Inhaltsbasierte Empfehlung
Die inhaltsbasierte Empfehlung schlägt Artikel vor, deren Merkmale denen von Artikeln ähneln, die ein Benutzer zuvor gemocht hat, und erstellt so ein Profil der Interessen des Benutzers aus dem Artikelinhalt.
Definition
Die inhaltsbasierte Empfehlung prognostiziert das Interesse eines Benutzers an einem Artikel, indem sie die Inhaltsmerkmale des Artikels mit einem Profil der Präferenzen des Benutzers vergleicht, die aus Artikeln abgeleitet wurden, mit denen er zuvor interagiert hat, und empfiehlt Artikel, die dem Profil am ähnlichsten sind.
Scope
Dieses Thema behandelt Empfehlungen, die auf Artikelbeschreibungen und einem gelernten Benutzerprofil basieren: die Darstellung von Artikeln durch ihre Inhaltsmerkmale, die Erstellung von Benutzerprofilen aus bewerteten oder konsumierten Artikeln und die Zuordnung von Profilen zu Kandidatenartikeln unter Verwendung von Ähnlichkeit oder überwachtem Lernen. Es befasst sich mit der engen Verwandtschaft zur Informationsrückgewinnung, bei der das Benutzerprofil wie eine stehende Abfrage fungiert, und den charakteristischen Stärken und Einschränkungen wie der Überspezialisierung. Kollaborative Methoden, die das Verhalten anderer Benutzer nutzen, werden ausgeschlossen.
Core questions
- Wie werden Artikel durch Inhaltsmerkmale für die Empfehlung dargestellt?
- Wie wird ein Benutzerprofil aus den Artikeln erstellt, die ein Benutzer gemocht hat?
- Wie werden Kandidatenartikel anhand des Benutzerprofils bewertet?
- Wie hängt die inhaltsbasierte Empfehlung mit der Informationsrückgewinnung und -filterung zusammen?
- Warum neigt die inhaltsbasierte Empfehlung zur Überspezialisierung?
Key concepts
- Inhaltsmerkmale von Artikeln
- Benutzerprofil
- tf-idf und Schlüsselwortprofile
- Profil-Artikel-Ähnlichkeit
- überwachtes Präferenzlernen
- Überspezialisierung
- Erklärbarkeit von Empfehlungen
- Umgang mit neuen Artikeln
Key theories
- Profil-als-Abfrage-Matching
- Durch die Darstellung von Artikeln mit Inhaltsmerkmalen und des Benutzers mit einem aus gemochten Artikeln aggregierten Profil reduziert sich die inhaltsbasierte Empfehlung auf ein Ähnlichkeits-Matching im Stil der Informationsrückgewinnung, wobei das Profil wie eine persistente Abfrage gegen den Artikelkatalog fungiert.
- Stärken und Überspezialisierung
- Inhaltsbasierte Methoden können neue und Nischenartikel empfehlen und Vorschläge anhand von Merkmalen erklären, aber da sie nur Artikel aufzeigen, die der Historie des Benutzers ähneln, besteht das Risiko eines engen, überspezialisierten Satzes, dem die Serendipität fehlt.
Clinical relevance
Die inhaltsbasierte Empfehlung treibt Vorschläge für Artikel, Produkte, Musik und Videos voran, bei denen die Artikelbeschreibungen reichhaltig sind, und sie verarbeitet neue Artikel gut, da sie nicht von den Bewertungen anderer abhängt. Sie wird häufig mit kollaborativen Methoden kombiniert, um die Schwächen jedes Ansatzes auszugleichen.
History
Die inhaltsbasierte Empfehlung entwickelte sich in den 1990er Jahren direkt aus der Informationsfilterung und -rückgewinnung und behandelte ein Benutzerprofil als eine langjährige Abfrage. Die Übersicht von Pazzani und Billsus und die spätere State-of-the-Art-Studie von Lops und Kollegen konsolidierten Repräsentations- und Profil-Lerntechniken, und der Ansatz bleibt eine Standardkomponente, insbesondere innerhalb hybrider Systeme.
Key figures
- Michael Pazzani
- Daniel Billsus
- Pasquale Lops
- Giovanni Semeraro
Related topics
Seminal works
- pazzani2007
- lops2011
Frequently asked questions
- Wie hängt die inhaltsbasierte Empfehlung mit der Informationsrückgewinnung zusammen?
- Sehr eng: Das Benutzerprofil spielt die Rolle einer Abfrage, Artikel spielen die Rolle von Dokumenten, und die Empfehlung der besten Artikel ist im Wesentlichen das Ranking von Dokumenten nach Ähnlichkeit mit der Abfrage. Viele inhaltsbasierte Methoden verwenden Repräsentationen der Informationsrückgewinnung wie tf-idf und Kosinus-Ähnlichkeit wieder.
- Was ist Überspezialisierung bei der inhaltsbasierten Empfehlung?
- Da die Methode nur Artikel empfiehlt, die dem ähneln, was ein Benutzer bereits mochte, kann sie immer wieder nahezu identische Artikel vorschlagen und neuartige oder überraschende Artikel übersehen, die der Benutzer genießen könnte. Dieser Mangel an Serendipität ist ein Hauptgrund, warum inhaltsbasierte Methoden oft mit kollaborativer Filterung kombiniert werden.