Die Behandlung der Filter Bubble bei Recommender Systemen

Abstract

Diese Arbeit handelt von Recommender Systemen im World Wide Web, wobei von einer automatischen Empfehlungsgenerierung durch Algorithmen für Nutzer ausgegangen wird. Ein besonderer Fokus wird dabei auf das Filter Bubble Problem gelegt, wonach die Nutzer in eine Filterblase mit bestimmten Informationen gelangen sollen und dadurch in ihrem bestehenden Weltbild eingeschränkt werden. Die zentrale Frage dieser Arbeit lautet daher “Was macht ein gutes Recommender System unter Berücksichtigung des Filter Bubble Problems aus?”. Zur Beantwortung dieser Frage werden vier verschiedene Recommender Systeme (demografische, inhaltsbasierte, kollaborative und hybride Recommender Systeme) herangezogen. Zudem werden verschiedene Kriterien, die ein gutes Recommender System ausmachen, dargestellt und anhand eines Prototyp Beispiels – der erfundenen innovativen Location App namens Swap Meet – untersucht, welche versucht die Nutzer aus ihrer Filter Bubble herauszulocken. Zum Vergleich wird dieser App ein weltweit etabliertes System – die reale Location App Foursquare – gegenübergestellt, die im Gegensatz zu Swap Meet das Ziel verfolgt, die Nutzer so gut wie möglich in ihrer Filter Bubble zu halten. Im Rahmen einer Gesamtbeurteilung der einzelnen Recommender Systeme konnte festgestellt werden, dass je nachdem welche Online-Beratung man bevorzugt, das eine beziehungsweise andere System seine jeweiligen Schwerpunkte sowie Vor- und Nachteile mit sich bringt und insofern eine Kombination aus verschiedenen Recommender Systemen mit großer Wahrscheinlichkeit zu einer höheren Zufriedenheit beim individuellen Nutzer führt.

This thesis is regarding Recommender Systems in the world wide web. Recommender Systems are special software, which is recommending the user subjects, which are typical for its user, by using algorithms. Its special view is focussed on the Filter Bubble Problem of Recommender Systems. This Problem is about getting the user in a Filter Bubble of special, user-typical information, which includes the risk, that the user is automatically restricted in its view on the world. That is why the central question of this thesis will be “how does a good Recommender System looks like when you respect the before mentioned Filter Bubble Problem?”. In reply to this question there will first be represented four different Recommender Systems (demographic, content-based, collaborative and hybrid Recommender Systems) as well as different criteria, which are typically for a good Recommender System. These criteria then will be examined by using a prototype example – the prototype example is an invented innovative Location App called Swap Meet, which is trying to lure the user out of its Filter Bubble. In competition to this before mentioned App Swap Meet there also will be taken reference to the real Location App Foursquare, which is an already worldwide established and existent System. In the opposite of Swap Meet, Foursquare is trying to keep its user in its own Filter Bubble. At the end of this thesis there will be taken a completed view on the several Recommender Systems with the result, that any of the different Systems has its benefits. Whether the user judges a System as useful or not, especially depends on the focus of the user and which kind of online-consulting the user prefers. Because any System has got benefits as well as disadvantages, the user is held to combine several Systems in order to get the best result.