Hybride und kontextsensitive Empfehlungssysteme

Hybride Empfehlungssysteme kombinieren mehrere Empfehlungsstrategien, um deren individuelle Schwächen auszugleichen, und kontextsensitive Empfehlungssysteme passen Vorschläge an die Situation des Benutzers an.

Definition

Ein hybrides Empfehlungssystem kombiniert zwei oder mehr Empfehlungstechniken, um bessere Vorschläge zu generieren als jede einzelne Methode, und ein kontextsensitives Empfehlungssystem bezieht kontextuelle Informationen jenseits von Benutzer- und Artikelidentitäten, wie Zeit, Ort, Stimmung oder Begleitung, in den Empfehlungsprozess ein.

Scope

Dieses Thema behandelt zwei komplementäre Erweiterungen der grundlegenden Empfehlung: Hybridsysteme, die inhaltsbasierte, kollaborative und andere Techniken durch Strategien wie Gewichtung, Umschaltung, Merkmalskombination und Kaskadierung integrieren; und kontextsensitive Empfehlung, die kontextuelle Faktoren wie Zeit, Ort und Gerät in die Vorhersage einbezieht. Es wird untersucht, wie die Kombination und Kontextualisierung von Signalen die Genauigkeit und Robustheit verbessert, insbesondere gegenüber dem Kaltstartproblem, während die Basismethoden und deren Evaluierung angrenzenden Themen überlassen werden.

Core questions

• Warum sollten inhaltsbasierte und kollaborative Methoden kombiniert werden, anstatt nur eine allein zu verwenden?
• Welche Strategien existieren für die Hybridisierung von Empfehlungssystemen, wie Gewichtung, Umschaltung und Kaskadierung?
• Wie verändert das Hinzufügen von Kontext wie Zeit oder Ort Empfehlungen?
• Wie kann Kontext als Vorfilterung, Nachfilterung oder kontextuelle Modellierung modelliert werden?
• Wie helfen hybride und kontextsensitive Methoden bei Kaltstart und Robustheit?

Key concepts

• hybride Empfehlung
• gewichtete und umschaltende Hybride
• Kaskaden- und Merkmalskombinations-Hybride
• kontextsensitive Empfehlung
• kontextuelle Vorfilterung und Nachfilterung
• kontextuelle Modellierung
• Minderung des Kaltstartproblems
• mehrdimensionale Präferenzmodelle

Key theories

Hybridisierungsstrategien

Empfehlungssysteme können kombiniert werden, indem ihre Bewertungen gemischt (gewichtet), je nach Situation zwischen ihnen gewählt (umgeschaltet), die Ausgabe des einen in das andere eingespeist (Kaskade oder Merkmalserweiterung) oder ihre Merkmale zusammengeführt werden, wobei die richtige Strategie die Schwächen jeder Komponente mindert.

Paradigmen der kontextsensitiven Empfehlung

Kontext kann durch Filtern von Daten vor der Empfehlung (kontextuelle Vorfilterung), Anpassen der Ergebnisse danach (Nachfilterung) oder direktes Modellieren des Kontexts innerhalb eines mehrdimensionalen Präferenzmodells (kontextuelle Modellierung) einbezogen werden.

Clinical relevance

Die meisten produktiven Empfehlungssysteme sind hybride Systeme, die kollaborative, inhaltsbasierte und verhaltensbezogene Signale miteinander verbinden und sich an den Kontext wie Gerät, Tageszeit und jüngste Aktivitäten anpassen. Diese Techniken verbessern die Genauigkeit, bewältigen das Kaltstartproblem und passen Vorschläge an den jeweiligen Moment an, was in mobilen und Streaming-Diensten unerlässlich ist.

History

Burkes Studie aus dem Jahr 2002 systematisierte Hybridisierungsstrategien, da Forscher erkannten, dass keine einzelne Empfehlungstechnik durchweg die beste war. Die kontextsensitive Empfehlung entwickelte sich in den 2000er Jahren und wurde von Adomavicius und Tuzhilin formalisiert, als mobiles und ubiquitäres Computing situative Signale verfügbar machte. Hybride, kontextsensitive Designs sind heute Standard in implementierten Systemen.

Key figures

• Robin Burke
• Gediminas Adomavicius
• Alexander Tuzhilin
• Francesco Ricci

Seminal works

• burke2002
• adomavicius2011
• ricci2015

Frequently asked questions

Warum sind die meisten realen Empfehlungssysteme Hybride?

Jede Technik hat Schwächen: Inhaltsbasierte Methoden spezialisieren sich zu stark, und kollaborative Methoden haben Schwierigkeiten mit dem Kaltstartproblem und der Datensparsamkeit. Die Kombination ermöglicht es, dass die Stärken der einen die Schwächen der anderen abdecken, was in der Regel zu genaueren und robusteren Empfehlungen führt als jede einzelne Methode.

Was zählt als Kontext in der kontextsensitiven Empfehlung?

Kontext sind alle situativen Informationen jenseits der Benutzer- und Artikelidentitäten, die Präferenzen beeinflussen, wie Zeit, Ort, Gerät, Wetter oder mit wem der Benutzer zusammen ist. Die Einbeziehung ermöglicht es einem System, beispielsweise für eine Pendelfahrt an einem Wochentag anders zu empfehlen als für einen Samstagabend.