Die fortschreitende Entwicklung von mobilen Endgeräten wie Personal Digital Assistants (PDAs) und Smartphones ermöglicht einen immer weiter gehenden Einsatz für Aufgaben im beruflichen und privaten Umfeld von Benutzern. (Kleine) Anwendungen für diese mobilen Endgeräte werden kurz auch als "App" bezeichnet und können über Software Shops der verschiedenen Plattformen einfach erworben, installiert und genutzt werden. Allerdings wird mittlerweile eine Vielzahl von Apps angeboten, so dass Benutzer Schwierigkeiten haben, eine in ihrer Situation empfehlenswerte App zu finden. Dazu können Recommendersysteme verwendet werden, was gerade in einem mobilen Umfeld sinnvoll erscheint. Dies liegt zum einen an der beschränkten Benutzerschnittstellen der Mobilgeräte, Benutzer können hier nicht leicht sehr viele Suchergebnisse auswerten, sondern die ersten Treffer einer Suche nach Anwendungen sollten empfehlenewerte Apps liefern. Zum anderen ist in mobilen Umfeld eine Anpassung an den aktuellen Kontext wie Ort und Zeit wichtig.
In dieser Abschlussarbeit soll nun genauer untersucht werden, wie man ein kontextsensitives Recommendersystem für Software Shops für mobile Plattformen (SwSmP) konzipieren und umsetzen kann. Dazu sollen zunächst in einem Grundlagen-Teil existierende SwSmP, in Frage kommende Kontextarten und grundlegende Recommenderalgorithmen betrachtet werden. Darauf aufbauend soll ein eigenes Konzept zur Empfehlung von Apps entwickelt werden. Neben Ort und Zeit erscheint u.a. auch eine Anpassung der Empfehlung an den aktuell verwendeten Endgeräte-Typ sinnvoll. Das entwickelte Konzept soll dann in einer protypischen Implementierung zum Teil realisiert und z.B. in einer (kleinen) Benutzerstudie evaluiert werden. Der Schwerpunkt dabei liegt auf der mobilen Schnittstelle zum Recommendersystem.
Inhaltsverzeichnis
1 Einleitung
1.1 Verwandte Arbeiten
1.2 Aufbau der Arbeit
1.3 Begrifflichkeiten
2 Grundlagen
2.1 Mobile Business
2.1.1 Zentrale Definitionen und Abgrenzung
2.1.2 Netzwerke und Infrastrukturen
2.1.2.1 GSM
2.1.2.2 UMTS
2.1.2.3 WLAN
2.1.3 Mobile Endgeräte
2.1.4 Mobile Plattformen (Betriebssysteme)
2.1.4.1 Symbian OS
2.1.4.2 iPhone OS X
2.1.4.3 BlackBerry OS
2.1.4.4 Android
2.1.5 Mobile Applikationen
2.1.6 Vertrieb mobiler Anwendungen über SwSmP
2.1.6.1 Geschäftsmodell
2.1.6.2 Wertschöpfungskette
2.1.6.3 Software-Shops für mobile Plattformen (SwSmP)
2.2 Recommendersysteme
2.2.1 Einführung und Begriffsklärung
2.2.2 Grundlegende Architektur
2.2.3 Datenstruktur
2.2.4 Grundarten
2.2.4.1 Inhaltsbasierter Ansatz (content-based)
2.2.4.2 Empfehlungsbasierter Ansatz (Collaborative Filtering)
2.2.4.3 Wissensbasierter Ansatz
2.2.4.4 Nutzenbasierter Ansatz
2.2.4.5 Demographischer Ansatz
2.2.4.6 Hybrider Ansatz
2.3 Kontext
2.3.1 Begriffsbestimmung und Definitionen
2.3.1.1 Kontext
2.3.1.2 Kontextsensitive Dienste und Anwendungen
2.3.2 Kontextarten und ihre Darstellung
2.3.3 Kontexterfassung und -quellen
3 Prototypische Integration eines CaRS in einen SwSmP
3.1 Rahmenbedingungen der Kontext-Integration
3.1.1 Multidimensionales Recommendation-Modell
3.1.2 Multidimensional-reduzierender Ansatz
3.1.3 Gestaltungsrahmen („design space“) für CaRS
3.2 Anwendungsentwicklung unter Android
3.2.1 Statistiken und Schlagzeilen rund um Android
3.2.2 Android-Systemarchitektur
3.2.3 Struktur und Komponenten einer Applikation
3.3 Technische Rahmenbedingungen
3.4 Implementierung des Prototypen
3.4.1 Datenmodell
3.4.2 Programmstruktur/ -komponenten
3.4.3 Programmablauf
4 Untersuchung des Einflusses der Kontext-Aggregation auf die Empfehlungen
4.1 Beschreibung und Analyse der verwendeten Testdaten
4.2 Aufbau und Durchführung der Versuchsreihen
4.3 Auswertung der Ergebnisse
5 Zusammenfassung und Ausblick
5.1 Schlussbemerkungen zur Konzeption
5.2 Schlussbemerkungen zur technischen Realisierung
5.3 Ausblick
Zielsetzung & Themen
Die Masterarbeit untersucht, wie ein kontext-sensitives Recommendersystem (CaRS) in Software-Shops für mobile Plattformen (SwSmP) integriert werden kann, um Nutzern personalisierte App-Empfehlungen auf Basis von Kontextfaktoren wie Ort und Zeit bereitzustellen.
