Logo Philipp Vogel - Freiberuflicher Softwareentwickler
HSD-Mastodon – Mastodon mit KI-Recommender System
HSD-Mastodon ist eine erweiterte Mastodon-Version für die Hochschule Düsseldorf. Kernstück ist ein KI-basiertes Empfehlungssystem auf Basis von NLP, das personalisierte Inhalte bereitstellt. Ergänzt wird es durch hochschulspezifische Bots für Serviceinformationen und eine modulare Microservice-Architektur.
Github
PythonFlaskNLPMachine LearningMicroservicesPostgreSQLREST APIDockerSCRUMEvent-driven Architecture
Image of HSD-Mastodon – Mastodon mit KI-Recommender System

HSD-Mastodon – Erweiterter Mastodon-Fork mit KI-Recommender System

HSD-Mastodon ist eine speziell für die Hochschule Düsseldorf entwickelte Weiterentwicklung der Mastodon-Plattform.
Ziel ist die personalisierte Bereitstellung von Inhalten für Studierende, Mitarbeitende und Lehrende.
Das zentrale Feature ist ein KI-basiertes Empfehlungssystem, das mithilfe von Natural Language Processing (NLP) Nutzerinteressen erkennt und dynamische Empfehlungen generiert.

Features

  • KI-gestütztes Empfehlungssystem
    NLP-basierte Analyse von Nutzerverhalten und Textinhalten für personalisierte Empfehlungen.

  • Dynamisches Ranking-System
    Gewichtete Scoring-Mechanismen priorisieren Inhalte nach Relevanz und Aktualität.

  • Hochschulinterne Bots
    Automatische Bereitstellung von Serviceinformationen, Terminen und Campus-News.

  • Interessenmodellierung
    Automatische Generierung von Nutzerinteressen auf Basis von Interaktionen und Textbeiträgen.

  • Content-Analyse & -Kategorisierung
    Klassifikation und Strukturierung von Beiträgen für gezieltere Empfehlungsergebnisse.

Technischer Aufbau (Tech Stack)

  • Frontend:
    Aufbauend auf der bestehenden Mastodon-Oberfläche mit React-Komponenten und serverseitigem Rendering (Rails Views).

  • Backend:

    • Hauptframework: Ruby on Rails
    • Datenbank: PostgreSQL
    • Architektur: Microservice-basiert
    • Kommunikation: RESTful API
    • Erweiterungen: Python-basierte Recommender API

  • Recommender System (Kernkomponente):

    • Sprache: Python
    • Funktionen:
      • NLP-basierte Interessenanalyse
      • Ranking-System mit gewichteter Bewertung
      • Nutzerähnlichkeitsanalyse
    • Strukturierte Datenkommunikation über DTOs
    • API-first Design für modulare Integration

  • DevOps & Infrastruktur:

    • Containerisierung über Docker
    • Skalierbare Microservices

Implementierung & Architektur

Architekturansatz

HSD-Mastodon folgt einem event-driven Microservice-Design.
Das Python-basierte Recommender-System ist als eigenständiger Dienst implementiert, der über REST-Endpunkte mit der Hauptanwendung kommuniziert.
Das System aktualisiert Interessenmodelle und Rankings in Echtzeit auf Basis von Nutzerinteraktionen.

Recommender System Komponenten

  • Interest Modelling

    • NLP-Modelle extrahieren Themeninteressen aus Textbeiträgen.
    • Dynamische Aktualisierung der Nutzerprofile.
    • Verwendung vortrainierter Sprachmodelle und Text-Pipelines.

  • Ranking System

    • Multi-Faktor-Ranking mit gewichteter Bewertung.
    • Relevanzfilter und Sortierung nach Aktualität.
    • Flexible Score-Kalkulation je nach Content-Typ.

Deployment & Betrieb

  • Containerisierte Architektur:
    Das Recommender-System läuft als eigenständiger Docker-Service und kann unabhängig vom Mastodon-Core skaliert werden.

  • API-first Integration:
    Klare Schnittstellen ermöglichen einfache Erweiterungen und Wartung.

"How-it-works"

  1. Nutzerinteraktion: Nutzer interagieren mit Beiträgen (Likes, Shares, Kommentare) auf der Mastodon-Plattform.
  2. Datenübertragung: Interaktionsdaten werden an das Recommender-System übermittelt.
  3. Interessenanalyse: Das System analysiert Textinhalte und Nutzerverhalten mittels NLP, um Interessenprofile zu erstellen.
  4. Ranking & Empfehlung: Basierend auf den Interessen werden Inhalte dynamisch bewertet und priorisiert.
  5. Content-Ausspielung: Personalisierte Empfehlungen werden in der Mastodon-Oberfläche als neue "Timeline" angezeigt.

Herausforderungen und Lösungsansätze

  • Datenintegration: Entwicklung eines robusten API-Designs zur nahtlosen Kommunikation zwischen Mastodon und dem Recommender-System.
  • Modellgenauigkeit: Einsatz von NLP-Techniken und kontinuierliches Modelltraining zur Verbesserung der Empfehlungsqualität.

Projektkontext

  • Entwicklungszeitraum: 2023
  • Rolle: Hauptentwickler des Recommender Systems & Integrationsarchitekt
  • Verantwortlichkeiten:
    • Entwicklung der gesamten KI-basierten Empfehlungskomponente
    • Integration in den Mastodon-Core
    • Performance-Optimierung und Skalierung
    • Modelltraining und Evaluierung
  • Arbeitsweise: Agile Entwicklung mit SCRUM
  • Einsatzbereich: Hochschule Düsseldorf – internes soziales Netzwerk
  • Hosting & Betrieb: durch die Hochschule Düsseldorf