Uppsatsen avser att belysa vad som gör rekommenderat innehåll bra i e-handel ur kunders och företags perspektiv, samt skillnader mellan dessa. Detta undersöktes genom kvalitativa semistrukturerade intervjuer med individer som shoppar regelbundet online och företagare som arbetar med en webbutik av något slag. Resultaten visade på att kunder och företagare generellt håller med om många påståenden från forskning kring rekommendationssystem men kunder fann många frustrationer i dagens system kring upprepande eller förföljande rekommendationer, något företagarna också nämnde kan vara problematiskt. Transparent datainsamling var viktigt för båda parter men kunder såg brister i hur användarvillkor kommuniceras och det leder till att kunder accepterar dessa utan att förstå vad dem godkänt. Företagarna poängtera hur viktigt trygghet är för att kunden ska känna tillit till dem. Slutsatser som kunde dras var bland annat att bra rekommendationssystem i e-handeln enligt kunder bör lära sig med tiden och förstå när dessa bör sluta rekommendera något. Detta för att upprepande rekommendationer som inte försvinner även efter kunden gett negativ feedback är frustrerande för dem. Företag bör också vara transparent med datainsamlingen som sker för att rekommendationssystem skall fungera. Detta kunde kunder känna inte kommunicerades på ett effektivt sätt idag och att det finns förbättringsmöjligheter på den fronten. Företagarna tyckte också transparens var viktigt då de vill att kunden ska känna sig trygg med dem. Det var också viktigt att systemet hade gränser så att situationer där kunder blir förföljda av en viss typ av rekommendationer inte sker. Största skillnaden mellan de olika perspektiven var kunders frustration vid oklara användarvillkor och upprepande rekommendationer medan företagarna var inte frustrerade med systemen på samma sätt utan tog upp liknande saker som förbättringsområden. Företagares fokus låg på att deras system måste följa de lagar som finns och detta gick över allt annat. Rent generellt höll dock både kunder och företagare med varandra i många olika aspekter.

No description available.

I takt med att Internet blir mer och mer tillgängligt och att informationsmängden på Internetkonstant ökar, har ett behov för rekommendationssystem uppkommit. Ett problem på internet äratt veta vem och vad man kan lita på. Ett sätt att komma runt det här tillitsproblemet är attanvända sig av social media. Samtidigt har sociala medier ständigt ökat i populäritet de senasteåren. Syftet med den här uppsatsen är att undersöka hur rekommendationssystem och socialamedier kan dra nytta av varandra samtidigt som ett praktiskt problem om att fårekommendationer från sina (online) vänner löses. Detta uppnås genom att forskningsstrategindesign science används och en IT-artefakt utvecklas. IT-artefakten är en prototyp av en ny etjänst.Utifrån en enkätundersökning på prototypen och grundidén, dras slutsaser om hur detgår att skapa ett generellt personligt rekommendationssystem. Forskningen visar att det går attskapa ett sådant system och att det finns ett behov av ett generellt personligtrekommendationssystem med utgångspunkt i den information som finns lagrad i sociala medier. / As the Internet becomes more and more available, and that the amount of information on theInternet is constantly increasing, a need for recommendation systems has emerged. A problemon the Internet is knowing who and what you can trust. One way to get around this trust issue isto use social media. Meanwhile, social media have consistently increased in popularity in recentyears. The purpose of this paper is to examine how recommendation systems and SNS canbenefit from each other while the practical problem of getting recommendations from one’s(online) friends are solved. This is achieved by using the research strategy design science anddeveloping an IT artifact. The IT artifact is a prototype of a new online service. Based on asurvey of the prototype and the main concept, conclusions are drawn about how a generalpersonal recommendation system can be created. The research shows that it is possible tocreate such a system and that there is a need for a general personal recommendation systembased on the information stored in social media. This essay is written in Swedish.

