Definition: Recommender System
X
Software, die Interessen und Präferenzen von Nutzern sammelt und passende Objekte (Items) empfiehlt.
Warum werden Recommender Systems benötigt?
- Unbegrenzter „Regalplatz“ im Internet erhöht die Auswahlvielfalt
- Hohe Wahrscheinlichkeit, dass es für jeden ein optimales Produkt gibt
- Viele Produkte müssten anhand unterschiedlicher Attribute verglichen werden
Problem: begrenzte kognitive Kapazität des Menschen (Information Overload) → detaillierter Vergleich aller Optionen oft unmöglich
Beispiel: LetterboxD
Nutzer bewertet „konsumierte“ Filme auf einer Skala von 0 (am wenigsten favorisiert) bis 5 (Lieblingsfilm). Aus diesen Bewertungen (Assessment of Preferences) sagt ein Filter voraus, wie gut ein neuer Film zu den Präferenzen des Nutzers passt (Recommendation).
Beispiel: Amazon.com Recommender
[Bild: Screenshot von Empfehlungs-Beispielen auf Amazon.com, VL07 S.5]
Nur als Beispiel für personalisierte Produktempfehlungen auf einer großen E-Commerce-Plattform zu kennen.
Definition: Trade-off zwischen Decision Effort und Decision Quality
Konsumenten verfolgen laut Theory of Human Information Processing zwei gegenläufige Ziele:
- Decision Effort minimieren
- Decision Quality maximieren
Beides gleichzeitig zu optimieren ist kaum möglich → Trade-off (Simon, 1979).
Definition: Bounded Rationality
Bei Information Overload reduzieren Konsumenten die Komplexität und minimieren ihren Entscheidungsaufwand. Sie suchen meist eine zufriedenstellende, nicht die optimale Alternative (Simon, 1979).
Was bedeutet „Decision Effort minimieren“?
Mentaler Aufwand, um Informationen über Items zu verarbeiten und eine Entscheidung zu treffen.
- Oberflächliche Suche/Vergleich zur Komplexitätsreduktion
- Risiko: geringere Entscheidungsqualität
Was bedeutet „Decision Quality maximieren“?
Grad, in dem das gewählte Item (subjektiv/objektiv) den eigenen Präferenzen entspricht.
- Erfordert detaillierten Vergleich vieler Alternativen
- Führt zu erhöhtem Entscheidungsaufwand
Vorteile von Recommender Systems aus Nutzerperspektive
- Reduzieren Information Overload durch kürzere Ergebnislisten
- Reduzieren Decision Effort: weniger Produkte müssen im Detail geprüft werden
- Erhöhen Decision Quality: freigesetzte mentale Ressourcen werden in detaillierten Vergleich der verbleibenden Alternativen investiert
(Quelle: Xiao & Benbasat, 2007)
Vorteile von Recommender Systems aus Anbieterperspektive (Provider)
- Conversion: Besucher werden zu Käufern (Empfehlungen helfen passende Produkte zu finden)
- Förderung von Cross-/Up-Selling (z. B. Zubehör, ähnliche Musik)
- Kundenbindung durch Switching Costs: System lernt Präferenzen über Zeit, bei Anbieterwechsel gehen diese verloren, Nutzer scheuen das „Neu-Trainieren“ eines anderen Systems
Typologie von Recommender Systems
- Nicht personalisiert (z. B. Bestsellerlisten, Rankings)
- Personalisiert:
- Content-based Filtering
- Collaborative Filtering
- weitere (z. B. Deep Learning)
(Quelle: Aggarwal, 2016)
Basic Concept: User
Person, für die Empfehlungen aus der Menge aller Produkte generiert werden sollen. Verhalten und Statistiken werden geloggt, um ein Profil zu erstellen.
Basic Concept: Profile
Speichert die bisherigen Aktivitäten eines Nutzers. Wird genutzt, um Nutzer in Kategorien zu klassifizieren oder Referenzen zu zuvor gewählten Produkten herzustellen.
