Masterarbeiten

Context Awareness in Empfehlungssystemen und mobiler Werbung
Betreuer/in	Patrick Felka
Professor	Prof. Dr. Oliver Hinz
Starttermin	ab sofort
Empirisch	Nein
Kurzbeschreibung	Kontextbewusstsein (Context Awareness) gewinnt zunehmend an Bedeutung und wird für verschiedene interaktive Systeme anwendbar. Verglichen zu traditionellen Empfehlungssystemen können kontextbewusste Empfehlungssysteme (Context-aware recommender systems - CARS) relevantere Empfehlungen generieren, indem sie sich an die spezifische Kontext-Situation des Benutzers anpassen. So kann beispielsweise ein Empfehlungssystem für Kinofilme um Kontextparameter wie Kino, Zeit und Begleitung erweitert werden, um die Empfehlungen an die jeweilige Situation des Nutzers anzupassen. Hier kann der empfohlene Film signifikant vom jeweiligen Kontext abhängen, z.B. ob man unter der Woche mit den Eltern ins Kino geht oder Samstagabend mit der Freundin oder dem Freund. Traditionelle Empfehlungssysteme, die einen z.B. kollaborativen Ansatz verfolgen, berücksichtigen diese Kontextparameter nicht und generieren Empfehlungen auf Basis von Nutzern mit ähnlichen Präferenzen; so auch bei Produktempfehlung in Online-Shops (z.B. Amazon: „Kunden, die diesen Artikel gekauft haben, kauften auch…. “). Kontextparameter können die generierten Empfehlungen entscheidend verbessern und einen signifikanten Wettbewerbsvorteil darstellen. Aber nicht nur im Rahmen von Empfehlungssystemen, sondern auch bei mobiler Werbung auf Smartphones spielen Kontextparameter eine entscheidende Rolle. Hier ist die angezeigte Werbung häufig von Kontextparametern wie Ort und Zeit abhängig, z.B. Werbung für ein in der Nähe befindliches Café innerhalb der Öffnungszeiten. Auch hier können noch weitere Kontextparameter ergänzt werden, um Anzeigeverhalten zu Optimieren und die Effektivität von Werbung zu steigern. Insgesamt ist „Context Awareness“ im Zusammenhang mit Empfehlungssystemen und mobiler Werbung ein ziemlich breit gefächerter Bereich. Die konkrete Ausgestaltung der Aufgabe und Forschungsfrage steht im Kontext der jeweiligen Interessen und Fähigkeiten der Studenten. Mögliche Aufgaben und Forschungsfragen: Welche CARS-Konzepte können auf Context-Aware Mobile Advertisement übertragen werden? Entwicklung einer App zum Thema „Context-Aware Mobile Couponing“ zusammen mit einer kleinen Feldstudie. Welche Rolle spielt der soziale Kontext im Rahmen mobiler Werbung? Entwicklung eines Frameworks zur Extraktion von Kontextparametern aus Nutzungsdaten mobiler Endgeräte. Entwicklung einer Webanwendung zur Auswertung und von erfassten Nutzungsdaten (z.B. App-Statistiken, GPS-Traces). Entwicklung einer Anwendung zum kontextbewussten und intermodalen Transport in Smart Cities.
Einstiegsliteratur	Adomavicius, G. and A. Tuzhilin (2015). Context-Aware Recommender Systems. Recommender Systems Handbook. F. Ricci, L. Rokach and B. Shapira. Boston, MA, Springer US: 191-226. Fang, Z., et al. (2015). "Contemporaneous and delayed sales impact of location-based mobile promotions." Information Systems Research 26(3): 552-564. Luo, X., et al. (2013). "Mobile targeting." Management Science 60(7): 1738-1756. Molitor, D., et al. (2016). "Measuring the effectiveness of location-based advertising: A randomized field

Context Awareness in Empfehlungssystemen und mobiler Werbung

Betreuer/in

Patrick Felka

Professor

Prof. Dr. Oliver Hinz

Starttermin

ab sofort

Empirisch

Nein

Kurzbeschreibung

Kontextbewusstsein (Context Awareness) gewinnt zunehmend an Bedeutung und wird für verschiedene interaktive Systeme anwendbar. Verglichen zu traditionellen Empfehlungssystemen können kontextbewusste Empfehlungssysteme (Context-aware recommender systems - CARS) relevantere Empfehlungen generieren, indem sie sich an die spezifische Kontext-Situation des Benutzers anpassen. So kann beispielsweise ein Empfehlungssystem für Kinofilme um Kontextparameter wie Kino, Zeit und Begleitung erweitert werden, um die Empfehlungen an die jeweilige Situation des Nutzers anzupassen. Hier kann der empfohlene Film signifikant vom jeweiligen Kontext abhängen, z.B. ob man unter der Woche mit den Eltern ins Kino geht oder Samstagabend mit der Freundin oder dem Freund. Traditionelle Empfehlungssysteme, die einen z.B. kollaborativen Ansatz verfolgen, berücksichtigen diese Kontextparameter nicht und generieren Empfehlungen auf Basis von Nutzern mit ähnlichen Präferenzen; so auch bei Produktempfehlung in Online-Shops (z.B. Amazon: „Kunden, die diesen Artikel gekauft haben, kauften auch…. “). Kontextparameter können die generierten Empfehlungen entscheidend verbessern und einen signifikanten Wettbewerbsvorteil darstellen. Aber nicht nur im Rahmen von Empfehlungssystemen, sondern auch bei mobiler Werbung auf Smartphones spielen Kontextparameter eine entscheidende Rolle. Hier ist die angezeigte Werbung häufig von Kontextparametern wie Ort und Zeit abhängig, z.B. Werbung für ein in der Nähe befindliches Café innerhalb der Öffnungszeiten. Auch hier können noch weitere Kontextparameter ergänzt werden, um Anzeigeverhalten zu Optimieren und die Effektivität von Werbung zu steigern.

Insgesamt ist „Context Awareness“ im Zusammenhang mit Empfehlungssystemen und mobiler Werbung ein ziemlich breit gefächerter Bereich. Die konkrete Ausgestaltung der Aufgabe und Forschungsfrage steht im Kontext der jeweiligen Interessen und Fähigkeiten der Studenten.

Mögliche Aufgaben und Forschungsfragen:

Welche CARS-Konzepte können auf Context-Aware Mobile Advertisement übertragen werden?
Entwicklung einer App zum Thema „Context-Aware Mobile Couponing“ zusammen mit einer kleinen Feldstudie.
Welche Rolle spielt der soziale Kontext im Rahmen mobiler Werbung?
Entwicklung eines Frameworks zur Extraktion von Kontextparametern aus Nutzungsdaten mobiler Endgeräte. Entwicklung einer Webanwendung zur Auswertung und von erfassten Nutzungsdaten (z.B. App-Statistiken, GPS-Traces).
Entwicklung einer Anwendung zum kontextbewussten und intermodalen Transport in Smart Cities.

Einstiegsliteratur

Adomavicius, G. and A. Tuzhilin (2015). Context-Aware Recommender Systems. Recommender Systems Handbook. F. Ricci, L. Rokach and B. Shapira. Boston, MA, Springer US: 191-226.

Fang, Z., et al. (2015). "Contemporaneous and delayed sales impact of location-based mobile promotions." Information Systems Research 26(3): 552-564.

Luo, X., et al. (2013). "Mobile targeting." Management Science 60(7): 1738-1756.

Molitor, D., et al. (2016). "Measuring the effectiveness of location-based advertising: A randomized field

Offene Themen

Implementing, Testing and Evaluating a Recommender System for Privacy-Friendly Platform Business Models

Masterarbeit

Beschreibung und Zielsetzung: Plattformunternehmen stehen vor der Herausforderung der Entwicklung geeigneter neuer Geschäftsmodelle, die die Privatsphäre von Endkunden berücksichtigt. Zur Unterstützung existierten hauptsächlich abstrakte Darstellungen von Geschäftsmodellen, bisher jedoch ohne Bezug zur Privatsphäre. Außerdem fehlt ein einfach zu bedienendes Tool, welches Unternehmen bei der Entwicklung von privatsphärenfreundlichen Plattformgeschäftsmodellen unterstützt. Im Rahmen der Masterarbeit sollen daher die theoretische Konzeption und die technische Entwicklungsarbeit für einen Geschäftsmodellnavigator (Empfehlungssystem) stattfinden. Ziel des Navigators ist es Plattformbetreiber bei der Identifikation passender privatsphärenfreundlicher Geschäftsmodellmuster zu unterstützen. Dazu soll der Geschäftsmodellnavigator Informationen seitens der Nutzer abfragen, z. B. welche Geschäftsmodelle aktuell verfolgt werden und welche (Kunden-)Daten werden dazu verwendet werden. Auf Grundlage dessen soll der Geschäftsmodellnavigator Vorschläge für weitere Geschäftsmodelle inkl. unterschiedlichen Ausprägungsarten hinsichtlich der Privatsphärenfreundlichkeit generieren.

In die Masterarbeit werden aktuelle Forschungsergebnisse des Lehrstuhls aus dem Bereich der privatsphärenfreundlichen Plattformgeschäftsmodelle einfließen und umgesetzt werden und wird daher eng durch den Lehrstuhl betreut. Die Arbeit richtet sich an Studierende, die sowohl Interesse an der konzeptionellen Arbeit mit Geschäftsmodellen aber auch an der technischen Implementierung im Rahmen eines Demonstrators haben. Grundlegende Programmierkenntnisse (Python, JavaScript, HTML, o.ä.) sind daher empfehlenswert, können sich aber auch erst im Rahmen der Arbeit angeeignet werden.

Bei Interesse an der Abschlussarbeit schicken Sie bitte einen aktuellen Leistungsspiegel und einen kurzen Lebenslauf an Björn Hanneke (hanneke(at)wiwi.uni-frankfurt.de).

Methoden: Literature Review, Proof-of-Concept, Design Science

Betreuer: Björn Hanneke und Lorenz Baum

Ausgeschrieben ab: März 2023