Kopfbereich

Schnellnavigation

Hauptnavigation

Psychometric Recommendation Engine (PRE) for Multimedia Service Platforms

Engine für Medieninhalte

Ausgangslage

Medieninhalte, egal welcher Art, werden immer öfter direkt über das Internet bezogen. Als Download oder als Stream gelangen Filme, Lieder, TV-Sendungen und anderes auf verschiedene Endgeräte. Viele Anbieter von Medieninhalten geben dem Nutzer die Möglichkeit, auf seine Interessen zugeschnittene (Kauf-)Empfehlungen zu erhalten. Beispiele für solche Anbieter sind Amazon (Filme, TV Serien, Musik, Bücher), Netflix (Filme, TV-Sendungen), Lastfm oder Spotify (beide Musik), welche solche Recommender Systeme einsetzen.

Um passende Empfehlungen genieren zu können, werden Informationen über den Nutzer aus verschiedenen Quellen aggregiert. So zum Beispiel demografische Angaben, spezifische Genre-Präferenzen oder Medientitel, die bereits über die Plattform konsumiert wurden. Häufig werden die Nutzer zudem aufgefordert, auch ihre Social-Media-Profile (wie Facebook, Twitter etc.) mit der Anbieter-Plattform zu verknüpfen. Je mehr Informationen über den jeweiligen Nutzer zusammenkommen, desto präzisere Empfehlungen können abgegeben werden.

Projektziel

In einem von der Kommission für Technologie und Innovation (KTI) mitfinanzierten Projekt entwickelt das medienpsychologische Team der ZHAW gemeinsam mit der Scuola universitaria professionale della Svizzera italiana (SUPSI) und der Fernfachhochschule Schweiz (FFHS) im Auftrag des Tessiner Unternehmens dixero eine Recommendation Engine, die für unterschiedliche Medieninhalte eingesetzt werden kann (z.B. Film, Musik, Bücher etc.). Das Besondere an dieser Engine ist, dass neben den gängigen Indikatoren wie Demografie, Interessen oder Konsumpräferenzen zusätzlich psychometrische Grössen berücksichtigt werden, um die Qualität der Vorschläge zu verbessern. Die Aufgabe des medienpsychologischen Teams der ZHAW war es zu ermitteln, welche psychologischen Faktoren mit der Wahl von Medieninhalten zusammenhängen und wie sich diese in den Empfehlungsdienst integrieren lassen.