Basic Concept: Item
Ein Element/Produkt aus der Menge möglicher Empfehlungen. Für Items werden i. d. R. Verkaufs-/Nutzungsstatistiken erfasst (z. B. Anzahl Verkäufe, Auswahlhäufigkeit, Link zum Käufer).
Basic Concept: Item Rating
Bewertung eines Items anhand einer Referenz. Beispiel: Eine von Nutzern abgegebene Bewertung eines Items kann als Referenz für die Bewertung desselben Items durch andere Nutzer dienen.
Basic Logic der Recommendation Generation
Input → Präferenzen (Interessen, Neigungen, Bedürfnisse) der Nutzer bzgl. Items
Filter → Auswahl der Items, die am besten zu Nutzerinteressen passen
Output → Nutzer erhält Darstellung der Item-Auswahl
Klassifikationskriterien von Recommender Systems
- Preference Elicitation: implizit vs. explizit
- Filter Properties: aktiv vs. passiv; memory-based vs. model-based
- Recommendation Format: sortierte vs. unsortierte Listen
- Recommendation Content: predicted rating
- Filter Methods: Attribut-/Content-based vs. Collaborative
Explizite vs. implizite Preference Elicitation – Funktionsweise
Explizit
Implizit
Funktionsweise
Direkte Bewertung von Items durch Nutzer (Ratings, Like-Button, Konfigurationsoptionen, gewünschter Preis/Merkmale)
Rückschlüsse auf Nutzerabsichten/-präferenzen aus dem Verhalten (z. B. Song bis Ende gehört, Videozeit, Warenkorb)
Vor-/Nachteile expliziter Preference Elicitation
Vorteil: hochwertiges Feedback.
Nachteile: gefühlter Zusatzaufwand für Nutzer; nur wenige geben freiwillig Bewertungen ab; Bias, da vor allem sehr (un)zufriedene Nutzer bewerten; manche Daten fehlen oft (z. B. demografische Daten).
Vor-/Nachteile impliziter Preference Elicitation
Vorteil: kein Aufwand für den Nutzer nötig (bessere faktische Genauigkeit).
Nachteil: Nutzerverhalten liefert nicht immer zuverlässige Rückschlüsse auf tatsächliche Präferenzen.
Aktive vs. passive Filter – Funktionsweise & Personalisierung
Aktiv
Passiv
Berechnung
Individuell je Nutzer (oft Historie/Profil als Basis)
Für alle Nutzer identisch (z. B. „Käufer von A kauften auch B“)
Personalisierung
Jeder Nutzer erhält unterschiedliche Empfehlungen
Alle Nutzer erhalten dieselben Empfehlungen
Vor-/Nachteile aktiver Filter
Vorteil: Bei ausreichender Datenbasis effiziente Eingrenzung des Ergebnisraums für den Nutzer.
Nachteil: deutlich höherer technischer Aufwand und höhere Anforderungen an die Datenbasis.
Vor-/Nachteile passiver Filter
Vorteil: einfach zu implementieren.
Nachteil: Empfehlungen sind nicht personalisiert und haben geringeren Nutzen; anfällig für das Cold-Start-Problem.
Definition: Cold-Start-Problem
Das System kann für neue Nutzer oder Items mit wenigen Bewertungen keine guten Empfehlungen generieren.
Memory-based vs. model-based Filter – Funktionsweise
Memory-based
Model-based
Für jede Anfrage werden die verfügbaren Rohdaten ausgewertet (ggf. vorverarbeitet); kein Lernverhalten/Modellierung
Aus verfügbaren Daten wird ein Modell/Profil gebildet, das später als Datenbasis für Empfehlungen dient
Vor-/Nachteile memory-based Filter
Vorteile: einfacheres Datenmanagement; deutlich schnellere Analyse möglich.
Nachteil: langsameres System, da Auswertung besonders bei großen Datensätzen erheblich länger dauert.
Vor-/Nachteile model-based Filter
Nachteil: höhere Anforderungen an Algorithmus und Datenmanagement (Modellbildung ist aufwendiger).
