www.wikidata.de-de.nina.az

Empfehlungsdienst Ein englisch Recommender System ist ein Softwaresystem welches das Ziel hat eine Vorhersage zu treffen

Empfehlungsdienst

Ein Empfehlungsdienst (englisch Recommender System) ist ein Softwaresystem, welches das Ziel hat, eine Vorhersage zu treffen, die quantifiziert, wie stark das Interesse eines Benutzers an einem Objekt ist, um dem Benutzer genau die Objekte aus der Menge aller vorhandenen Objekte zu empfehlen, für die er sich wahrscheinlich am meisten interessiert. Typische Objekte eines Empfehlungsdienstes sind zum Beispiel Produkte eines Webshops, Musikstücke bzw. Künstler oder Filme. Ein Empfehlungsdienst soll dadurch zur Bewältigung der Informationsüberflutung beitragen, indem es dem Benutzer aus einer unübersichtlichen Menge an Objekten eine Teilmenge empfiehlt. Zur Ermittlung der passenden Empfehlungen verwendet ein Empfehlungsdienst Methoden des Maschinellen Lernens und des Information Retrievals.

Schematische Darstellung eines Empfehlungssystems

Grundlagen Bearbeiten

Empfehlungsdienste kommen immer dann zum Einsatz, wenn es eine große Menge an Objekten (z. B. Produkte, Musikstücke, Filme, Nachrichtenartikel) gibt, aus denen dem Benutzer eine kleine Teilmenge empfohlen werden soll. Dabei geht es meist darum, dem Benutzer das Entdecken für ihn neuer und interessanter Objekte zu erleichtern. Ziel des Betreibers eines Empfehlungsdienstes ist die Umsatzsteigerung (z. B. bei der Empfehlung von Produkten) oder die Steigerung der Zugriffszahlen bzw. allgemein die Steigerung der Nutzung seines Angebots.

Die einfachste Art von Empfehlungsdiensten bestimmt zu dem aktuell benutzen Objekt weitere, ähnliche Objekte (zum Beispiel ähnliche Nachrichtenartikel zu dem, der gerade gelesen wird). Der Großteil der Empfehlungsdienste in der Forschung betrachtet den Benutzer als zentrale Entität, für den eine personalisierte Empfehlungsmenge ermittelt werden soll. Dazu wird das Interesse des Benutzers an bereits genutzten Objekten erfasst. Das Interesse an einem Objekt wird durch eine Bewertung des Benutzers quantifiziert. Die Bewertung kann explizit oder implizit erhoben werden. Bei der expliziten Bewertung wird der Benutzer aufgefordert, ein Objekt zu bewerten, z. B. durch das Anklicken von einem bis fünf Sternen. Die implizite Ermittlung der Bewertung erfolgt durch die Analyse des Benutzerverhaltens. Im einfachsten Fall ist dies eine binäre Bewertung (hat das Objekt genutzt / nicht genutzt). Mit Hilfe dieser Bewertungsdaten können Ähnlichkeiten zwischen Benutzern berechnet oder mathematische Modelle zur Vorhersage der Benutzerinteressen angelernt werden.

Unterscheidung nach Datengrundlage Bearbeiten

Empfehlungsdienste werden vor allen Dingen danach unterschieden, welche Datengrundlage sie zur Bestimmung der Empfehlungsmenge nutzen. Die beiden klassischen Typen von Empfehlungsdiensten sind die inhaltsbasierten (englisch content-based) und kollaborativen (englisch collaborative) Empfehlungsdienste. Weitere Typen von Empfehlungsdiensten beziehen z. B. den Kontext (kontextsensitive Empfehlungsdienste), den zeitlichen Verlauf (englisch time-aware Recommender Systems) oder demografische Daten des Benutzers sowie Merkmale zu den Objekten mit ein.

Inhaltsbasierte Empfehlungsdienste Bearbeiten

Inhaltsbasierte Empfehlungsdienste empfehlen Objekte, die ähnlich den Objekten sind, die der Benutzer bereits hoch bewertet hat. Dazu ist es erforderlich, die Ähnlichkeit zwischen zwei Objekten bestimmen zu können.

