Sparse Data: Don't Mind the Gap!

Empfehlungssysteme sind fester Bestandteil der heutigen digitalen Plattform-Ökonomie, die Angebot und Nachfrage zusammenbringt. Solche Systeme entscheiden aufgrund von Informationen über das Nutzerverhalten, welche Daten (Produkte, Kontakte, Werbung etc.) dem Nutzer innerhalb der Plattform angezeigt werden. Allerdings hinterlässt der Großteil der Nutzer nicht das benötigte explizite Feedback bzw. benötigte Metainformationen sind nicht vorhanden.

Datengetriebene Unternehmen nutzen immer mehr Daten aus verschiedenen Quellen. Häufig sind diese Daten spärlich, so dass Strategien zum Umgang mit geringer Datendichte in Zukunft eine große Bedeutung haben werden.

Dieser Vortrag stellt das Problemfeld spärlicher Daten (sparse data) beim Einsatz von Empfehlungssystemen vor und beschreibt mögliche Lösungsansätze basierend auf der Erfahrung aus unseren Projekten.

Vorkenntnisse
Interesse an Modellierung und Empfehlungssystemen.

Lernziele
Praxiseinblicke in die Herausforderungen beim Bau eines Empfehlungssystems bei einem sozialen Netzwerk mit Millionen von Nutzern.

// Daniel Pape

arbeitet als Data Scientist und Analytics Engineer im Data-Science-Team der codecentric AG.

// Michael Plümacher

analysiert als Data Scientist und Physiker Daten und konstruiert Machine-Learning-Modelle zum Verständnis und zur Vorhersage von Daten.