Definition: Content-based Filtering
Alle Inhalte/Items werden mittels Keywords und Kategorien klassifiziert, um ähnliche oder komplementäre Items zu identifizieren. Nutzer, die an einem klassifizierten Item interessiert sind, erhalten Empfehlungen für ähnliche Objekte – dies wird als „item-to-item correlation“ bezeichnet (Empfehlung nur durch Vergleich der Items).
Typischer Prozess von Content-based Filtering
1. Bestimmung der Nutzerpräferenzen (explizit/implizit) und Erstellung eines Nutzerprofils (Kauf-, Nutzungs-, Suchhistorie)
2. Abgleich der Merkmale/Keywords des Nutzerprofils mit Merkmalen/Keywords klassifizierter Produkte
3. Empfehlung von Items mit Merkmalsähnlichkeit
Typische Outputs von Content-based Filtering (Amazon)
„Today's Recommendations for You“, „New for You“, „Inspired by Your Browsing Trends“, „Similar Items to Those You Recently Viewed“ – nur als Beispiele für typische Formulierungen bekannt sein.
Basic Logic von Content-based Filtering (Beispiel Lord of the Rings)
Ein Nutzer, der sich für The Lord of the Rings interessiert, erhält The Hobbit empfohlen, da beide Bücher ähnlich kategorisiert sind (Item-to-Item-Vergleich über Klassifikationsähnlichkeit).
Definition: Vector Space Model (Content-based Filtering)
Berechnungsmethode für Ähnlichkeit von Dokumenten/Items (z. B. über die best-match method). Der Vektorraum hat n Dimensionen (n = Anzahl aller zugewiesenen Keywords), jede Dimension repräsentiert ein Keyword. Zwei Objekte sind ähnlich, wenn ihr Abstand im Vektorraum klein ist; unähnlich, wenn der Abstand groß ist.
Definition: Collaborative Filtering
Ein Produkt wird einem Nutzer empfohlen, wenn andere Nutzer mit einem ähnlichen Profil (bzgl. anderer Produkte) dieses Produkt positiv bewertet haben.
Typischer Prozess von Collaborative Filtering
1. Muster individueller Auswahl-/Kaufentscheidungen werden gesammelt
2. Präferenzprofil des Kunden wird erstellt und einer Affinitätsgruppe („Mentors“) mit ähnlichen Präferenzen zugeordnet
3. Käufer wählt ein Produkt aus dem Angebot
4. Anbieter optimiert das Produktangebot basierend auf den Präferenzen der Affinitätsgruppe
Der Collaborative Filter analysiert kontinuierlich die Auswahlentscheidungen der Nutzer.
Typische Outputs von Collaborative Filtering (Amazon)
„Customers Who Viewed This Also Viewed“, „Frequently Bought Together“, „Customers Who Bought Items in Your Recent History Also Bought“, „What Do Customers Ultimately Buy After Viewing This Item?“ – nur als Beispiele bekannt sein.
Beispiel: Amazon Personen A, B, C (Collaborative Filtering)
Frage: Wäre Person B an The Eyes of the Dragon (Stephen King) interessiert?
Person B bewertete Victim (Chris Mooney) mit 4 Sternen. Person C bewertete Victim ebenfalls mit 4 Sternen und The Eyes of the Dragon mit 5 Sternen. Da B & C ein ähnliches Profil haben, wird B das Buch empfohlen. Nur den Ablauf/das Ergebnis dieses Beispiels kennen müssen.
Die 4 Schritte des Collaborative-Filtering-Algorithmus
1. Collection of User Data
2. Proximity Calculation
3. Selection of Mentors
4. Prediction
Schritt 1: Collection of User Data
Daten aktiver Nutzer sammeln, um Ähnlichkeiten zu anderen Nutzern zu identifizieren.
Möglichkeiten: abgeschlossene Käufe/Suchbegriffe, Website-Besuche, gelesene Nachrichtenartikel, Nutzerbewertungen.
