Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

DIBU > Empfehlungssysteme > Flashcards

Empfehlungssysteme Flashcards

1
Q

Empfehlungssystem

A

Software die Interessen und Präferenzen von Usern erfragt und dazu passende Objekte empfiehlt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Grundidee von Empfehlungssystemen

A

Information overload im Internet

Informationsexplosion vs. begrenzte geistige Kapazitäten Informationen aufzunehmen und zu verarbeiten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Theory of human information processing

A

Entscheidungsaufwand minimieren Entscheidungsqualität maximieren

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Bounded Rationality

A

Überlastung mit Informationen führt zu bounded rationality

  • > Konsumenten neigen zur Komplexitätsreduktion
  • > Konsumenten suchen zufriedenstellende, nicht optimale Alternative
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Nutzen Empfehlungssysteme aus User Sicht

A
  • Verringerung Entscheidungsaufwand
  • Steigerung der Entscheidungsqualität
  • > freigewordene geistige Ressourcen können im Detailvergleich der verbleibenden Alternativen investiert werden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Empfehlungssysteme im E-Commerce

A
  • product brokerings
  • > finde das beste Produkt
  • merchant brokering
  • > finde den geeignetsten Dienstleister
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Relevanz für Anbieter von Empfehlungssystemen

A

• Transformation von Seitenbesuchern in Käufer

• Förderung von Add- On - Selling
-> Empfehlungen können auf interessante Zusatzprodukte aufmerksam machen

• Loyalität durch Wechselkosten
-> Empfehlungssysteme können über User Präferenzen lernen und so immer bessere Empfehlungen aussprechen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Definition: User

A

Anwender für den Empfehlungen aus der Menge aller Produkte erstellt werden sollen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Definition: item

A

Ein Element aus der Menge der möglichen Empfehlungen

- für alle items werden typischerweise Verkaufs Bzw AnwendungStatistiken erstellt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Definition: Profil

A

In einem Profil werden die bisherigen Aktivitäten eines Users abgelegt
- Profile werden verwendet um User in Klassen einzuordnen oder um Referenzen zu bisher gewählten Produkten herzustellen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Definition: Referenz

A

Stellt ein mögliches Attribut zur Bewertung wines items dar

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Definition: Referenz Bewegung

A

Eine Funktion mit der die Relevanz einer Referenz für eine Empfehlung bewertet wird

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Definition: Item Bewertung

A

Bewertung eines Items unter Verwendung einer Referenz

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Explizite Präferenzerhebung

A

• direkte Bewertung von items durch den User
z.B like Button

• Vorteile:
- sehr hochqualifiziertes Feedback

• Nachteile:

  • gefühlter Mehraufwand für den User
  • nur wenige machen sich die Mühe einer Bewertung
  • explizite Angaben sind beeinflussbar
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Implizite Präferenzerhebung

A

• es wird versucht aus dem Verhalten der user Rückschlüsse auf seine Absichten und Präferenzen zu ziehen

z.B. Lied nicht bis zum Ende gehört -> User gefällt Lied nicht

• Vorteile:
- User hat keinerlei Aufwand

• Nachteile:
- aus dem Verhalten des Users können nicht immer verlässliche Rückschlüsse auf seine Präferenzen gezogen werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Aktive Empfehlungssysteme

A
  • für jeden User werden Empfehlungen individuell berechnet
  • Historie oder Profil des User als Datengrundlage
  • jeder User erhält unterschiedliche/ personalisierte Empfehlungen

• Vorteile:
- mit ausreichender Datenbasis kann der Ergebnisraum für den User effizient eingegrenzt werden

• Nachteile:

  • deutlich Mehraufwand und höhere Anforderungen an die vorhandene Datenbasis
  • Anfällig für Kaltstartproblem
17
Q

Passive Empfehlungssysteme

A

• Berechnungsvorgang ist für alle User identisch
Bsp User die Artikel a kauften bestellten auch Artikel b

• alle User erhalten dieselben Empfehlungen

• Vorteile:
- einfach zu realisieren

• Nachteile:
- Empfehlungen sind nicht personalisiert und haben geringeren Nutzenwert

18
Q

Memory based Empfehlungssystemfilter

A
  • für jede Anfrage werden die vorhandenen rohdaten ausgewertet
  • um Berechnung zu beschleunigen können Daten schon vorher ausgewertet werden
  • allerdings wird kein Lernverhalten oder Modellierung eingesetzt