Kollaborative Empfehlungsdienste Bearbeiten

Kollaborative Empfehlungsdienste (auch Kollaboratives Filtern) empfehlen die Objekte, an denen Benutzer mit ähnlichem Bewertungsverhalten (ähnliche Benutzer) das größte Interesse haben. Dazu müssen keine weiteren Kenntnisse über das Objekt selber vorhanden sein. Zu dem Empfehlungsdienst zählt der benutzerbezogene und elementbasierte Algorithmus, außerdem das modell- und speicherbasierte Verfahren.

Unterscheidung nach grundlegender Vorhersagemethode Bearbeiten

Es gibt für Empfehlungsdienste zwei grundlegende Lernmethoden: speicherbasierte (englisch memory-based; auch heuristische, englisch heuristic-based) und modellbasierte (englisch model-based) Empfehlungsdienste. Speicherbasierte Empfehlungsdienste nutzen alle gespeicherten Bewertungsdaten, um mit Hilfe von berechneten Ähnlichkeiten zwischen Benutzern bzw. Objekten die Bewertung nicht bewerteter Benutzer-Objekt-Kombinationen abzuschätzen. Modellbasierte Empfehlungsdienste nutzen die Bewertungsdaten als Lerndaten, um mit Methoden des maschinellen Lernens ein mathematisches Modell zu erlernen, mit dessen Hilfe das Interesse eines Benutzers an einem Objekt vorhergesagt werden kann.

Beispiele für Empfehlungsdienste Bearbeiten

Eine bekannte Recommendation Engine ist jene von Amazon.com zur Empfehlung von Buchtiteln und anderen Produkten. Ein anderes Beispiel ist der BibTip-Dienst der KIT-Bibliothek. Inzwischen nutzen zahlreiche deutsche Unternehmen die Empfehlungsfunktion, unter anderem die Quelle GmbH (vor ihrer Insolvenz und der Einstellung des Geschäftsbetriebs im Jahre 2009), die Metro AG oder Moviepilot.

Wissenschaftliche Forschung über Empfehlungsdienste Bearbeiten

Die größte internationale Konferenz über Empfehlungsdienste wird jährlich von der Association for Computing Machinery ausgerichtet.

Den größten wissenschaftlichen Wettbewerb im Bereich Empfehlungsdienste, der mit 1 Million USD dotiert war, rief der US-amerikanische DVD-Verleih Netflix 2006 ins Leben. Die Siegerlösung wurde 2009 von einem Konglomerat namens „BellKor’s Pragmatic Chaos“ geliefert. Forscher von commendo research & consulting (Österreich), AT&T Research (USA), Pragmatic Theory (Kanada) und Yahoo! Research (Israel) setzten sich dabei gegen 50.000 Konkurrenzteams durch.

Siehe auch Bearbeiten

Literatur Bearbeiten

  • André Klahold: Empfehlungssysteme. Recommender Systems. Grundlagen, Konzepte und Lösungen. Vieweg+Teubner, Wiesbaden 2009, ISBN 978-3-8348-0568-3 (Studium).
  • Dietmar Jannach et al.: Recommender Systems: An Introduction. Cambridge University Press, 2010. ISBN 978-0-521-49336-9
  • Francesco Ricci et al.: Recommender Systems Handbook. Springer, 2011. ISBN 978-0-387-85819-7

