Technologien von Empfehlungssystemen

Haben Sie sich beim Anschauen eines Films oder beim Kauf eines Produkts auf Online-Plattformen schon einmal gefragt, was sich hinter den Vorschlägen verbirgt, die Ihnen automatisch angeboten werden? Dieser Mechanismus basiert auf Empfehlungssystemen. Die Empfehlungssysteme ermöglichen es, den Verbrauchern Produkte anzubieten, die von Interesse sein könnten, um Einkaufsprozesse zu verbessern und Up- und Cross-Selling zu ermöglichen. Ein Empfehlungsmechanismus ist ein Tool, das eine Reihe von Algorithmen, Datenanalysen und sogar künstliche Intelligenz (KI) verwendet, um online Empfehlungen abzugeben. 

Empfehlungssysteme sind eine Art von Inhaltsfilterungssystemen. Sie können als Algorithmen beschrieben werden, die dem Benutzer einer Website oder einer Anwendung die Artikel vorschlagen, die für ihn von Interesse sein könnten. Diese Art von Algorithmen wird in verschiedenen Bereichen verwendet. Die offensichtlichsten Beispiele sind E-Commerce-Dienste (z. B. Amazon), Streaming-Dienste für Filme, Videos oder Musik (z.B. Netflix, YouTube, Spotify), soziale Plattformen (z. B. Instagram), Lieferdienste (z.B. Uber Eats) und so weiter. Also überall, wo es die Möglichkeit besteht, einem Benutzer einen Inhalt vorzuschlagen, kann ein Empfehlungssystem verwendet werden, um diesen Content benutzerspezifisch zu machen. Laut einer Umfrage von BrightLocal vertrauen 88 % der Nutzer Online-Bewertungen genauso wie persönlichen Empfehlungen.

Wie funktionieren Empfehlungssysteme? 

Ein klassisches Empfehlungssystem verarbeitet Daten in diese vier Phasen: Sammeln, Speichern, Analysieren und Filtern.

• Sammeln 

Die Datenerfassung ist der erste Schritt beim Erstellen eines Empfehlungssystems. In Wirklichkeit werden die Daten in explizit und implizit klassifiziert. Die von Benutzern bereitgestellten Informationen, wie Bewertungen und Kommentare, sind eindeutig. Andererseits bestehen implizite Daten aus Suchverlauf, Bestell- und Rückgabeverlauf, Klicks, Seitenaufrufen und Warenkorbaktionen. Diese Informationen werden für jeden Benutzer gesammelt, der die Webseite besucht. Das Sammeln von Verhaltensdaten ist schwierig, da die Aktivitäten auf der Website gespeichert werden müssen, und diese Informationen sind unterschiedlich. 

• Speichern  

Man muss entscheiden, welche Art der Speicherung erforderlich ist. Man kann zum Beispiel eine NoSQL-Datenbank oder den SQL-Standard verwenden. Eine erweiterbare und überschaubare Datenbank reduziert die Anzahl der erforderlichen Aufgaben auf ein Minimum und konzentriert sich auf die Empfehlung selbst. 

• Analysieren  

Spezielle Analysemethoden werden angewendet, um die gesammelten Daten zu analysieren. 

• Filtern 

Die nächste Phase besteht darin, die Informationen zu filtern, um den Benutzern relevante Empfehlungen anzubieten. Um diese Methode zu implementieren, müssen Sie einen Algorithmus auswählen, der für das von Ihnen verwendete Empfehlungssystem geeignet ist.  

Typen von Empfehlungssystemen 

Je nachdem, ob Sie von Benutzerwünschen oder der Ähnlichkeit von Produkten oder Elementen ausgehen, können die Empfehlungssysteme unterteilt werden in: kollaboratives Filtern, inhaltsbasierte Ansätze und hybride Modelle. Alle beziehen sich auf die Präferenzen der Nutzer in der Vergangenheit. 

Kollaboratives Filtern 

Dies ist der erste Ansatz mit dem Ziel, einen Vorschlag zu erarbeiten, der auf den von den Benutzern geäußerten Präferenzen basiert, auch ohne die Eigenschaften der Produkte zu berücksichtigen. Ein Nutzer wird zu den Artikeln beraten, die er noch nicht bewertet hat, die aber bereits von anderen Nutzern mit gleichen Interessen positiv bewertet wurden. 

Das System identifiziert zwei User, die einen ähnlichen Geschmack haben, weil sie die gleichen Lieder gehört haben. Wenn einer von ihnen zu einem bestimmten Zeitpunkt ein Lied hört, das der andere nicht kennt, könnte ihm dies vorgeschlagen werden. 

Amazon ist ein typisches Beispiel für kollaboratives Filtern. Sie verwenden kollaborative Filtertechniken, die von Element zu Element skalierbar sind, um qualitativ hochwertige Empfehlungen in Echtzeit zu erstellen. Amazon ermöglicht es den Kunden, ähnliche Artikel auf Produktdetailseiten einfach zu vergleichen, Produktempfehlungen zu erstellen, Produkte auf Kategorieseiten zu empfehlen und vieles mehr. 

