Recommendation Support

Definition

Recommender-Systeme sind Programme, die den Nutzern so genannter Items empfehlen, an denen Nutzer Interesse haben könnten. Damit das System dem Nutzer neue Items empfehlen kann, müssen Informationen über Interaktionsverhalten bzw. Interessen in Nutzer-Profilen abgelegt sein.

Problembereich

In vielen Anwendungsdomänen stehen wir einer Informationsüberflutung gegenüber. Bei einer endlichen Menge von Angeboten sind wir meist nur an einer bestimmten Teilmenge entsprechend den persönlichen Neigungen interessiert. Wie finden wir aber, was uns interessieren könnte?

Lösung

Man zeigt dem Nutzer, was ihn interessieren könnte. Ist im Prinzip eine Vorauswahl aus der Gesamtmenge entsprechend einem oder mehreren Nutzerprofilen.

Das Ziel eines Recommender-Systems ist i.A. die Vorhersage (Prediction) eines Wertes (Wahrscheinlichkeitswert), mit dem Nutzer bestimmte Elemente (Items) mögen oder nicht. Je nach Anwendungsfall kann es sich bei Items um Internet-Seiten, Nachrichten, Produkte wie Bücher, CDs etc. oder Fernsehsendungen bzw. Videos handeln.

Recommender Techniken lassen sich allgemein in zwei Klassen unterscheiden:
  • Content-Based Recommendations (Inhaltsbasierte Empfehlung) bzw. Case-Based Recommendations: Empfehlungen dieser Kategorie werden aufgrund von Nutzungsverhalten und Bewertungen der Nutzer in der Vergangenheit erstellt. Was den Nutzer damals interessierte, könnte auch zukünftig wieder für ihn von Interesse sein.

  • Collaborative Filtering (Kollaborative Filterung) oder auch allgemein als Social Filtering bezeichnet: Nutzer mit ähnlichen Profilen interessieren sich mit einer gewissen Wahrscheinlichkeit auch für ähnliche Inhalte. So können einem Nutzer auch Empfehlungen anderer Nutzer mit ähnlichem Nutzerprofil hilfreich sein. Empfehlungen werden also, im Gegensatz zu der ersten Techniken, aufgrund einer Gruppe von Nutzern erstellt. Die Qualität der Empfehlungen steigt mit der wachsenden Zahl an Personen, die an einem derartigen System angeschlossen sind.

Jedes der vorgestellten Verfahren besitzt sowohl Vorteile als auch Nachteile. Systeme in denen beide Techniken zur Anwendung kommen werden Hybrid-Systemen genannt.

Konsequenz

Recommender-Systeme sind mittlerweile ziemlich gut erforscht und die entsprechenden Algorithmen kommen ziemlich gut an das tatsächliche Interesse des Nutzers heran. Diese Systeme bilden die Grundlage für Personalisierung und damit für individuell zugeschnittene Angebote.

Es sind aber nicht alle Items für Empfehlung geeignet. Ein Beispiel dafür wäre Medizin. Weil die Medizin bei vielen anderen Personen geholfen hat, muss es nicht unbedingt auch für mich die beste Medizin sein, da ich vielleicht Unempfindlichkeit, Allergie, etc. habe, was bei der Empfehlung nicht berücksichtigt wird. Bei Büchern, CDs, Videos, etc. ist dies dagegen weniger kritisch.
Topic revision: r2 - 21 Feb 2007, MoritzWeber
This site is powered by FoswikiCopyright © by the contributing authors. All material on this collaboration platform is the property of the contributing authors.
Ideas, requests, problems regarding Foswiki? Send feedback