Recommender Systems are information filtering systems that aim to predict a user’s preference for an item. A central challenge when building a Recommender System is the user cold-start, the integration of new users into the recommendation process. It can currently not be ultimately solved, but only mitigated based on additional information about the user. This work proposes to utilize technical usage data, telemetry data, for user preference modeling. In the industry use-case of an in-game item recommendation system for a mobile game, telemetric features have been engineered, to capture player’s behavior during the first hours inside the game. The prediction of the first purchase was then modeled as a multi-class classification problem. Across a range of different classification model families, the models trained on telemetric features of the present dataset all significantly outperform the same models trained on demographic features, which in turn outperform naive baselines. The result has implications for industry use-cases where Recommender Systems are being employed, and telemetric features can be aggregated, like mobile applications. It also has implications on future research of cold-start mitigation, as telemetric information could be used to generate recommendations in different problem architectures than classification. / Rekommendationssystem är informationsfiltreringssystem som försöker att förutsäga en användares preferens för en artikel. En viktig utmaning när man bygger ett rekommendationssystem är kallstarten, integrationen av nya användare i rekommendationsprocessen. Kallstarten kan fortfarande inte lösas fullständigt. Problemet blir nuförtiden mildrad genom att använda sig av externa datakällor om användaren. Detta arbete föreslår att man använder telemetrisk användningsdata för modellering av användarpreferens. Arbetet fokuserar på industriella användningsfallet av ett rekommendations system för artiklar inom ett mobilspel. Telemetriska egenskaper har konstruerats för att infånga spelarens beteende under de första timmarna i spelet. Rekommendationen för det relevantaste första köpet modellerades sedan som ett klassificeringsproblem med flera klasser. Över en rad olika klassificeringsmodellfamiljer överträffade modellerna tränade på telemetriska egenskaper signifikant samma modeller som tränats på demografiska egenskaper vilket i sin tur överträffar naiva basmetoder. Resultatet har konsekvenser för industriella applikationer där rekommendationssystem används och i vilka telemetriska egenskaper kan aggregeras, t.ex. mobilappar. Det har också konsekvenser för framtida forskning om kallstartreducering, eftersom telemetrisk information kan användas för att generera rekommendationer i andra problemklasser än klassificering.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-305722 |
| Date | January 2021 |
| Creators | Mueller, Sebastian |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:769 |
Page generated in 0.0019 seconds