Kunkel, JohannesLoepp, BenediktZiegler, JürgenDachselt, RaimundWeber, Gerhard2018-08-182018-08-182018https://dl.gi.de/handle/20.500.12116/16729Empfehlungssysteme, die auf latenten Faktormodellen basieren, sind dafür bekannt sehr genaue Vorschläge zu generieren. Häufig werden diese Systeme jedoch von Nutzern als intransparent wahrgenommen. Semantische Beschreibungen der latenten Faktoren könnten helfen, dieses Problem zu lindern. Solche Beschreibungen automatisch zu ermitteln gestaltet sich allerdings aufgrund der statistischen Herleitung der Faktoren aus numerischen Bewertungsdaten als schwierig. In diesem Beitrag stellen wir ein Output-Agreement-Spiel vor, das Spieler dazu motiviert, anhand repräsentativer Produkte Beschreibungen zu den Faktoren zu erstellen. Eine durchgeführte Nutzerstudie zeigt, dass das Spiel viel Spaß bereitet und die erhobenen Beschreibungen realweltliche Eigenschaften der Faktoren widerspiegeln.deRecommender SystemsMatrix FactorizationLatent Factor ModelsHuman ComputationGames with a PurposeText/Conference Paper10.18420/muc2018-mci-0108