Dietmar Jannach

Academic research in the field of recommender systems mainly focuses on the problem of maximizing the users' utility by trying to identify the most relevant items for each user. However, such items are not necessarily the ones that maximize the utility of the service provider (e.g., an online retailer) in terms of the business value, such as profit. One approach to increasing the providers' utility is to incorporate purchase-oriented information, e.g., the price, sales probabilities, and the resulting profit, into the recommendation algorithms. In this paper we specifically focus on price- and profit-aware recommender systems. We provide a brief overview of the relevant literature and use numerical simulations to illustrate the potential business benefit of such approaches.

Empfehlungssysteme sind heutzutage ein zentraler Bestandteil vieler Onlineshops und stellen für die Betreiber ein wertvolles Mittel dar, Kunden bei der Produktoder Informationssuche zu helfen sowie auf weitere interessante Produkte hinzuweisen. Die meisten Forschungsarbeiten zu Empfehlungssystemen verwenden explizite Produktbewertungen von Kunden als Eingabe für die Algorithmen und als Grundlage für die Empfehlungsgenerierung. In der Realität sind solche Bewertungen jedoch oft nicht in ausreichender Menge vorhanden, sodass für die Produktvorschläge auf andere Datenquellen — wie zum Beispiel Logdaten der Kundenaktionen — zurückgegriffen werden muss. In diesem Beitrag werden praktische Herausforderungen bei der Nutzung und Interpretation solcher weiteren Datenquellen für die Empfehlungsgenerierung besprochen sowie auf methodische Fragen der vergleichenden Bewertung von Empfehlungsalgorithmen eingegangen.