• Vorteile:
- einfache Datenverwaltung

• Nachteile:
- langsameres System, da Vorallem bei großer Datenmenge deutlich länger ausgewertet wird

19
Q

Model based Empfehlungssystemfiltereigenschaften

A
  • aus den vorhandenen Daten wird ein Modell oder Profil aufgebaut
  • das Modell wird später als die eigentliche Datengrundlage für die Empfehlungen angewendet

• Vorteile:
- deutlich schnellere Auswertung möglich

• Nachteile:
- höhere Anforderungen an den Algorithmus und das Datenmanagement

20
Q

Filtermethoden - Kategorisierung von Empfehlungssystemen

A

Nicht personalisiert:
Expertengestützt: -> uniforme Empfehlungssysteme
Nutzergestützt: -> Meinungsportale

Personalisiert:
Expertengestützt: -> regelbasierte Empfehlungssysteme
Nutzergestützt: -> attribute based filtering, collaborative filtering

21
Q

Regelbasierte Empfehlungssysteme

A

Aufstellen von regeln in wenn dann Form

• Vorteile:

  • Herkunft der Daten
  • leichte Erstellung einer einfachen Personalisierung

• Nachteile:

  • wissen um relevante Zusammenhänge
  • permanente (manuelle) Aktualisierung der Regeln
22
Q

Attribute based filtering

A

Präferenz eines Users für ein Produkt lässt sich dich Betrachtung der Eigenschaften des Produkts ermitteln

• Vorteile:

  • Präferenz des Users ist keine Blackbox
  • automatische Beurteilung von neuen Produkten möglich

• Nachteile:

  • Produkte müssen anhand ihrer Eigenschaften beschreibbar sein
  • hoher Aufwand zur Ermittlung der Präferenz der Uwe für die Eigenschaften
23
Q

Collaborative Filtering

A

Personalisierung aufgrund von Ähnlichkeiten zwischen Usern

• Vorteile:

  • keine produkteigenschaften notwendig (zumindest bei Memory based)
  • vorschlagsmöglichkeiten von nicht ähnlichen/ neuen Produkten

• Nachteile:

  • Präferenz des Nutzers meist eine Black Box
  • nur schon bewertete Produkte können empfohlen werden (First Rater Problem)
  • es bedarf einer kritischen Masse für die ersten Vorschläge (Cold Start Problem)
  • exotische Profile haben meist schlechtere Vorschläge
24
Q

Bekannte Probleme bei Empfehlungssystemen

A

(1) Kaltstartproblem
- > für neue User in einem System it es nicht möglich ausreichend gute individualisierte Empfehlungen zu ermitteln da bisher noch keine Daten zum Benutzerverhalten vorliegen

(2) Skalierbarkeit
- > vor allem Memory based Algorithmen leiden bei steigender item und User Anzahl unter schlechter Performance

(3) sparsity problem
- > aufgrund der Größe vieler Sortimente können User nur einen kleinen Teil bewerten Bzw betrachten
- > dadurch praktisch nicht möglich zwei im Kaufverhalten ähnliche User zu finden

25
Q

Sortierte Listen

A

Empfehlungen werden danach sortiert inwiefern sie den Präferenzen der User entsprechen

  • in sortierten Listen haben benachbarte Alternativen ähnlichen nutzenwert was den Vergleich kognitiv erschwert
  • tendenziell höhere Entscheidungsqualität bei sortierten Listen
26
Q

Unsortierte Listen

A

Empfehlungen werden in einer zufälligen Reihenfolge dargestellt Bzw aufgelistet

27
Q

Predicted Ratings

A

Vorhersage des Systems wie gut einem User ein item gefällt Bzw wie User ein item bewerten würde

Predicted ratings beeinflussen User bei der Bewertung von Items
- User neigen zur Anpassung der Bewertung an Vorhersage

28
Q

User Bewertung

A

(1) perceived ease of use
- > vom Nutzer empfundener Aufwand das System zu bedienen und zu verwenden

(2) perceived usefulness
- > vom Nutzer empfundener nutzen des Systems und der Empfehlungen bei der Suche nach geeigneten items

(3) Zufriedenheit
- > Mit Unterstützung der Entscheidungsfindung
- > resultiert aus Vergleich der Ex ante erwarteten und Ex post wahrgenommenen Performance

(4) vertrauen
- > Empfehlungen können durch anbieterinteressen beeinflusst sein

DIBU (17 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions