Kollaborative Filterung
Empfehlung auf der Grundlage der Benutzer mit ähnlichem Bewertungsverhalten.
Kollaborative Filtertechniken konzentrieren sich auf die Erfassung und Analyse enormer Informationsmengen, die mit Präferenzen, Aktivitäten oder Verhaltensweisen von Benutzern verbunden sind, um ihre Vorlieben in Abhängigkeit von der Ähnlichkeit mit anderen Benutzern vorherzusagen.
Kollaboratives Filtern basiert auf der Annahme, dass Personen, die in der Vergangenheit ein Ja gesagt haben, auch in Zukunft ein Ja sagen werden und die Wahrscheinlichkeit für ähnliche Elemente darstellen werden.
Es gibt zwei Haupttypen der kollaborativen Filterung: speicherbasierte und modellbasierte Empfehlungssysteme
Vorteile und Nachteile
Inhaltsbasierte Filterung
Empfehlungen der Objekte oder Inhalte, die denen ähnlich sind, die der Benutzer bereits gesucht, angesehen, gekauft oder hoch bewertet hat.
Das inhaltsbasierte Empfehlungssystem arbeitet nicht auf Basis von Benutzern mit ähnlichem Klick- und Kaufverhalten, sondern nutzt Ähnlichkeiten zwischen Produkten als Grundlage.
Hierfür spielt neben den Produktattributen auch das Klick- und Kaufverhalten des einzelnen Shopkunden eine entscheidende Rolle. Inhaltsbasierte Empfehlungssysteme empfehlen also Artikel, die eine Ähnlichkeit zu Produkten haben, mit denen ein Shopkunde bereits interagiert (die er z. B. angesehen, gekauft oder nach denen er gesucht) hat.
Beispiel
Wenn ein Nutzer bereits ein Buch eines Autors oder ein Produkt einer bestimmten Marke gelesen hat, kann man davon ausgehen, dass er eine Vorliebe für diesen Autor oder diese Marke hat. Außerdem besteht eine Wahrscheinlichkeit, dass er in Zukunft ein ähnliches Produkt kaufen wird.
Vorteile und Nachteile
Hybride Systeme
Verbindung der Methoden von inhaltsbasierten und kollaborativen Empfehlungssystemen.
Diese Methoden können auf verschiedene Weise eingesetzt werden, indem kollaborative und inhaltsbasierte Vorhersagen unterschieden und später kombiniert werden; indem alle Ansätze zu einem einzigen Modell kombiniert werden: indem der inhaltsbasierte Ansatz zum anderen Ansatz hinzugefügt wird usw.
Es gibt eine Reihe von Studien, die die Leistungsfähigkeit von Hybridsystemen in Bezug auf die inhaltsbasierten und kollaborativen Methoden vergleichen und zeigen, dass die hybriden Techniken erfolgreich sind und hochpräzise Vorschläge liefern. Sie helfen auch bei der Lösung häufiger Probleme von Empfehlungssystemen wie Sparsamkeitsproblemen und Kaltstart.
Sie sind in realen Empfehlungsszenarien besonders wertvoll, da sie robustere, genauere und anpassungsfähigere Empfehlungen liefern können.
Die Wahl des zu verwendenden hybriden Ansatzes hängt von den spezifischen Anforderungen und Beschränkungen des Empfehlungssystems und der Art der verfügbaren Daten ab.
Beispiel
Vorteile und Nachteile
Wie wählt man das richtige Empfehlungssystem aus?
- Die Kennzahl definieren
- Berücksichtigung von technischen Einschränkungen und Ressourcenanforderungen
- Die Art der Abgabe der Empfehlung
Zukünftige Trends bei Empfehlungssystemen
Quellen
- Dida.do. (Jahr unbekannt). Empfehlungssysteme: Ein Überblick. Abgerufen von https://dida.do/de/blog/empfehlungssysteme-ein-ueberblick
- IONOS. (Jahr unbekannt). So nutzen Sie Empfehlungssysteme im E-Commerce. Abgerufen von https://www.ionos.de/digitalguide/online-marketing/verkaufen-im-internet/so-nutzen-sie-empfehlungssysteme-im-e-commerce/
- Weber, F. D. (Jahr unbekannt). Empfehlungsalgorithmus: Der Empfehlungsalgorithmus. Abgerufen von https://medium.com/@fdweber/empfehlungsalgorithmusder-empfehlungsalgorithmus-2a0c1201e781
- AB Tasty. (Jahr unbekannt). Empfehlungssysteme im E-Commerce. Abgerufen von https://www.abtasty.com/de/blog/empfehlungssysteme-e-commerce/
- IONOS. (Jahr unbekannt). So nutzen Sie Empfehlungssysteme im E-Commerce. Abgerufen von https://www.ionos.de/digitalguide/online-marketing/verkaufen-im-internet/so-nutzen-sie-empfehlungssysteme-im-e-commerce/
- ThingSolver. (Jahr unbekannt). Introduction to Recommender Systems. Abgerufen von https://thingsolver.com/blog/introduction-to-recommender-systems/