Extending recommendation algorithms bymodeling user context

Recommender systems have been widely adopted by onlinee-commerce websites like Amazon and music streaming services like Spotify. However, most research efforts have not sufficiently considered the context in which recommendations are made, especially when the input is implicit.In this work, we investigate the value of including contextual information like day-of-week in collaborative filtering recommender systems. For the investigation, we first implemented two algorithms, namely contextual prefiltering and contextual post-filtering. Then, we evaluated these algorithms with user data collected from Spotify.Experiment results show that the pre-filtering algorithm shows some promise against an item similarity baseline, indicating that further investigation could be rewarding. The post-filtering algorithm underperforms a popularity-derived baseline, due to information loss in the recommendation process.Förbättrade rekommenadtionsalgoritmergenom att använda användarens kontext. Rekommendationssystem har spridda användsningområden så som e-handels företag som Amazon och internetbaserade musiktjänster som Spotify. Mesta forskningen inom rekommendationssystem har inte tagit användares context i beaktning och speciellt inte då datan är av implicit typ. I det här projektet har vi undersökt vikten av att inkludera information om användares context, så som veckodag, itraditionella rekommendationssystem baserat på collaborative filtering. Vi har implementerat två algoritmer, contextualpre-filtering och contextual post-filtering och utvärderatdem på användardata från Spotify. Experimenten visar att post-filtering algoritmen presterarsämre än en standard popularitetsbaserad algoritm på grund utav informationsförlust i rekommendationssteget. Algoritmen baserad på pre-filtering visar lovande resultatjämfört med en standard item similarity algoritm vilket lovordar vidare undersökningar