Der Grenznutzen zusätzlicher Datenpunkte für die Empfehlungsqualität nimmt mit der Zeit ab (mehr Bewertungen verbessern Vorhersagen zunächst, dann kaum noch).
Schritt 2: Proximity Calculation
Bestimmt die Ähnlichkeit/Unähnlichkeit zwischen Nutzern über ein Proximity-/Similarity-Measure. Nötig, um Nutzer mit ähnlichen Präferenzen (Affinitätsgruppen/Mentors) zu identifizieren. Übliche Maße: Korrelationskoeffizient, Minkowski-Distanz, Euklidische Distanz.
Beispiel: Proximity Calculation (User B & C)
[Bild: Amazon-Rechenbeispiel Proximity Calculation, VL07 S.31]
Ratings User B: 1 3 2 5 3 1 4 5 2 3
Ratings User C: 2 4 1 3 4 1 3 2 2 3
→ Korrelationskoeffizient r = 0,7
Definition: Mentor & Auswahlkriterium
Mentors sind Nutzer, deren Bewertungen genutzt werden, um fehlende Bewertungen des aktiven Nutzers vorherzusagen. Wird der Korrelationskoeffizient als Proximity-Measure verwendet, wird der Nutzer mit der höchsten positiven Korrelation zum aktiven Nutzer als Mentor gewählt.
Wie funktioniert die Prediction Calculation?
Die Bewertung des Mentors für ein Item wird genutzt, um die fehlende Bewertung des aktiven Nutzers für dieses Item vorherzusagen (Rating des nächsten Nachbarn = ähnlichster Nutzer wird verwendet).
[Bild: Diagramm Mentor-Auswahl A-B-C mit Korrelationen 0,7 / 0,3 / 0,55, VL07 S.32]
Was sind Deep Learning Recommender Systems?
Sie ersetzen nicht die Logik von Content-based und Collaborative Filtering, sondern generalisieren sie: Sie lernen automatisch reichhaltigere User-Item-Repräsentationen und erfassen komplexere, indirekte Beziehungen in großen Empfehlungsumgebungen.
Gemeinsamkeiten von Deep Learning Recommender Systems mit traditionellen Ansätzen
- Wie Content-based Filtering: Nutzung von User- und Item-/Content-Merkmalen (Produktkategorie, Marke, Stil, Text, Bilder)
- Wie Collaborative Filtering: Nutzung von Verhaltensmustern vieler Nutzer (Klicks, Käufe, Bewertungen, Browsing-Pfade)
- Beide: Vorhersage der User-Item-Relevanz (z. B. Klick-, Kauf- oder Engagement-Wahrscheinlichkeit)
Zentrale Unterschiede von Deep Learning Recommender Systems
- Lernen Embeddings (dichte numerische Repräsentationen von Usern/Items)
Embeddings
- Können viele Datentypen gleichzeitig kombinieren (Nutzer-/Item-Merkmale, vergangene Interaktionen, Text, Bilder, Kontext)
- Graph Neural Networks (GNNs) modellieren User und Items als Netzwerk: Nutzer/Items = Nodes, Interaktionen = Edges
- GNNs lernen aus benachbarten Knoten und Beziehungen höherer Ordnung statt Nutzer/Items nur direkt zu vergleichen
- Output oft ein Prediction Score (z. B. Wahrscheinlichkeit für einen Klick)
Definition: Cost-Benefit-Analyse (bei Recommender Systems)
Strukturierte Bewertung von Investitionen/Maßnahmen durch Vergleich finanzieller und nicht-finanzieller Kosten und Nutzen, um fundierte Entscheidungen über deren wirtschaftliche Tragfähigkeit zu treffen. Unterscheidung:
- Financial Criteria: Beitrag zum wirtschaftlichen Erfolg des Unternehmens
- User-centric Criteria: Einfluss auf die Nutzerakzeptanz
Typische Kostenkriterien aus Anbieterperspektive
- Entwicklungs- und Implementierungskosten (Algorithmus-Design, Systemintegration)
- Infrastruktur- und Betriebskosten (Serverkapazität, Cloud Computing)
- Wartungs-, Datenmanagement- und Compliance-Kosten (Modell-Updates, Datenschutzanforderungen)
(Quelle: DeLone & McLean, 2003)
Typische Umsatzdimensionen aus Anbieterperspektive
- Erhöhte Verkäufe und Conversion Rates (mehr Nutzer finden passende Produkte)
- Cross-Selling, Up-Selling und höhere Bestellwerte (Zubehör, Premium-Alternativen)
- Höheres Engagement, höhere Retention und Werbeeinnahmen (längere Nutzung, mehr Anzeigen-Impressionen)
Struktur der Nutzerperspektive (User Perspective: Overview)
1. User's Decision Making Process: Unterstützung von Suchbeginn bis zur Entscheidung für ein Item (Trade-off Decision Effort/Decision Quality)
2. User's Ratings: Bewertung subjektiver Eindrücke (Usefulness, Ease of Use, Satisfaction) während der Suche
3. Intention to Reuse: tatsächliche Wiedernutzung, Loyalität, Umsatz
Definition & Relevanz: Intention to Reuse
Definition: Absicht der Nutzer, ein Recommendation System auch zukünftig zu nutzen.