Weblinks Bearbeiten

Einzelnachweise Bearbeiten

  1. https://www.bibtip.de/
  2. https://recsys.acm.org/
wikipedia, wiki, deutsches, deutschland, buch, bücher, bibliothek artikel lesen, herunterladen kostenlos kostenloser herunterladen, MP3, Video, MP4, 3GP, JPG, JPEG, GIF, PNG, Bild, Musik, Lied, Film, Buch, Spiel, Spiele
Veröffentlichungsdatum:
Ein Empfehlungsdienst englisch Recommender System ist ein Softwaresystem welches das Ziel hat eine Vorhersage zu treffen die quantifiziert wie stark das Interesse eines Benutzers an einem Objekt ist um dem Benutzer genau die Objekte aus der Menge aller vorhandenen Objekte zu empfehlen fur die er sich wahrscheinlich am meisten interessiert Typische Objekte eines Empfehlungsdienstes sind zum Beispiel Produkte eines Webshops Musikstucke bzw Kunstler oder Filme Ein Empfehlungsdienst soll dadurch zur Bewaltigung der Informationsuberflutung beitragen indem es dem Benutzer aus einer unubersichtlichen Menge an Objekten eine Teilmenge empfiehlt Zur Ermittlung der passenden Empfehlungen verwendet ein Empfehlungsdienst Methoden des Maschinellen Lernens und des Information Retrievals Schematische Darstellung eines Empfehlungssystems Inhaltsverzeichnis 1 Grundlagen 2 Unterscheidung nach Datengrundlage 2 1 Inhaltsbasierte Empfehlungsdienste 2 2 Kollaborative Empfehlungsdienste 3 Unterscheidung nach grundlegender Vorhersagemethode 4 Beispiele fur Empfehlungsdienste 5 Wissenschaftliche Forschung uber Empfehlungsdienste 6 Siehe auch 7 Literatur 8 Weblinks 9 EinzelnachweiseGrundlagen BearbeitenEmpfehlungsdienste kommen immer dann zum Einsatz wenn es eine grosse Menge an Objekten z B Produkte Musikstucke Filme Nachrichtenartikel gibt aus denen dem Benutzer eine kleine Teilmenge empfohlen werden soll Dabei geht es meist darum dem Benutzer das Entdecken fur ihn neuer und interessanter Objekte zu erleichtern Ziel des Betreibers eines Empfehlungsdienstes ist die Umsatzsteigerung z B bei der Empfehlung von Produkten oder die Steigerung der Zugriffszahlen bzw allgemein die Steigerung der Nutzung seines Angebots Die einfachste Art von Empfehlungsdiensten bestimmt zu dem aktuell benutzen Objekt weitere ahnliche Objekte zum Beispiel ahnliche Nachrichtenartikel zu dem der gerade gelesen wird Der Grossteil der Empfehlungsdienste in der Forschung betrachtet den Benutzer als zentrale Entitat fur den eine personalisierte Empfehlungsmenge ermittelt werden soll Dazu wird das Interesse des Benutzers an bereits genutzten Objekten erfasst Das Interesse an einem Objekt wird durch eine Bewertung des Benutzers quantifiziert Die Bewertung kann explizit oder implizit erhoben werden Bei der expliziten Bewertung wird der Benutzer aufgefordert ein Objekt zu bewerten z B durch das Anklicken von einem bis funf Sternen Die implizite Ermittlung der Bewertung erfolgt durch die Analyse des Benutzerverhaltens Im einfachsten Fall ist dies eine binare Bewertung hat das Objekt genutzt nicht genutzt Mit Hilfe dieser Bewertungsdaten konnen Ahnlichkeiten zwischen Benutzern berechnet oder mathematische Modelle zur Vorhersage der Benutzerinteressen angelernt werden Unterscheidung nach Datengrundlage BearbeitenEmpfehlungsdienste werden vor allen Dingen danach unterschieden welche Datengrundlage sie zur Bestimmung der Empfehlungsmenge nutzen Die beiden klassischen Typen von Empfehlungsdiensten sind die inhaltsbasierten englisch content based und kollaborativen englisch collaborative Empfehlungsdienste Weitere Typen von Empfehlungsdiensten beziehen z B den Kontext kontextsensitive Empfehlungsdienste