När musiken blir digital får den möjlighet att arkiveras och kommuniceras på nya vis genom bland annat sociala medier och musikströmningstjänster. För att hantera de stora digitala musikbiblioteken används ofta algoritmer vilka arkiverar och profilerar användare. Då algoritmers primära funktion är att behandla information och data utefter förutbestämda mönster, blir föreningen med digital musik som konstform intressant att studera. Studien syftar till att undersöka hur ungdomar mellan 16-18 år förhandlar sin relation till digital musik vilket kommuniceras med hjälp av musikströmningstjänster och algoritmer som digitala verktyg. Med hjälp av det teoretiska ramverket bestående av postdigital sensibilitet, det konstnärliga verket, ”the fast”, ”the slow” samt algoritmer som rekommendationssystem och gatekeepers, är studiens syfte att undersöka ungdomars relation till digital musik. Studien utgår ifrån fyra utförda kvalitativa fokusgruppsintervjuer med ungdomar mellan 16-18 år, vilka transkriberats och analyserats med hjälp av en tematisk analys. Studiens syfte och frågeställningar är formade efter intervjumallen och den tematiska analysen. Analysen av materialet är strukturerad efter den tematiska analysen med fem rubriker; Postdigital sensibilitet, beteende, algoritmer, digital musik samt det personliga verket. I analysen vävs intervjupersonernas intersubjektiva åsikter ihop med det teoretiska ramverket som svarsunderlag till studiens frågeställningar. Analysens resultat visar att intervjupersonernas relation till digital musik förhandlas genom musikströmningstjänster och algoritmer, vilket påtvingar en acklimatisering av deras beteende och lyssnarstrategier. Kopplingar kan därigenom fastställas mellan intervjupersonernas beteenden och teorierna om postdigital sensibilitet, det konstnärliga verket samt ”the fast”. Det gigantiska digitala musikbiblioteket gör att intervjupersonerna utvecklar nya lyssnarstrategier vilket ifrågasätter om de kan bli berörda av musiken, då kopplingen till ett konstnärligt verk blir oskarp. Det påvisas även att intervjupersonerna utvecklat ett syn på musik som en produkt vilken konsumeras utefter behov.

Recommender systems emerged in the mid '90s with the objective of helping users select items or products most suited for them. Whether it is Facebook recommending people you might know, Spotify recommending songs you might like or Youtube recommending videos you might want to watch, recommender systems can now be found in every corner of the internet. In order to handle the immense increase of data online, the development of sophisticated recommender systems is crucial for filtering out information, enhancing web services by tailoring them according to the preferences of the user. This thesis aims to improve the accuracy of recommendations produced by a classical collaborative filtering recommender system by utilizing temporal properties, more precisely the date on which an item was rated by a user. Three different time-weighted implementations are presented and evaluated: time-weighted prediction approach, time-weighted similarity approach and our proposed approach, weighting the mean rating of a user on time. The different approaches are evaluated using the well known MovieLens 100k dataset. Results show that it is possible to slightly increase the accuracy of recommendations by utilizing temporal properties.

