Recommender Systeme in der Praxis: Funktionsweise und Anwendungen


Recommender Systeme (auf Deutsch auch Empfehlungsdienste oder Filter) bilden eine der wichtigsten Use Cases im Bereich E-Commerce. Auf diesen Algorithmen basieren die Empfehlungen, die die Kunden der Online Shops sehen. Sie werden aber auch in den Bereichen Social Media, online Werbung und Streaming eingesetzt. Deren Anwendungsfelder umfassen ein breites Spektrum an Online-Aktivitäten.

Was sind Recommender Systeme?

Recommender Systeme sind vom Prinzip Algorithmen, die die Interessen der Nutzer quantifizieren und auf der Grundlage der Daten der Vergangenheit für die Zukunft vorhersagen. Auf deren Basis können den Usern die für sie relevanten Produkte, Dienste oder auch Personen vorgeschlagen werden.

Recommender Systeme werden in unterschiedlichen Bereichen eingesetzt.


E-Commerce / Online Shops

Im Bereich E-Commerce werden Recommender Systeme angewandt, um Kunden basierend auf ihren Präferenzen spezifische Produkte zum Kauf vorschlagen.

Der kleine Online Shop des lokalen Schuhgeschäfts schlägt beispielsweise einer Kundin die meistverkaufte Sandalette zum Kauf vor.

Ein Filtersystem mit Bestsellern lässt sich relativ leicht implementieren. Firmen wie Zalando verwenden aber meist komplexere Recommender Systeme, die dem Kunden zu einem bereits gekauftem Hemd etwa eine passende Hose vorschlagen.

Online Werbung

Recommender Systeme werden auch im Bereich Werbung eingesetzt. Den Nutzern wird die - ihren Präferenzen entsprechende - Werbung eingeblendet. Das klassische Beispiel ist hier die Suchmaschine Google, welche auf Basis von verschieden Informationen (u.a. den von uns angeklickten Webseiten) entsprechende Werbung einblendet. Auch Zeitschriften wenden diese Form von Recommender Systeme an, um den Lesern entsprechende Werbung einzublenden.


Social Media

Die sozialen Medien verwenden diverse untrschiedliche Recommender Systeme. Zum einen arbeiten sie mit Recommender Systemen, die den Nutzern entsprechende Werbung einblenden. Die zentrale Rolle spielen aber Recommender Systeme, die den Usern beispielsweise andere User als Verbindung empfehlen. So empfiehlt uns beispielsweise Facebook Freunde basierend darauf, wen wir bereits als Freund hinzugefügt haben. Instagram schlägt uns aber nicht nur Freunde vor, sondern auch Nutzer:innen vor, die einen ähnlichen Content posten, wie wir.

LinkedIn empfiehlt uns Kontakte basierend u.a. darauf, in welcher Firma wir arbeiten.

Ein weiteres Recommender System verwenden die sozialen Netzwerke, um relevante Inhalte an ihre User auszuspielen mit dem Ziel die Aufmerksamkeit der User so lange wie möglich zu behalten und so die Nutzung der App und die Werbezeit zu maximieren. Aus diesem Grund werden die Inhalte auch an die speziellen Interessen und/oder Viralität angepasst.


Streaming Dienste

Auch Streaming Dienste wie Netflix oder Spotify basieren auf verschiedenen Arten von Recommender Systemen. Diese Recommender Systeme spielen den Usern personalisierten Content aus. Hierzu verwenden sie verschiedene Algorithmen, die beispielsweise die neuesten Serien filtern. Es werden aber auch komplexere Algorithmen angewandt.

Ein bekanntes Beispiel für ein Recommender System bei Netflix ist der sogenannte FunkSVD, welcher den von Netflix 2006 ausgerufenen Wettbewerb gewonnen hat.


Wie funktionieren Recommender Systeme?

Nehmen wir als Beispiel Netflix. Auf den ersten Blick lassen sich hier bereits einige personalisierte Recommender Systeme erkennen. Zunächst fragt uns die Webseite unter welchen Namen wir die Webseite betreten wollen. Der Content wird uns je nach Familienmitglied personalisiert. Die Webseite selbst zeigt uns auch horizontale Gruppierungen von Filmen und Serien nach verschiedenen Recommender Systemen an wie zum Beispiel die „derzeit beliebte Serien“ oder, sortiert nach verschiedenen Genres, personalisierte Empfehlungen.

Hinter diesen Recommendern verstecken sich verschiedene Algorithmen, auf denen die Empfehlungen basieren.

Vom Prinzip kann man sie in folgende Sorten einteilen:

Knowledge Based Recommender System

Diese Art der Empfehlungsdienste funktioniert gut insbesondere bei kleineren Online Shops, die wenige Produkte anzubieten haben. Mit diesem Recommender System werden Produkte einfach nach bestimmten Kriterien wie Preis oder Farbe gefiltert. Dies funktioniert u.a. gut mit Luxusprodukten wie Autos oder Immobilien, die vergleichsweise wenig Auswahl zulassen.


