Die Suche und Buchung von Hotels über das Internet wird heute üblicherweise über spezielle Portale abgewickelt. Die reine Filterung anhand von Suchkriterien führt häufig zur Ausgabe einer noch immer unüberschaubaren Anzahl von Hotels. Für die langfristige Bindung von Kunden an ein Portal ist es jedoch entscheidend, so schnell wie möglich Hotels anbieten zu können, die für die jeweilige Person (oder Personengruppe) tatsächlich geeignet sind. Mittels Methoden des Data Minings und maschinellen Lernens sollen Benutzerpräferenzen gelernt werden, die personalisierte und damit geeignetere Empfehlungen von Hotels ermöglichen. Hierzu werden vom weltweit führenden Portalbetreiber "Hotel Reservation Service" (HRS) Daten über Hotels, Portalbesucher, Kunden, Buchungen und Hotelbewertungen zur Verfügung gestellt.

Der Schwerpunkt der Arbeit liegt auf dem Lernen einer geeigneten Ranking-Funktion mittels der Ranking-SVM von Thorsten Joachims [1]. Die Ranking-SVM soll im Rahmen der Arbeit zunächst in Java implementiert und in das existierende Data Mining Tool RapidMiner integriert werden. Im Kontext der gegebenen Aufgabenstellung erhält die Ranking-SVM zum Training eine Menge von Anfragen und die dazugehörigen (erwünschten) Rankings von Hotels. Es ist zu überlegen, wie Anfragen geeignet repräsentiert werden können. Desweiteren sollen die Anfragen um die Merkmale von Benutzern ergänzt werden, soweit diese bekannt sind. Aus dem Klickverhalten der Benutzer sind partielle Rankings für das Training der SVM abzuleiten. Für das Lernen linearer Ranking-Funktionen muss desweiteren eine Abbildung auf Merkmale entwickelt werden, welche die Übereinstimmung von Anfragen und Hotels gut beschreiben. Nach Anwendung der Ranking-SVM ist die Güte der gelernten Ranking-Funktion zu evaluieren. Sie soll mit der Güte einer Baseline verglichen werden, welche die Klicks von Benutzern nicht berücksichtigt. Eine offene Frage ist, wie die nach dem Aufenthalt in einem Hotel über Fragebögen erfassten Bewertungen in das Lernen der Ranking-Funktion mit einfließen können und ob sie die Empfehlungen verbessern können.

[1] Joachims, Thosten (2002): Optimizing Search Engines using Clickthrough Data. Proc. of the 8th ACM SIGKDD int. conf. on Knowledge discovery and data mining, S. 133-142. ACM, New York, NY, USA.