Detaljhandeln i fysiska butiker är utsatt av konkurrens från en betydligt mer innovationsrik e-handel och har därför ett behov av att vidareutvecklas. Ett sätt för detaljhandeln att utvecklas är att utnyttja tekniker som visats fungera bra inom e-handeln. Rekommendationssystem som ger rekommendationer till sina användare har nått stora framgångar och används av i stort sett alla företag inom e-handeln. Den mest använda tekniken för att ta fram rekommendationer kallas för collaborative filtering. Inom detaljhandel används dock inte detta i någon större utsträckning. Det finns därför förhållandevis lite kunskap om vad kunder anser om rekommendationer i butik. Syftet med studien är därför att utvärdera hur ett rekommendationssystem baserat på collaborative filtering presterar i en fysisk butik. Utvärderingen sker genom att mäta träffsäkerheten på rekommendationerna kunder får i en butik samt vad kunderna anser om dessa. Studien ämnar även att ta reda på hur kunder förhåller sig till automatiska rekommendationer i butik. I studien används två forskningsmetodiker för att uppnå dess forskningsmål. Design science har tillämpats för att utvärdera hur ett rekommendationssystem baserat på collaborative filtering presterar i en fysisk butik. En prototyp baserat på collaborative filtering utvecklades för att generera rekommendationer. Prototypen användes sedan i ett användartest som genomfördes i en butiksmiljö. För att belysa hur kunder förhåller sig till automatiska rekommendationer i butik användes en enkätundersökning som utfördes i samband med studiens användartest. Studiens resultat visar att prototypen gav rekommendationer med en hög träffsäkerhet där deltagarna upplevde rekommendationerna som bra och relevanta. Resultaten visar även att deltagarna i studien var positivt inställda till att få rekommendationer i butik. Detta leder till slutsatsen att rekommendationssystem baserat på collaborative filtering kan prestera väl i butiker vilket ger en indikation om att detta kan vara ett sätt för butiker att vidareutveckla handeln. / Retail stores are challenged by competition from the more innovative retailers in e-commerce and thus needs to adapt and evolve in order to stay competitive. This could be accomplished by using technology which has been proven successful in e-commerce. Recommender systems that produces recommendations to its users has been used successfully and is used by essentially all businesses involved in e-commerce. The most common method employed in these recommender systems is called collaborative filtering. Recommender systems have however not yet found its way into retail stores to a greater extent. This has led to a gap in knowledge regarding customer’s opinions of recommendations in retail stores. The purpose of this study is therefore to evaluate how recommender system based on collaborative filtering performs when used in retail stores. The evaluation is performed by measuring the accuracy of the recommendations a customer receives in a retail store as well as what the customer thinks of the recommendation. This study also intends to explore and shed light on people’s opinions concerning automatic recommendations in retail stores. Two different research methods have been used in this study. Design science is being used in order to evaluate how a recommender system based on collaborative filtering performs when used in retail stores. A prototype based on collaborative filtering was developed in order to generate recommendations. The prototype was then used in a user-test taking place in a retail-like environment. In order to shed light on people’s opinions regarding automatic recommendations in retail stores a questionnaire was handed out to the participants in conjunction with the user-test. The results of the study show that the prototype could produce high accuracy recommendations where the participants perceived the recommendations as good and relevant. The results also show that the participants of the study have positive attitude and were in favor of receiving automatic recommendations in retail stores. This leads to the conclusion that recommendations based on collaborative filtering could indeed perform well in retail stores. This indicates that recommender systems using collaborative filtering is one possible way for retail stores to evolve their business.

Det finns många webbsidor och flera av dem erbjuder miljontals objekt. För att hjälpa användarna att hitta rätt objekt används rekommendationssystem. Det är viktigt att veta hur olika funktioner i systemen skiljer sig för att ge användarna rätt rekommendationer. Arbetet jämför två listor med kollaborativa rekommendationer, röstnings-baserade och visnings-baserade, för att ta reda på hur användare upplever att dessa skiljer sig. Det skapas en databas innehållande filmer som hjälper till att ta fram dessa rekommendationer. De användare som medverkar i undersökningen svarar på en enkät med frågor om hur de olika rekommendationerna skiljer sig. Resultatet visar att användarna inte upplever att listorna skiljer sig sett över hela undersökningen. Däremot finns det tendens till signifikanta skillnader på listorna med rekommendationer i vissa fall. För framtida arbeten är det mest intressant att byta ut den data som används för att ta fram listorna för att ta reda på hur det påverkar resultatet.

I Sverige kan man för närvarande skönja ett ökat intresse för matlagning. Detta reflekteras bland annat i ett ökat utbud av matlagningsprogram i tv och antalet sökningar efter recept på Google uppgår till nästan 2 miljoner varje månad, enbart i Sverige. Samtidigt slängs ungefär 25 % av all mat som inhandlas och många föräldrar uppger att de känner att det är svårt att experimentera mera i köket. I ett försök att uppmuntra till experimentering i köket och samtidigt minska matsvinnet har det i denna uppsats implementerats och testats en proof of concept metod för att rekommendera ingredienser som passar tillsammans. Tesen är att om användare får ett stöd med kombinationer av ingredienser som passar tillsammans kommer de så småningom att våga experimentera mera med sin matlagning. Flera algoritmer analyserades men algoritmen som implementerats bygger på en viktning av ingredienserna i PlanEatSmiles receptdatabas. När en ingrediens förekom tillsammans med en annan i ett recept ökades vikten med 1. Således fick man snabbt ut vilka ingredienser som oftast förekommer tillsammans. Trots teoretiska hinder och en väldigt simpel algoritm tyder resultatet på att rekommendationerna uppnår en hög precision, både vid testning mot användare och mot experters åsikter. Genom att dessutom testa implementationen på 10 potentiella användare har eventuella problem i designen kunnat tydliggöras och reducerats till ett minimum. Användarna ansåg tjänsten lättanvänd och 5 av 6 svarade positivt på frågan om de skulle vilja använda produkten ofta. Detta tyder på att funktionen är önskvärd och uppskattad samt redo för att testas på en bredare publik. Resultatet uppmuntrar även till vidareutveckling av funktionen, med individuella rekommendationer som ett lämpligt första steg.