Content-Based Recommender (Inhaltsbasierter Empfehlungsdienst)

Der Algorithmus orientiert sich bei diesem Recommender System an der Klick- bzw. Kaufgeschichte der Nutzer:innen. Es wird ähnlicher Inhalt vorgeschlagen, wie der bereits gekaufte. Beispielsweise empfiehlt der Algorithmus einem Leser, der ein Buch mit dem Titel „Gartenarbeit“ gekauft hat, ein Buch mit ähnlichem Inhalt. Es werden Bücher ausschließlich aus demselben Genre empfohlen.


Kollaboratives Filtern

Ein weiteres klassisches Recommender System ist das sogenannte Collaborative Filtering (auf Deutsch kollaboratives Filtern). Hier werden die Interaktionen der User ausgewertet. Zunächst ermittelt der Algorithmus, welche Nutzer im Netzwerk im Hinblick auf die von Ihnen ausgewählten Produkte ähnlich sind. Danach werden ähnlichen Nutzern ähnliche Produkte empfohlen.

Es gibt zwei Arten von kollaborativen Filtern:

Model-based collaborative filtering (modelbasiertes kollaboratives Filtern)

Vom Prinzip versucht modelbasiertes kollaboratives Filtern mit bestimmten Machine Learning Algorithmen (u.a. Clustering Algorithmen) das Rating der Nutzer vorherzusagen.

Neighbourhood-based collaborative filtering (nachbarschaftsbasiertes kollaboratives Filtern)

Neighbourhood-based kollaboratives Filtern basiert auf der Idee der Korrelation zwischen Nutzern und/oder Produkten. Anhand dieser Korrelationen werden Vorhersagen gemacht, welches Produkt eine bestimmte Nutzerin bevorzugen wird.

Um diese Ähnlichkeiten zu finden werden die sogenannten „similarity metrics“ wie Pearsons Korrelationskoeffizient oder Euklidischer Abstand angewandt. Welche Metriken genau eingesetzt werden sollten, hängt von dem speziellen Fall ab.

Es gibt vom Prinzip zwei Sorten der Neighbourhood-based kollaborativen Filtern:

Nutzerbasiertes kollaboratives Filtern (user-based collaborative filtering):

Zum einen gibt es das sogenannte nutzerbasierte kollaborative Filtern. Mit dieser Methode werden den Nutzern Vorschläge gemacht auf der Basis von ähnlichen Nutzern (Stichwort: similarity metrics). Auf der Basis von similarity metrics werden die Nutzerinnen miteinander korreliert und ähnlichen Nutzerinnen werden ähnliche Empfehlungen vorgeschlagen.

Zu diesem Zweck wird eine Nutzer-Produkt-Matrix erstellt. Beispielsweise wäre dies bei einem Film-Streaming Dienst eine Nutzer-Film Matrix, die Nutzerratings für verschiedene Filme beinhaltet. Nutzerin B und Nutzer C mögen beide „Herr der Ringe“. Nutzer C mag noch zusätzlich den Film „Star Wars“. Dann würde der Algorithmus der Nutzerin B „Star Wars“ empfehlen.


Produktbasiertes kollaboratives Filtern (item-based collaborative filtering):

Zum anderen gibt es das das sogenannte produktbasierte kollaborative Filtern. In diesem Fall werden zunächst die Produkte gesucht, die eine ähnliche Bewertungen/Ratings haben (Stichwort: similarity metrics). Im zweiten Schritt werden die Nutzer-Ratings verglichen, um daraus Empfehlungen für neue Produkte abzuleiten.

In der Praxis gibt es viele hybride Methoden, die verschiedene Berechnungen der Recommender Systeme in sich verbinden.

Einer der bekannteren kollaborativen Recommender ist das FunkSVD (Single Value Decomposition) Recommender System, welcher damals den Netflix Wettbewerb gewonnen hat. Simon Funk hat diesen Algorithmus als Recommender System für Netflix vorgeschlagen (Bericht auf seinem Blog: https://sifter.org/~simon/journal/20061211.html).


Zusammenfassung

Recommender Systeme haben verschiedene Formen und können auch in hybriden Formen vorkommen. Die eigenständige Entwicklung kann recht komplex werden und benötigt viel Erfahrung.

Eine Alternative bieten die Cloud Plattformen wie Azure. Hier werden Recommender Systeme bereits vorgefertigt, so dass sie deutlich einfacher in der Praxis anwendbar sind.

Langfristig lohnt sich jedoch der Aufbau eines eigenes Recommender Systems, das man an die Bedürfnisse der Firma und der Kunden besser anpassen kann.



Keywords: recommender systems deutsch, recommender systems beispiele, empfehlungsdienste, recommendation system deutsch, recommender deutsch, kollaboratives filtern, empfehlungssysteme beispiele, empfehlungssysteme im e-commerce, inhaltsbasierte empfehlungssysteme, empfehlungssysteme überblick, empfehlungssysteme machine learning, empfehlungsdienste machine learning