Dynamic Recommender Systems

***Deutsch***

Recommender Systems (Empfehlungsmaschinen) gewinnen in letzter Zeit an Popularität. Viele Unternehmen haben das Potential der Recommender Systems erkannt und setzten sie erfolgreich ein. Die markantesten Beispiele umfassen Amazon, Netflix, YouTube, etc. Das Ziel des Projektes ist es, Recommenders zu entwickeln, die in der Lage sind aus schnellen und dynamischen Strömungsdaten die Nutzerpräferenzen zu lernen und so maßgeschneiderte, persönliche Empfehlungen zu erstellen. Die Herausforderung ist dabei das sich ständig verändernde Umfeld und die Erfassung der kontinuierlichen Evolution der Nutzer und des Umfeldes.
Einige der erfolgreichsten Methoden zur Erstellung personalisierter Empfehlungen basieren auf der Matrix-Faktorisierung. Diese Methoden, die besonders durch die sogenannte Netflix Competition bekannt wurden, zeigen eine hohe Treffsicherheit auch bei geringen Datenmengen. Allerdings arbeiten diese Methoden meistens auf statischen Daten, was in vielen reellen Anwendungsszenarien ein Ausschlusskriterium ist. Eine Teilaufgabe in diesem Projekt ist es, die Matrix-Faktorisierungsmethoden auf inkrementelle Arbeitsweise umzustellen, so dass sie auch mit Datenströmen umgehen können. Die Herausforderungen bestehen in hohen Effizienzanforderungen und sich zur Laufzeit verändernden Dimensionen der Datenräume. Des Weiteren sind Nutzerpräferenzen nicht statisch, sondern sie verändern sich über die Zeit. Deswegen besteht eine weitere Herausforderung darin, Algorithmen adaptiv zu machen, sodass sie sich an Veränderungen anpassen können. Dazu werden sogenannte Vergessensstrategien entwickelt, die veraltete Information finden und aus Präferenzmodellen entfernen.

***English***

Recommender Systems gain popularity in recent days. Numerous companies recognized the potential of recommender systems and use them with success. The most remarkable examples are Amazon, Netflix, Youtube, etc. The goal of this project is the development of recommender systems that are able to learn user preferences from fast and dynamic data streams. The main challenges are constant changes of the environment and capturing of users' evolving preferences.
The most successful methods in recommender systems are based on matrix factorization. Those methods reveal high accuracy also on sparse data. However, the most of them work on static datasets, which makes them inapplicable in real world scenarios. One of the goals of the project is to make those methods incremental and adaptive to changes over time. To achieve adaptation to changes we develop, so called, forgetting strategies that select outdated information and remove it from preference models. Further challenges are high efficiency requirements and constantly changing data space.