FN ISI Export Format VR 1.0 PT J TI Qualitätsanalyse von inhaltsbasierten Empfehlungssystemen für Journals AF Hemila, Mahmoud AU Hemila, M AB Diese Arbeit analysiert, wie geeignet Empfehlungssysteme für die Auswahl von passenden Journals für die Publikation wissenschaftlicher Artikel sind. Weiterhin gibt sie Einblick auf Basis welcher Feature-Engineerings und Klassifikationssysteme Empfehlungssysteme qualitativ die besten Empfehlungen treffen können. Hierzu wurde basierend auf dem Verfahren «Klassifikation» eine Analyse von 12 verschiedenen Kombinationen aus drei Feature-Engineerings – term frequency - inverse document frequency (tf-idf), word2vec, Embedding from Language Model (ELMo) – und aus vier Klassifikationssystemen – Logistic Regression (LR), Multi-Layer Perceptron Classifier (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) – durchgeführt. Diese Kombinationen wurden mit drei verschiedenen Datensätzen aus den Fachgebieten Physik, Chemie und Biologie getestet. ER