Rafael Schirru

• In recent years, recommender systems have been widely used for a variety of different kinds of items such as books, movies, and music. However, current recommendation approaches have often been criticized to suffer from overspecialization thus not enough considering a user’s diverse topics of interest. In this thesis we present a novel approach to extracting contextualized user profiles which enable recommendations taking into account a user’s full range of interests. The method applies algorithms from the domain of topic detection and tracking to automatically identify diverse user interests and to represent them with descriptive labels. That way manual annotations of interest topics by the users, e. g., from a predefined domain taxonomy, are no longer required. The approach has been tested in two scenarios: First, we implemented a content-based recommender system for an Enterprise 2.0 resource sharing platform where the contextualized user interest profiles have been used to generate recommendations with a high degree of inter-topic diversity. In an effort to harness the collective intelligence of the users, the resources in the system were described by making use of user-generated metadata. The evaluation experiments show that our approach is likely to capture a multitude of diverse interest topics per user. The labels extracted are specific for these topics and can be used to retrieve relevant on-topic resources. Second, a slightly adapted variation of the algorithm has been used to target music recommendations based on the user’s current mood. In this scenario music artists are described by using freely available Semantic Web data from the Linked Open Data cloud thus not requiring expensive metadata annotations by experts. The evaluation experiments conducted show that many users have a multitude of different preferred music styles. However a correlation between these music styles and music mood categories could not be observed. An integration of our proposed user profiles with existing user model ontologies seems promising for enabling context-sensitive recommendations.
• In den letzten Jahren fanden Empfehlungssysteme für eine Vielzahl unterschiedlicher Objekte wie Bücher, Filme und Musik, weite Verbreitung. Aktuelle Ansätze werden dabei häufig kritisiert an dem Problem der Überspezialisierung zu leiden und somit die diversen Interessensgebiete eines Benutzers nicht hinreichend einzubeziehen. In dieser Arbeit stellen wir einen neuen Ansatz zur Extraktion kontextualisierter Benutzerprofile vor. Diese Profile ermöglichen Empfehlungen, welche die unterschiedlichen Interessen eines Benutzers berücksichtigen. Die Methode wendet Algorithmen aus der Domäne der Themenextraktion und -verfolgung an, um diverse Benutzerinteressen automatisch zu erkennen und repräsentiert diese mit einem beschreibenden Label. Auf diese Weise werden keine händischen Annotation von Interessensgebieten, z.B. aus einer vorgegebenen Domänen-Taxonomie, durch die Benutzer mehr benötigt. Der Ansatz wurde in zwei Szenarien getestet: Zunächst haben wir ein inhaltsbasiertes Empfehlungssystem für eine Enterprise-2.0-Resource-Sharing-Plattform implementiert, in dem die kontextualisierten Benutzerprofile verwendet wurden, um Empfehlungen mit einem hohen Grad an Themen-Diversität zu generieren. Zur Beschreibung der Inhalte im System sollte die kollektive Intelligenz der Benutzer genutzt werden, indem die Ressourcen durch Benutzer-generierte Metadaten beschrieben wurden. Die durchgeführte Evaluation hat gezeigt, dass unser Ansatz eine Vielzahl unterschiedlicher Benutzerinteressen erkennen kann. Die extrahierten Labels sind spezifisch für die erkannten Themen und können verwendet werden, um thematisch passende Ressourcen zu finden. Als Zweites wurde eine leicht veränderte Variante des Algorithmus getestet, um Musikempfehlungen zu generieren, die die aktuelle Stimmung des Benutzers berücksichtigen. In diesem Szenario wurden Künstler mittels frei verfügbarer semantischer Daten aus der Linked Open Data Cloud beschrieben, so dass teure Metadaten-Annotationen durch Experten nicht mehr benötigt werden. Die Evaluationsexperimente haben gezeigt, dass viele Benutzer unterschiedliche Musikrichtungen hören, jedoch konnte eine Korrelation zwischen diesen Musikrichtungen und bestimmten Stimmungen nicht beobachtet werden. Eine Integration der von uns vorgeschlagenen Benutzerprofile mit existierenden Benutzermodell-Ontologien scheint vielversprechend, um kontextsensitive Empfehlungen zu ermöglichen.