- Analyse existierender Recommender-Algorithmen und deren Anwendung auf mobile Endgeräte.
- Entwicklung eines multidimensionalen Konzepts zur Kontext-Integration in Bewertungssysteme.
- Prototypische Implementierung einer Android-App zur Demonstration kontext-sensitiver Empfehlungsberechnungen.
- Untersuchung des Einflusses von Ähnlichkeits-Schwellenwerten auf die Qualität der Empfehlungen durch praktische Testreihen.
Auszug aus dem Buch
3.4.1 Datenmodell
Der App liegt folgendes konkretes Datenmodell einer SQLite Datenbank zugrunde (vgl. Schicht Bibliotheken in Abbildung 29). Diese RCS-Hintergrunddaten (Kapitel 2.2.3) werden visualisiert durch ein ER-Diagramm in der IDEF1X-Notation (Abbildung 31). Wie man hier sieht, erhöht sich durch die Integration der zusätzlichen Kontext-Dimension (Kapitel 3.1.1) das Datenvolumen (= zusätzliche Tabelle kontextsituationen bzw. die um einige Spalten erweiterte Tabelle bewertungsmatrix). Auf die angedachte Datenstruktur (Tabellen) wird im Programmablauf (Kapitel 3.4.3) näher eingegangen.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die rasanten Entwicklungen des Mobile Business und die daraus resultierende Herausforderung ein, aus der großen Menge verfügbarer Applikationen passende Empfehlungen zu generieren.
2 Grundlagen: Das Kapitel bietet einen theoretischen Rahmen über Mobile Business, die Architektur von Recommendersystemen und die Einbeziehung von Kontextinformationen in diese Systeme.
3 Prototypische Integration eines CaRS in einen SwSmP: Dieser Abschnitt beschreibt die Modellierung und technische Umsetzung eines kontext-sensitiven Empfehlungssystems für die Android-Plattform, einschließlich der Systemarchitektur und des Programmablaufs.
4 Untersuchung des Einflusses der Kontext-Aggregation auf die Empfehlungen: Hier werden Versuchsreihen durchgeführt, um zu analysieren, wie die Wahl unterschiedlicher Ähnlichkeits-Schwellenwerte bei der Kontext-Aggregation die resultierenden App-Empfehlungen beeinflusst.
5 Zusammenfassung und Ausblick: Das Fazit fasst die konzeptionellen und technischen Erkenntnisse zusammen und bewertet die Zukunftsaussichten für kontextadaptive Systeme in mobilen App-Shops.
Schlüsselwörter
Mobile Business, Recommendersysteme, Kontext-sensitiv, Android, Applikationen, SwSmP, Multidimensionale Datenmodelle, Collaborative Filtering, Kontext-Aggregation, Personalisierung, Data Mining, Software-Architektur, Ähnlichkeitsberechnung, Prototyping, Benutzerprofil.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Masterarbeit befasst sich mit der Entwicklung und prototypischen Umsetzung eines Empfehlungssystems für mobile Applikationen, das den aktuellen Kontext des Nutzers berücksichtigt.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen das Mobile Business, gängige Recommender-Algorithmen (wie Collaborative Filtering) sowie die Integration und Verarbeitung von Kontextinformationen (wie Ort und Zeit) in mobilen App-Shops.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es zu untersuchen, wie man ein kontext-sensitives Empfehlungssystem konzipieren kann, das personalisierte App-Vorschläge liefert, die über einfache Produktbewertungen hinausgehen.
Welche wissenschaftliche Methode wird verwendet?
Es wird ein multidimensionales Datenmodell verwendet und durch praktische Versuchsreihen analysiert, wie sich verschiedene Ähnlichkeits-Schwellenwerte auf die Qualität und Relevanz der generierten Empfehlungen auswirken.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, das technische Design für Android-basierte Applikationen, die Implementierung eines Prototypen sowie die empirische Untersuchung durch verschiedene Testreihen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen zählen Mobile Business, Recommendersysteme, Kontext-Sensitivität, Android, Collaborative Filtering und Personalisierung.
Wie unterscheidet sich der hier verfolgte "reduction-based approach" von anderen Methoden?
Der Ansatz reduziert ein multidimensionales Modell durch eine Slice-Operation auf eine zweidimensionale Matrix, was die Nutzung klassischer Algorithmen ermöglicht, aber auch die Datenbasis für die Empfehlungsberechnung verkleinert.
Warum ist das Testen des Prototyps auf einem Smartphone schwierig?
Die Durchführung von Massentests direkt auf einem mobilen Endgerät stößt aufgrund der begrenzten Kapazitäten für Datenhaltung und Rechenleistung schnell an physikalische Grenzen.
- Quote paper
- Daniel Bialas (Author), 2011, Recommendersysteme in Software Shops für mobile Plattformen (SwSmP), Munich, GRIN Verlag, https://www.hausarbeiten.de/document/170604
