Glossar

Empfehlungssystem

Entdecke, wie Empfehlungssysteme KI und maschinelles Lernen nutzen, um personalisierte Vorschläge zu machen, das Engagement zu steigern und Entscheidungen online zu treffen!

Trainiere YOLO Modelle einfach
mit Ultralytics HUB

Mehr erfahren

Empfehlungssysteme sind eine grundlegende Anwendung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML), die darauf ausgelegt sind, die Vorlieben der Nutzer/innen vorherzusagen und relevante Artikel, Inhalte oder Dienstleistungen vorzuschlagen. Diese Systeme fungieren als Informationsfilter und analysieren riesige Datenmengen, wie z. B. Verhaltensmuster der Nutzer/innen, historische Interaktionen und Produkteigenschaften, um personalisierte Vorschläge zu machen. Das Hauptziel ist es, das Nutzererlebnis zu verbessern, das Engagement zu erhöhen, die Konversionsrate zu steigern und den Nutzern zu helfen, sich in großen Katalogen effizient zurechtzufinden. Sie sind eine Form der prädiktiven Modellierung, die sich speziell auf die Vorlieben der Nutzer konzentriert.

Relevanz und Anwendungen

Der Einfluss von Empfehlungssystemen ist auf zahlreichen digitalen Plattformen weit verbreitet. Im E-Commerce schlagen sie Produkte vor, die den Nutzern gefallen könnten, was die Kaufentscheidungen erheblich beeinflusst und den Umsatz steigert, und ergänzen oft visuelle Entdeckungstools, die auf Computer Vision basieren. Streaming-Dienste wie Netflix und Spotify verlassen sich stark auf diese Systeme, um personalisierte Listen mit Filmen, Serien und Musik zu erstellen und die Kundenbindung zu erhöhen. Soziale Medienplattformen nutzen Empfehlungssysteme, um Verbindungen, Gruppen und Inhalte vorzuschlagen, die auf individuelle Interessen zugeschnitten sind. Auch Nachrichtenaggregatoren und Content-Plattformen nutzen Empfehlungen, um ihre Feeds zu personalisieren und sicherzustellen, dass die Nutzer/innen die für sie relevanten Artikel und Informationen finden.

Arten von Empfehlungssystemen

Für die Entwicklung von Empfehlungssystemen werden verschiedene Kerntechniken verwendet, oft in Kombination:

  • Collaborative Filtering: Diese beliebte Methode erstellt Empfehlungen auf der Grundlage der Präferenzen ähnlicher Nutzer/innen oder der Ähnlichkeit von Artikeln. Sie geht davon aus, dass Nutzer/innen, die in der Vergangenheit einer Meinung waren, auch in Zukunft einer Meinung sein werden.
  • Inhaltsbasiertes Filtern: Bei diesem Ansatz werden auf der Grundlage von Artikelattributen (z. B. Genre, Schlüsselwörter, Merkmale) und dem Profil des Nutzers ähnliche Artikel empfohlen, die dem Nutzer in der Vergangenheit gefallen haben.
  • Hybride Ansätze: Diese Systeme kombinieren kollaborative und inhaltsbasierte Methoden (und möglicherweise andere), um ihre jeweiligen Stärken zu nutzen und ihre Schwächen abzumildern, was oft zu robusteren Empfehlungen führt.
  • Deep Learning Modelle: Immer häufiger werden fortschrittliche Techniken mit neuronalen Netzen wie rekurrente neuronale Netze (RNNs ) und Transformers für sequenzbewusste Empfehlungen oder zur Modellierung komplexer Interaktionen zwischen Nutzer/innen und Produkten eingesetzt, die oft eine hohe Rechenleistung wie GPUs erfordern.

Beispiele aus der realen Welt

  1. Online-Handel: Eine E-Commerce-Website wie Amazon zeigt die Rubriken "Kunden, die diesen Artikel gekauft haben, kauften auch" oder "Für Sie empfohlen". Diese werden durch die Analyse der Kaufhistorie, des Surfverhaltens und der Artikel im Einkaufswagen sowie durch den Vergleich dieser Daten mit Millionen von anderen Nutzern durch kollaboratives Filtern und andere ML-Techniken erstellt. Dies fördert die Produktentdeckung und den Verkauf und ist ein zentraler Bestandteil der KI-Strategien im Einzelhandel.
  2. Video-Streaming: Plattformen wie YouTube empfehlen Videos auf der Grundlage des Sehverhaltens, der gefallenen Videos, der Abonnements und der Suchanfragen eines Nutzers. Sie setzen ausgeklügelte hybride Systeme ein, darunter auch Deep-Learning-Modelle, um Sehgewohnheiten und Inhaltsmetadaten zu analysieren und so die Sehdauer und die Nutzerzufriedenheit zu maximieren.

Herausforderungen

Die Entwicklung effektiver Empfehlungssysteme erfordert die Bewältigung von Herausforderungen wie dem"Kaltstartproblem" (Schwierigkeiten bei der Empfehlung neuer Nutzer/innen oder neuer Artikel mit wenigen Daten), der Datenarmut (Nutzer/innen interagieren in der Regel nur mit einem winzigen Bruchteil der verfügbaren Artikel), der Skalierbarkeit für riesige Datensätze sowie der Gewährleistung von Fairness und der Vermeidung von algorithmischen Verzerrungen. Die laufende Forschung konzentriert sich auf die Verbesserung von Genauigkeit, Vielfalt, Serendipität und Erklärbarkeit von Empfehlungen. Plattformen wie Ultralytics HUB erleichtern die Entwicklung und den Einsatz verschiedener ML-Modelle und tragen so zu einem breiteren KI-Ökosystem bei, in dem Empfehlungssysteme arbeiten.

Alles lesen