Uit deze casestudy kan er geconcludeerd worden dat er zeker opportuniteiten beschikbaar zijn voor het gebruik van een aanbevelingssysteem dat gebaseerd is op het uitgewerkte scoringsmechanisme. Het aanbevelingssysteem, besproken in bovenstaande casestudy, geeft de mogelijkheid om op een snelle manier een relatief sterk presterend aanbevelingssysteem te implementeren op een website. De enige benodigdheden zijn een Google Analytics implementatie en data die de artikels beschrijft. Er zijn dus geen beoordelingen van gebruikers nodig, wat ervoor zorgt dat het aanbevelingssysteem ook kan werken op een website waar gebruikers eerder passief zijn.
Waar in de literatuur reeds vermeld werd dat aanbevelingssystemen gebaseerd kunnen worden op impliciete feedback, werd deze implementatie slechts weinig vanuit de invalshoek bekeken om een systeem te bouwen dat snel implementeerbaar is. Veelal werden vergelijkingen gemaakt met de prestatie van een aanbevelingssysteem dat gebaseerd is op expliciete feedback. Deze masterproef beschrijft echter bewust een manier om een systeem te bouwen dat minder presteert dan een systeem gebaseerd op expliciete feedback, met als doel een snel en algemeen implementeerbaar aanbevelingssysteem te bouwen.
Belangrijk om te onthouden is dat dit aanbevelingssysteem in geen enkel opzicht bedoeld is als vervanging van aanbevelingssystemen die gebaseerd zijn op expliciete gebruikersfeedback. Er werd al meermaals aangetoond dat deze systemen beter presteren dan systemen gebaseerd op impliciete feedback. Daarentegen kan dit systeem wel een nuttige aanvulling bieden. Systemen die gebaseerd zijn op expliciete feedback, hebben het voornamelijk moeilijk met het cold start probleem. Wanneer gebruikers weinig beoordelingen achterlaten, functioneert het systeem dan ook suboptimaal. Een aanbevelingssysteem zoals in deze casestudy beschreven werd, kan dan ook een erg nuttige aanvulling zijn op de bestaande systemen.
Hoewel het systeem een lange lijst aan mogelijke toepassingen kent, is het allesbehalve perfect. Er moet dan ook rekening gehouden worden met enkele werkpunten die eventueel verder onderzocht en/of uitgewerkt moeten worden vooraleer het systeem ook werkelijk kan ingezet worden voor deze toepassingen.
Om te beginnen werd de score nog niet blootgesteld aan een onderzoek met werkelijke gebruikers. Er is dus nog geen indicatie van hoe goed de score de werkelijke interesse van een gebruiker benadert.
Om echt te weten hoe goed het systeem presteert, zou dit systeem verder getest moeten worden met werkelijke gebruikers
Ten tweede werd er nog geen onderzoek gedaan naar de best presterende algoritmes. De gebruikte algoritmes zijn eerder vrij simpel, waardoor hier vermoedelijk nog ruimte voor verbetering is. Het was dan ook niet de intentie van deze masterproef om het meest optimaal presterende systeem uit te bouwen. Verder onderzoek zou hier kunnen leiden tot een nog beter presterend systeem.
Als laatste kan er nog gezocht worden naar andere toepassingsmogelijkheden. Momenteel focust het systeem op artikels die gepubliceerd staan op websites. Er zijn echter geen beperkingen die het onmogelijk maken om dezelfde principes toe te passen op andere items. Denk bijvoorbeeld aan e- commerce, videobestanden etc.
Hoewel het systeem nog niet optimaal is, kan er gesteld worden dat de doelstelling voor deze masterproef (nl. een waardig alternatief opbouwen voor het populariteitsmodel, wanneer er onvoldoende beoordelingen beschikbaar zijn) grotendeels behaald is.
BIBLIOGRAFIE
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, 734-749.
Beel, J., Gipp, B., Langer, S., & Breitinger, C. (2016). Research-paper recommender systems: a literature survey. INTERNATIONAL JOURNAL ON DIGITAL LIBRARIES, 305-338.
Bobadilla, J., Ortega, F., Hernando, A., & Bernal, J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-Based Systems, 225-238.
