Abstract
Aanbevelingssytemen zijn algoritmes die vooral bekend zijn voor hun toepassingen in e-commerce. Gegeven een specifieke klant en een groot aantal producten, vinden zij automatisch de meest relevante producten voor die specifieke klant. Hun mogelijkheden gaan echter veel verder. Zo kunnen ze bijvoorbeeld ook genen aanbevelen die met een grote waarschijnlijkheid verantwoordelijk zijn voor bepaalde ziektes, of woorden die relevant zijn voor bepaalde documenten, tags voor een foto, cursussen voor een student, etc.
Huidig onderzoek naar aanbevelingssystemen wordt bijna volledig gestuurd door de (publiek) beschikbare datasets. Daarom blijft de volgende fundamentele vraag grotendeels onbeantwoord:"Gegeven twee datasets, hoe kunnen we bepalen dewelke van de twee kwalitatief de beste aanbevelingen genereert?"
Daarenboven is de hoeksteen van aanbevelingssystemen onderzoek de evaluatie van de aanbevelingen die gegenereerd worden. Het meeste bestaande onderzoek is volledig afhankelijk van historische data om de kwaliteit van de aanbevelingen te meten. Er is echter geen overtuigend bewijs dat de performantiemeting van de aanbevelingen op historische data een goede plaatsvervanger is voor hun performantie in real-life situaties.
Een tweede fundamentele vraag blijft dus ook tot nu toe onbestudeerd:"In hoeverre zijn real-life performantiemetingen van aanbevelingssystemen gecorreleerd met de metingen die berekend kunnen worden op historische data?"
Met dit projectvoorstel willen wij deze twee fundamentele vragen bestuderen en kunnen beantwoorden.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)