Argumentative Aussagen in nutzergenerierten Texten wie beispielsweise Online-Produktbewertungen können die Entscheidungsfindung von Nutzern erheblich erleichtern. Empfehlungssysteme zielen darauf ab, das Entscheidungsproblem von Nutzern dadurch zu erleichtern, dass sie Artikel vorschlagen, an denen der Benutzer wahrscheinlich interessiert ist. Sie nutzen aber bislang nicht das Potenzial begründeter Argumente für oder gegen einen bestimmten Artikel oder seine Eigenschaften. Ziel des Projekts ASSURE ist es, Argumente aus Online-Kundenrezensionen zu nutzen, um die Qualität und Transparenz von systemgenerierten Empfehlungen erheblich zu verbessern und Nutzern eine wesentlich stärkere interaktive Steuerung des Empfehlungsprozesses zu ermöglichen als dies derzeit der Fall ist.

Das Projekt zielt darauf ab, den Stand der Technik in mehrfacher Hinsicht voranzutreiben: Erstens werden neuartige Methoden entwickelt, um Argumente aus den typischerweise informellen Texten in Benutzerrezensionen zu extrahieren. Weiterhin sollen Argumente mit Annotationen angereichert werden, die angeben, wie spezifisch und wie emotional intensiv sie sind.

Zweitens werden die extrahierten Argumente und zusätzlichen Annotationen mit skalierten Bewertungen und anderen artikelbezogenen Daten in einem integrierten Benutzer- und Artikelmodell kombiniert, um die Effektivität von Empfehlungsalgorithmen zu verbessern. Dieses Modell soll eine Grundlage für die Entwicklung neuer Techniken bieten, mit denen Benutzer Argumente und andere Daten interaktiv erkunden, filtern oder gewichten können, um die Empfehlungsgenerierung zu steuern. Drittens sollen Methoden entwickelt werden, um den Nutzern personalisierte, argumentbasierte Erklärungen für die empfohlenen Elemente zu geben. Ein weiteres wichtiges Ergebnis des Projekts wird ein Datensatz von neuer Qualität und Größe sein, der auf verschiedenen Ebene bezüglich argumentativer Aussagen annotiert ist. Die Verfügbarkeit eines solchen Datensatzes ist eine Voraussetzung für die weitere Erforschung von Argumenten in Empfehlungskontexten und soll sich für die Verwendung in Shared Tasks eignen, die Teil des Schwerpunktprogramms sind.