Konzeption und Umsetzung eines ML-basierten Recommender-Systems für Freizeitaktivitäten

Einleitung: Diese Arbeit beschäftigt sich mit der Entwicklung eines personalisierten Empfehlungssystems für Freizeitaktivitäten, das psychologische Merkmale der Nutzer (Big-FiveModell) mit standortbasierten OSM-Daten kombiniert. Anders als herkömmliche Verfahren, die umfangreiche Nutzerinteraktionsdaten erfordern, stützt sich unser Ansatz auf wissenschaftlich validierte Persönlichkeitsprofile und ein kontinuierliches Like-/Dislike-Feedback zur Feinjustierung der Empfehlungen.
Vorgehen: Zunächst wird ein orthogonal gestalteter Fragebogen eingesetzt, um die anfänglichen Nutzermerkmale zu erheben und daraus einen Nutzervektor abzuleiten. Das Empfehlungssystem nutzt einen zweistufigen Algorithmus: Phase 1 (Klassenbasiert) für Kaltstart und wenige Tag-Learnings, Phase 2 (OSM-Tagbasiert) für eine feingranulare Anpassung, sobald genügend Tag-Vektoren vorliegen. Hierbei misst ein Matching-Algorithmus die euklidische Distanz zwischen Nutzer- und Aktivitätsvektoren. Die technische Umsetzung umfasst ein Flask-Backend (Datenverarbeitung und Kommunikation mit der Overpass API) und ein React Frontend (UI für Suche, Feedback, Visualisierung). Eingebundene Echtzeit-POI-Daten aus OSM werden dynamisch klassifiziert und in unsere Empfehlungslogik integriert.
Ergebnis: Die Evaluierung verdeutlicht, dass das System bereits mit begrenztem Feedback relevante und stimmige Empfehlungen erzeugt. Der zweistufige Ansatz ermöglicht robuste Ergebnisse bei Kaltstarts (Phase 1), während er bei weiterem Feedback (Phase 2) immer individuellere Vorschläge liefert. Die kontinuierliche Anpassung der Nutzerprofile über Like-/Dislike-Eingaben steigert die Personalisierung schrittweise. Erste Tests bestätigen die Lernfähigkeit und Stabilität des Systems. Zukünftige Weiterentwicklungen könnten kontextbasierte Faktoren (Wetter, Events) oder ein federiertes Lernverfahren integrieren, um Privatsphäre zu erhöhen und das Empfehlungsspektrum weiter zu verfeinern.