Das kollaborative Filtern kann auf Websites gut funktionieren, auf denen nicht viele Informationen über die Elemente vorhanden sind und deren Inhalt für ein Computersystem schwierig zu analysieren ist, wie z. B. Meinungen. Es können auch die Waren empfohlen werden, die für einen Benutzer relevant sind, auch wenn der Inhalt nicht im Profil dieses Benutzers ist. 

Der Hauptvorteil von kollaborativen Filtermethoden besteht darin, dass sie keine Informationen zu Benutzern oder Artikeln abziehen müssen, sodass sie in verschiedenen Kontexten verwendet werden können. Je mehr Nutzer mit den Produkten interagieren, desto mehr Informationen stehen zur Verfügung und desto genauer werden die neuen Empfehlungen sein. 

Ihr Nachteil ist, dass wenn man neue Benutzer oder neue Artikel hat, liegen keine Informationen über ihre Interaktionen in der Vergangenheit vor. Diese Situation wird als “Kaltstartproblem” bezeichnet. In diesem Fall werden verschiedene Techniken verwendet, um zu bestimmen, welche Produktempfehlungen gezeigt werden sollen. Das System kann keine Empfehlungen zeigen oder schwache Vorhersagen treffen. Es können beispielsweise zufällig ausgewählte Artikel neuen Benutzern empfohlen werden, oder neue Artikel zufällig ausgewählten Benutzern, beliebte Artikel neuen Benutzern oder neue Artikel aktiven Benutzern. 

Inhaltsbasiertes Filtern   

Der inhaltsbasierte Filter analysiert die Attribute der Elemente, um Vorhersagen zu generieren. Die Empfehlungen werden basierend auf Attributen generiert, die aus dem Inhalt von Elementen extrahiert wurden, mit denen ein Benutzer in der Vergangenheit interagiert hat. Dem Benutzer werden Artikel empfohlen, die sich hauptsächlich auf die am besten bewerteten Artikel beziehen. 

Das ist eine semantische Methode, welche sich gekennzeichnet von: 

• Berechnung der Ähnlichkeit zwischen neuen Produkten und zuvor positiv bewerteten Produkten durch die gemeinsamen Merkmale. 
• Bei Nachrichten oder Filmen, da es sich um einen Text handelt, wird auf das Vorkommen von Schlüsselwörtern verwiesen, um andere ähnliche Elemente zu finden. 

Dies impliziert eine Tag-Kennzeichnung des Textes, die darin besteht, jedes Produkt mit Schlüsselwörtern zu verknüpfen, durch die es dann in der Recherchephase charakterisiert werden kann. 

Der Vorteil von inhaltsbasierten Methoden ist, dass sie das Kaltstartproblem nicht haben, weil neue Benutzer und neue Artikel durch ihre Merkmale und Empfehlungen definiert sind. Der Nachteil dieses Ansatzes ist, dass die Daten (Empfehlungen) nicht exakt sein können, und die Umsetzung dieses Empfehlungssystems kann mehr Zeit in Anspruch nehmen. 

Hybridmodell 

Die bisherigen Ansätze zeichnen sich durch positive und negative Aspekte aus, basierend auf den unterschiedlichen Bedürfnissen wählt jede Plattform aus, welche für sie relevant ist. In der Regel ist das Hybridmodell am häufigsten verwendet, gerade weil sie die beiden Ansätze kombiniert, um eine bessere Systemoptimierung zu erreichen. Somit werden die Einschränkungen und Probleme reiner Empfehlungssysteme vermieden. Für neue Benutzer ist beispielsweise das inhaltsbasierte System mehr passend, während der kollaborative Filter angewendet wird, wenn über die Nutzer schon bestimmte Informationen bekannt sind. 

Eine solche Kombination von Algorithmen liefert genauere und effektivere Empfehlungen als ein einzelner Algorithmus, da die Nachteile eines Algorithmus durch einen anderen Algorithmus überwunden werden können.  

Die Empfehlungssysteme schaffen maßgeschneiderte Optionen und bieten personalisierte Erlebnisse in der heutigen Zeit an. Derzeit werden 35 % des Umsatzes von Amazon durch Empfehlungsmaschinen generiert. Außerdem stammen 75% von dem, was sich die Leute auf Netflix ansehen, von ihrem Empfehlungssystem. Da solche Systeme immer beliebter werden, sollten sie für Unternehmen, die für ihre Kunden wettbewerbsfähig und effizient sein wollen, oberste Priorität haben. Bei Nutzung von Empfehlungssystemen steigern Sie Ihre Umsätze und verbessern die Kundenzufriedenheit sowie Loyalität.

Die KennerSoft GmbH verfügt bereits über mehrere Empfehlungsalgorithmen und Frameworks, um die Empfehlungssysteme für Sie zu implementieren. Man muss jedoch Ihre Daten analysieren, um zu bestimmen, welche Kombination von Algorithmen für Ihr Unternehmen am besten geeignet ist. Außerdem bieten wir die Leistungen rund um Programmierung, Website Optimierung und Google SEO Optimierung an.

Gerne beraten wir Sie zu diesem Thema, bitte kontaktieren Sie uns dazu.