Integration heterogener Methoden der Empfehlungssysteme zur Visualisierungsadaption

Die stetig wachsende Menge der Daten in digitalen Archiven und insbesondere im Web stellt eine große Herausforderung für Informations- und Kommunikationstechnologien. Dabei spielt insbesondere der menschliche Zugang zu den Informationen eine wesentliche Rolle. Verschiedene Ansätze setzen sich mit dem menschlichen Zugang zu den Daten auseinander. So werden etwa Daten für das semantische Web semi-automatisiert formalisiert und mit "Bedeutung" angereichert. Informationsvisualisierung und Visual Analytics beschäftigt sich mit der visuellen Aufbereitung, um den Zugang zu den Daten zu ermöglichen, zu erleichtern und Lösungswege für verschiedenartige Aufgaben mit großen Daten zu ermöglichen. Empfehlungssysteme bieten Technologien und Ansätze an, um Daten mit einer Metrik zu versehen und ein entsprechendes Ranking für die Datenentitäten zu vergeben. Bei all diesen Verfahren und Ansätzen steht der Mensch im Vordergrund. Insbesondere Empfehlungssysteme analysieren fortlaufend den Menschen und seinen Umgang mit Daten und Systemen. Die Darstellung dieser Empfehlungssysteme ist jedoch oft auf gewichtete Listen beschränkt. Die Vorteile der explorativen Ansätze der Informationsvisualisierung finden kaum Anwendung. Wobei die Ansätze der Informationsvisualisierung, insbesondere zur Lösung von komplexen kognitiven Aufgaben, oft Expertenwissen voraussetzt. Das sehr junge Gebiet der adaptiven Visualisierungen beschäftigt sich daher mit der Frage, wie die Informationsvisualisierung auf die Bedürfnisse der jeweiligen Benutzer eingehen kann. Dabei werden Ansätze, die auch in Empfehlungssysteme eingesetzt werden, in die Informationsvisualisierung übertragen. Dies erfolgt oft mit dem Hintergrund die Menge auf Datenebene zu reduzieren. Jene Ansätze, die das Benutzungsverhalten im Vergleich zu anderen Benutzern messen und auswerten, werden in existierenden Systemen nicht eingesetzt. Die vorliegende Diplomarbeit stellt ein Verfahren vor, das die Methoden der kollaborativen Empfehlungssysteme auf adaptive Visualisierungen überträgt. Dabei werden lediglich implizite Benutzungsinformationen verwendet, um eine Rollen- und Gruppenzuweisung vorzunehmen und in einem Benutzermodell zu überführen und Visualisierungen in verschiedenen Abstraktionsstufen and individuelle Benutzer und Benutzergruppen zu adaptieren. The increasing amount of data in digital archives and in particular in Web poses a great challenge for information and communication technologies. In this context the human access to information plays an essential role. Different contradictory approaches deal with the human-data access. The semantic Web formalizes data semi-automatically and enriches it with "meaning". Information visualization and visual analytics deals with the visual processing to allow and ease the access to the data and to present an approach for the various tasks with big data. Recommender systems provide technologies and approaches to add metrics to the data and assign rankings to the corresponding data entities. All these methods and approaches focus on the human and his abilities. Especially recommender systems are continuously analyzing human and the handling of data and systems. Recommendations of these systems are frequently depicted as weighted lists, the advantages of the exploratory approaches of information visualization are rarely applied. These approaches of information visualization often require expert knowledge, especially in solving complex cognitive tasks. The still young area of adaptive visualization is concerned with the question of how information visualization could cater to the needs and requirements of the respective users. Here approaches that are present in recommender systems are transferred to the field of information visualization. These approaches are often used to reduce the amount of data. Approaches that measure and evaluate users' behavior and compare it to that of other users are in existing visualization system not established. The following diploma thesis presents an approach that integrates methods of collaborative recommender systems for user-driven adaptive visualizations. Here the assignment of users to roles and groups in the presented user model is only based on their implicit interaction information. These information are then used in different degrees of abstraction in the adaptation of the visualization for the individual users and user groups