Empfehlungs- und Inhaltssysteme
Empfehlungssysteme schlagen Artikel vor, die für einen Benutzer von Interesse sein könnten, und bieten einen personalisierten Informationszugang, der die abfragegesteuerte Suche ergänzt.
Definition
Ein Empfehlungssystem prognostiziert die Präferenz eines Benutzers für Artikel und präsentiert eine geordnete Menge von Vorschlägen, wobei Evidenz wie der Inhalt des Artikels, das frühere Verhalten des Benutzers und das Verhalten anderer Benutzer genutzt wird, um einen personalisierten Informationszugang ohne explizite Abfrage zu unterstützen.
Scope
Dieser Bereich umfasst Systeme, die Benutzern proaktiv Artikel empfehlen: inhaltsbasierte Empfehlungen, die Artikel mit Benutzerprofilen abgleichen, kollaboratives Filtern, das Muster über Benutzer und Artikel hinweg nutzt, hybride und kontextsensitive Methoden, die Signale kombinieren und sich an die Situation anpassen, sowie die Bewertung von Empfehlungen. Er behandelt Empfehlungen als einen personalisierungsorientierten Zweig des Informationszugangs, der eng mit dem Retrieval verbunden ist, gemeinsame Repräsentationen und Bewertungsansätze teilt, während er das spezifische Problem der Empfehlung von Artikeln ohne explizite Abfrage adressiert.
Sub-topics
Core questions
- Wie werden Benutzerpräferenzen aus expliziten Bewertungen und implizitem Verhalten abgeleitet?
- Wie unterscheidet sich inhaltsbasierte Empfehlung von kollaborativem Filtern?
- Wie nutzen kollaborative Methoden Muster über viele Benutzer und Artikel hinweg?
- Wie werden Inhalts-, Verhaltens- und Kontextsignale kombiniert?
- Wie wird die Empfehlungsqualität über die Vorhersagegenauigkeit hinaus gemessen?
Key concepts
- Benutzer- und Artikelprofile
- explizites und implizites Feedback
- inhaltsbasierte Empfehlung
- kollaboratives Filtern
- Matrix-Faktorisierung / latente Faktoren
- Kaltstartproblem
- kontextsensitive Empfehlung
- Empfehlungsranking und Diversität
Key theories
- Inhaltsbasiertes versus kollaboratives Filtern
- Inhaltsbasierte Methoden empfehlen Artikel, die denen ähneln, die ein Benutzer mochte, unter Verwendung von Artikelmerkmalen, während kollaboratives Filtern Artikel empfiehlt, die ähnliche Benutzer mochten, unter Verwendung der Benutzer-Artikel-Interaktionsmatrix, jeweils mit komplementären Stärken und Schwächen.
- Matrix-Faktorisierung und latente Faktorenmodelle
- Kollaboratives Filtern kann als Faktorisierung der dünn besetzten Benutzer-Artikel-Bewertungsmatrix in niedrigdimensionale Benutzer- und Artikelfaktoren aufgefasst werden, deren Skalarprodukte Präferenzen vorhersagen, eine Technik, die für moderne Empfehlungen zentral ist.
Clinical relevance
Empfehlungssysteme sind zentral für E-Commerce, Streaming-Medien, Nachrichten, soziale Plattformen und Online-Werbung und prägen einen Großteil dessen, was Benutzer online erleben. Sie teilen Repräsentationen, Ranking- und Bewertungsmethoden mit dem Retrieval, und Bedenken wie Diversität, Fairness und Filterblasen machen ihr Design bedeutsam.
History
Empfehlungssysteme entstanden Mitte der 1990er Jahre mit frühen kollaborativen Filtersystemen wie GroupLens. Der Netflix Prize Wettbewerb (2006-2009) führte zu großen Fortschritten bei Matrix-Faktorisierungs-Methoden, und das Feld entwickelte sich zu einer breiten Disziplin, die inhaltsbasierte, kollaborative, hybride und kontextsensitive Ansätze umfasst, konsolidiert in umfassenden Handbüchern und Lehrbüchern.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- Wie unterscheidet sich Empfehlung von Suche?
- Die Suche reagiert auf eine explizite Abfrage, die einen unmittelbaren Bedarf ausdrückt, während die Empfehlung proaktiv Artikel basierend auf den abgeleiteten Präferenzen und dem Kontext eines Benutzers vorschlägt, oft ohne Abfrage. Sie teilen Repräsentationen und Ranking-Mechanismen, lösen aber unterschiedliche Informationszugangsprobleme.
- Was ist das Kaltstartproblem?
- Der Kaltstart ist die Schwierigkeit, Empfehlungen für neue Benutzer oder neue Artikel mit wenig oder keiner Interaktionshistorie abzugeben. Ohne Bewertungen oder Verhaltensdaten, aus denen gelernt werden kann, haben kollaborative Methoden Schwierigkeiten, weshalb inhaltsbasierte Merkmale und hybride Ansätze oft verwendet werden, um diese Lücke zu schließen.