Empfehlungssysteme Flashcards
Empfehlungssystem
Software die Interessen und Präferenzen von Usern erfragt und dazu passende Objekte empfiehlt
Grundidee von Empfehlungssystemen
Information overload im Internet
Informationsexplosion vs. begrenzte geistige Kapazitäten Informationen aufzunehmen und zu verarbeiten
Theory of human information processing
Entscheidungsaufwand minimieren Entscheidungsqualität maximieren
Bounded Rationality
Überlastung mit Informationen führt zu bounded rationality
- > Konsumenten neigen zur Komplexitätsreduktion
- > Konsumenten suchen zufriedenstellende, nicht optimale Alternative
Nutzen Empfehlungssysteme aus User Sicht
- Verringerung Entscheidungsaufwand
- Steigerung der Entscheidungsqualität
- > freigewordene geistige Ressourcen können im Detailvergleich der verbleibenden Alternativen investiert werden
Empfehlungssysteme im E-Commerce
- product brokerings
- > finde das beste Produkt
- merchant brokering
- > finde den geeignetsten Dienstleister
Relevanz für Anbieter von Empfehlungssystemen
• 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
Definition: User
Anwender für den Empfehlungen aus der Menge aller Produkte erstellt werden sollen
Definition: item
Ein Element aus der Menge der möglichen Empfehlungen
- für alle items werden typischerweise Verkaufs Bzw AnwendungStatistiken erstellt
Definition: Profil
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
Definition: Referenz
Stellt ein mögliches Attribut zur Bewertung wines items dar
Definition: Referenz Bewegung
Eine Funktion mit der die Relevanz einer Referenz für eine Empfehlung bewertet wird
Definition: Item Bewertung
Bewertung eines Items unter Verwendung einer Referenz
Explizite Präferenzerhebung
• 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
Implizite Präferenzerhebung
• 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
Aktive Empfehlungssysteme
- 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
Passive Empfehlungssysteme
• 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
Memory based Empfehlungssystemfilter
- 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
Model based Empfehlungssystemfiltereigenschaften
- 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
Filtermethoden - Kategorisierung von Empfehlungssystemen
Nicht personalisiert:
Expertengestützt: -> uniforme Empfehlungssysteme
Nutzergestützt: -> Meinungsportale
Personalisiert:
Expertengestützt: -> regelbasierte Empfehlungssysteme
Nutzergestützt: -> attribute based filtering, collaborative filtering
Regelbasierte Empfehlungssysteme
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
Attribute based filtering
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
Collaborative Filtering
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
Bekannte Probleme bei Empfehlungssystemen
(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
Sortierte Listen
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
Unsortierte Listen
Empfehlungen werden in einer zufälligen Reihenfolge dargestellt Bzw aufgelistet
Predicted Ratings
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
User Bewertung
(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