Bobadilla, J., Serradilla, F., & Hernando, A. (2009). Collaborative filtering adapted to recommender systems of e-learning. Knowledge-Based Systems, 261–265.
Chen, L., Chen, G., & Wang, F. (2015). Recommender systems based on user reviews: the state of the art. USER MODELING AND USER-ADAPTED INTERACTION, 99-154.
Deshpande, M., & Karypis, G. (2004). Item-based top-N recommendation algorithms. ACM TRANSACTIONS ON INFORMATION SYSTEMS, 143-177.
D'Hoore, M. (sd). Over Bloovi. Opgehaald van Bloovi: https://www.bloovi.be/over-bloovi
Fernandez-Tobias, I., Braunhofer, M., Elahi, M., & Ricci, F. (2016). Alleviating the new user problem in collaborative filtering by exploiting personality information. USER MODELING AND USER- ADAPTED INTERACTION, 221-255.
Google. (sd). Content-based Filtering Advantages & Disadvantages. Opgehaald van Recommendation systems: https://developers.google.com/machine-learning/recommendation/content- based/summary
Google. (sd). Cookie usage. Opgehaald van Google Developers: https://developers.google.com/analytics/devguides/collection/analyticsjs/cookie-
usage?hl=nl
Google. (sd). Referentie User ID. Opgehaald van Google analytics help: https://support.google.com/analytics/answer/6205850?hl=nl
Google. (sd). Verbeterde recentheid van gegevens. Opgehaald van Google analytics help: https://support.google.com/analytics/answer/7084038?hl=nl
Herlocker, J., Konstan, J., Borchers, A., & Riedl, J. ( 1999). An algorithmic framework for performing collaborative filtering. SIGIR'99: PROCEEDINGS OF 22ND INTERNATIONAL CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL, 230-237.
International Telecommunication Union. (sd). Statistics. Opgehaald van ITU: www.itu.int/en/ITU- D/Statistics/Pages/stat/default.aspx
Isinkaye, F., Folajimi, Y., & Ojokoh, B. (2015). Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, 262-270.
Jackson, M. D., & McClelland, J. L. (1979). Processing Determinants of Reading Speed. Journal of Experimental Psychology, 151-181.
Jawaheer, G., Szomszor, M., & Kostkova, P. (2010). Comparison of Implicit and Explicit Feedback from an Online Music Recommendation Service .
Liu, Q., Chen, E., Xiong, H., Ding, C., & Chen, J. (2012). Enhancing Collaborative Filtering by User Interest Expansion via Personalized Ranking. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS, 218-233.
Moreira, G. (2019, December 08). Recommender Systems in Python 101. Opgehaald van Kaggle: www.kaggle.com/gspmoreira/recommender-systems-in-python-101
Müller, A., & Guido, S. (2017). Introduction to machine learning with python. O'Reilly. Numpy. (sd). Home. Opgehaald van Numpy: https://numpy.org/
Pandas. (sd). Pandas documentation. Opgehaald van Pandas: https://pandas.pydata.org/docs/# Park, D. H., Kim, H. K., Choi, I. Y., & Kim, J. K. (2012). A literature review and classification of
recommender systems research. Expert Systems with Applications, 10059-10072.
Peska, L. (2016). Using the Context of User Feedback in Recommender Systems. ELECTRONIC PROCEEDINGS IN THEORETICAL COMPUTER SCIENCE, 1-12.
Provost, F., & Fawcett, T. (2013). Data Science for business. O'Reilly.
Schwartz, B. (2016, 11 14). Google’s search knows about over 130 trillion pages. Opgehaald van Search Engine Land: https://searchengineland.com/googles-search-indexes-hits-130-trillion-pages- documents-263378
Shi, Y., Larson, M., & Hanjalic, A. (2014). Collaborative Filtering beyond the User-Item Matrix: A Survey. ACM Computing Surveys.
Symeonidis, P., Nanopoulos, A., & Papadopoulos, A. N. (2008). Collaborative recommender systems: Combining effectiveness. Expert Systems with Applications, 2995-3013.
Yu, K., Schwaighofer, A., Tresp, V., Xu, X., & Kriegel, H. (2004). Probabilistic memory-based collaborative filtering. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, 56-69.