Recommender System (RS) has become one of the most important component for many companies, such as YouTube and Amazon. A recommender system consists of a series of algorithms which predict and recommend products to users. This report covers the selection of many open source recommender system projects, and movie predictions are made using the selected recommender system. Based on the predictions, a comparison was made between precision and an improved precision algorithm. The selected RS uses singular value decomposition in the field of collaborative filtering. Based on the recommendation results produced by the RS, the comparison between precision and the improved precision algorithms showed that the result of improved precision is slightly higher than precision in different cutoff values and different dimensions of eigenvalues. / Rekommendationssystem har blivit en av de viktigaste beståndsdelar för många företag, såsom YouTube och Amazon. Ett rekommendationssystem består av en serie av algoritmer som förutsäger och rekommenderar produkter till användare. Denna rapport omfattar valet av många öppen källkod rekommendationssystem projekt, och filmprognoser görs med det valda rekommendationssystemet. Baserat på filmprognoser, gjordes en jämförelse mellan precision och en förbättrad precision algoritmer. Det valda rekommendationssystemet använder singulärvärdesuppdelning som kollaborativ filtrering. Baserat på rekommendationsresultat som produceras av rekommendationssystemet, jämförelsen mellan precision och den förbättrade precisions algoritmer visade att resultatet av förbättrad precision är något högre än precision i olika brytvärden och olika dimensioner av egenvärden.

Teknik och data är nyckeln till att Bonnier Business Media (BBM) ska kunna nå sina mål och leverera ytterligare tillväxt. Därför vill man ligga i framkant när det gäller att undersöka nya tekniker som kan förbättra plattformarna och göra dem mer tidsenliga. BBM har bland annat velat ta fram ett rekommendationssystem som ska användas till att göra innehållet individanpassat på webbplatserna och på ett effektivt sätt presentera detta så att de olika målgrupperna får den information de förväntar sig. Till exempel ska besökaren kunna få förslag på artiklar och evenemang som kan vara av intresse. Målet med detta examensarbete har varit att ta fram en prototyp för ett rekommendationssy- stem med tillhörande algoritmer. Prototypen skulle kunna användas som ett “koncepttest” för att undersöka möjligheten att skapa personliga rekommendationer till läsare på Veckans Affärers webbplats, va.se. Implementationen av rekommendationssystem som togs fram till BBM bestod av en objektbaserad kollaborativ filtrerings algoritm som använde besökarnas beteende, publiceringsdatum och popularitet på artiklarna och evenemangen för att skapa individuella rekommendationer. Efter genomförda tester och analyser visar resultatet att det är fullt möjligt att skapa personliga rekommendationer som har en högre precision än vad ett grundläggande rekommendationssystem, till exempel en popularitetslista, kan erbjuda. / Technology is the key for Bonnier Business Media (BBM) to reach their goals and deliver future growth. Therefore they want to be in the very forefront when it comes to exploring new technologies that can improve their platforms and make them more up to date. BBM has among other things aimed to develop a recommendation system that is supposed to make the content of their web sites personalized and in an efficient way present this so that the different target groups will get the information that they expect. For example the visitor should be able to get suggestions on articles and events that might be of interest. The aim of this thesis has been to develop a prototype of a recommendation system with associated algorithms. The prototype could be used as to examine the possibility to create personalized recommendations for the readers on BBM:s website va.se (Veckans Affärer). The implementation of the recommendation system that was developed for BBM consisted of an object-based collaborative filtering algorithm using visitor behavior, publication date and popularity of articles and events to create personalized recommendations. After com- pleting tests and analyzes the results show that it is possible to create recommendations with a higher precision than a basic recommendation system, like a popularity list, can of- fer.