den zeitlichen Verlauf englisch time aware Recommender Systems oder demografische Daten des Benutzers sowie Merkmale zu den Objekten mit ein Inhaltsbasierte Empfehlungsdienste Bearbeiten Inhaltsbasierte Empfehlungsdienste empfehlen Objekte die ahnlich den Objekten sind die der Benutzer bereits hoch bewertet hat Dazu ist es erforderlich die Ahnlichkeit zwischen zwei Objekten bestimmen zu konnen Kollaborative Empfehlungsdienste Bearbeiten Hauptartikel Kollaboratives Filtern Kollaborative Empfehlungsdienste auch Kollaboratives Filtern empfehlen die Objekte an denen Benutzer mit ahnlichem Bewertungsverhalten ahnliche Benutzer das grosste Interesse haben Dazu mussen keine weiteren Kenntnisse uber das Objekt selber vorhanden sein Zu dem Empfehlungsdienst zahlt der benutzerbezogene und elementbasierte Algorithmus ausserdem das modell und speicherbasierte Verfahren Unterscheidung nach grundlegender Vorhersagemethode BearbeitenEs gibt fur Empfehlungsdienste zwei grundlegende Lernmethoden speicherbasierte englisch memory based auch heuristische englisch heuristic based und modellbasierte englisch model based Empfehlungsdienste Speicherbasierte Empfehlungsdienste nutzen alle gespeicherten Bewertungsdaten um mit Hilfe von berechneten Ahnlichkeiten zwischen Benutzern bzw Objekten die Bewertung nicht bewerteter Benutzer Objekt Kombinationen abzuschatzen Modellbasierte Empfehlungsdienste nutzen die Bewertungsdaten als Lerndaten um mit Methoden des maschinellen Lernens ein mathematisches Modell zu erlernen mit dessen Hilfe das Interesse eines Benutzers an einem Objekt vorhergesagt werden kann Beispiele fur Empfehlungsdienste BearbeitenEine bekannte Recommendation Engine ist jene von Amazon com zur Empfehlung von Buchtiteln und anderen Produkten Ein anderes Beispiel ist der BibTip Dienst der KIT Bibliothek 1 Inzwischen nutzen zahlreiche deutsche Unternehmen die Empfehlungsfunktion unter anderem die Quelle GmbH vor ihrer Insolvenz und der Einstellung des Geschaftsbetriebs im Jahre 2009 die Metro AG oder Moviepilot Wissenschaftliche Forschung uber Empfehlungsdienste BearbeitenDie grosste internationale Konferenz uber Empfehlungsdienste wird jahrlich von der Association for Computing Machinery 2 ausgerichtet Den grossten wissenschaftlichen Wettbewerb im Bereich Empfehlungsdienste der mit 1 Million USD dotiert war rief der US amerikanische DVD Verleih Netflix 2006 ins Leben Die Siegerlosung wurde 2009 von einem Konglomerat namens BellKor s Pragmatic Chaos geliefert Forscher von commendo research amp consulting Osterreich AT amp T Research USA Pragmatic Theory Kanada und Yahoo Research Israel setzten sich dabei gegen 50 000 Konkurrenzteams durch Siehe auch BearbeitenKollaboratives Filtern Kataloganreicherung Personalisierung Informationstechnik Enthalt unter Personalisierungstechniken Uberschneidungen zu diesem Thema Literatur BearbeitenAndre Klahold Empfehlungssysteme Recommender Systems Grundlagen Konzepte und Losungen Vieweg Teubner Wiesbaden 2009 ISBN 978 3 8348 0568 3 Studium Dietmar Jannach et al Recommender Systems An Introduction Cambridge University Press 2010 ISBN 978 0 521 49336 9 Francesco Ricci et al Recommender Systems Handbook Springer 2011 ISBN 978 0 387 85819 7Weblinks BearbeitenThe ACM Conference Series on Recommender Systems englisch ACM RecSys Wiki englisch Einzelnachweise Bearbeiten https www bibtip de https recsys acm org Normdaten Sachbegriff GND 7511891 9 lobid OGND AKS Abgerufen von https de wikipedia org w index php title Empfehlungsdienst amp oldid 234001436