kontext unterschiedlich gut funktionieren. Viele Arbeiten in diesem Forschungsbereich empfehlen hybride Recommender Systeme. Die Herausforderung besteht darin, die Ausgaben mehrerer Systeme auf eine intelligente Art und Weise (z.B. Weighted, Mixed, Switching) zu kombinieren, um bessere Empfehlungen als einzelne Systeme zu generieren und damit den Nutzen für den Anwender zu erhöhen. Weiterhin unterscheiden sich die Daten in der Produktkonfiguration von denen der üblichen Anwendungsbereiche von Recommender Systemen: Es sollen nicht nur Produkte, sondern auch Produktbestandteile und –merkmale vorgeschlagen werden, die wiederum voneinander abhängen können. Je nach Einsatzgebiet eines Produktkonfigurators ist das dort abgelegte Domänenwissen sehr unterschiedlicher Natur. Darüber hinaus entwickelt sich die Datengrundlage über die Zeit sehr stark.

— Alex

Interesse? Informiere dich jetzt!

Bisherige
Abschluss-Arbeiten

MA-Thesis:
Entwicklung eines hybriden Recommender Systems für die Produktkonfiguration

Derzeit findet mit der vierten Industrierevolution, Industrie 4.0, ein entscheidender Umbruch statt: aus Massenproduktion wird Mass Customization. Kunden wollen zunehmend personalisierte Produkte, die auf ihre spezifischen Bedürfnisse und ihren persönlichen Geschmack zugeschnitten sind. Damit steigt die Komplexität serienmäßig produzierter Güter zu komplex konfigurierbaren und personalisierten Gütern an.

Ein oft vergessener Nebeneffekt von Mass Customization ist Mass Confusion: Der immense Anstieg an Produktvarianten und -optionen erfordert fundiertes Expertenwissen und „überflutet“ den Anwender von Konfigurationslösungen. Recommender Systeme, die bereits in vielen Domänen, wie z.B. im e-Commerce, Anwendung finden, können den Anwender dabei durch personalisierte Empfehlungen unterstützen. Im Bereich der komplexen Produktkonfiguration werden jedoch neue Anforderungen an Recommender Systeme gestellt. Die verschiedenen Typen von Recommender Systemen haben jeweils ihre Stärken und Schwächen, da sie unterschiedliche Aspekte adressieren, und daher je nach Datengrundlage, Expertenwissen und Kontext unterschiedlich gut funktionieren. Viele Arbeiten in diesem Forschungsbereich empfehlen hybride Recommender Systeme.

Die Herausforderung besteht darin, die Ausgaben mehrerer Systeme auf eine intelligente Art und Weise (z.B. Weighted, Mixed, Switching) zu kombinieren, um bessere Empfehlungen als einzelne Systeme zu generieren und damit den Nutzen für den Anwender zu erhöhen. Weiterhin unterscheiden sich die Daten in der Produktkonfiguration von denen der üblichen Anwendungsbereiche von Recommender Systemen: Es sollen nicht nur Produkte, sondern auch Produktbestandteile und –merkmale vorgeschlagen werden, die wiederum voneinander abhängen können. Je nach Einsatzgebiet eines Produktkonfigurators ist das dort abgelegte Domänenwissen sehr unterschiedlicher Natur. Darüber hinaus entwickelt sich die Datengrundlage über die Zeit sehr stark.

— Alex

Interesse? Schreib‘ uns jetzt!

Die übergeordneten
Forschungsbereiche

 


Artificial Intelligence Lab

Intelligente Agenten, Machine Learning, Deep Learning uvm.
mehr…


Customization Lab

Mass Customization und Kundenindivualität erzeugen – das ist die Industrie 4.0
mehr…

Die übergeordneten
Forschungs-Bereiche


Artificial Intelligence Lab

Intelligente Agenten, Machine Learning, Deep Learning uvm.
mehr…


Customization Lab

Mass Customization und Kundenindivualität erzeugen – das ist die Industrie 4.0
mehr…