Relevanz:
- Treue Bestandskunden benötigen nur ca. 10 % der Marketingausgaben zur Neukundengewinnung und sind wesentlich profitabler
- Umsatz durch Bestandskunden steigt tendenziell mit Dauer der Kundenbeziehung (Cross-/Up-/Next-Selling)
(Quelle: Wilson et al., 2008)
Wie wird Decision Effort gemessen?
- Subjektive Bewertung via Fragebogen
- Anzahl betrachteter Alternativen
- Anzahl geprüfter Produktbewertungen
- Suchzeit
Wie wird Decision Quality gemessen?
- Beobachtung der objektiven Item-Auswahl
(Quelle: Xu, Benbasat & Cenfetelli, 2014)
Von welchen drei Faktoren hängt die zukünftige Nutzung eines Recommender Systems (als Information System) ab?
- Perceived Ease of Use
- Perceived Usefulness
- Satisfaction
Definition: Perceived Ease of Use
Der vom Nutzer wahrgenommene Aufwand, um das System zu bedienen und zu nutzen.
Definition: Perceived Usefulness
Der vom Nutzer wahrgenommene Nutzen des Systems und seiner Empfehlungen bei der Suche nach passenden Items.
Wie entsteht Satisfaction und welche drei Ausprägungen gibt es?
Satisfaction ergibt sich aus dem Vergleich der ex-ante erwarteten mit der ex-post wahrgenommenen Systemleistung:
- Perception > Expectation → Delight
- Perception = Expectation → Satisfaction
- Perception < Expectation → Dissatisfaction
(Quelle: Bhattacherjee, 2001)
Beispiele für Forschungsmodelle zur User Evaluation von Recommender Systems
- Expectation-Confirmation Model (Bhattacherjee, 2001)
- Trade-off Transparency Modell (Xu, Benbasat & Cenfetelli, 2014)
- Technology Acceptance Model (TAM) (Davis, Bagozzi & Warshaw, 1989)
Nur die Namen und Autoren kennen müssen, nicht die vollen Modelle.
Methoden zur Messung nutzerbezogener Daten
- Verhaltens-Tracking im System: Mausklicks, Eye-Tracking, Suchzeit, angesehene Produkte
- Fragebögen: papierbasiert/offline oder online
Beispiel: Operationalisierung von Decision Quality in Umfragen
[Bild: Beispielrechnung Operationalisierung Decision Quality, VL07 S.44]
Mehrere Items werden auf einer Skala (z. B. 1–8) abgefragt, manche sind reverse-coded (invers kodiert, z. B. 8-3=5, 8-2=6). Gesamt-Durchschnittswert eines Nutzers = Summe aller (ggf. umkodierten) Werte / Anzahl Items.
Beispiel: (7+6+6+5+7+6)/6 = 6,2
Zuletzt geändertvor 7 Tagen