Empfehlungssysteme

Kurz: Empfehlungssysteme schlagen vor, was Nutzern gefallen könnte: Filme, Produkte, Videos, Beiträge. Sie lernen aus Verhalten (Klicks, Käufe, Sehdauer) und aus Eigenschaften der Inhalte.

Genauer: Das Ziel ist meist, Aufmerksamkeit oder Verkäufe zu maximieren. Das System sortiert Tausende Kandidaten in Millisekunden.

Im Detail

• Collaborative Filtering: „Nutzer wie du mochten …“. Eine Nutzer-Objekt-Tabelle wird in kleine Vektoren zerlegt (Matrixfaktorisierung), Nutzer und Objekte liegen im selben Raum.
• Inhaltsbasiert: Objekte mit ähnlichen Eigenschaften (Genre, Text-Embedding).
• Zwei-Stufen-System: Erst Kandidaten holen (Embedding-Suche, siehe Vektordatenbanken und Ähnlichkeitssuche), dann mit einem genauen Modell sortieren (Ranking).
• Kaltstart: Neue Nutzer oder Objekte haben keine Historie.
• Verstärkung des Gleichen: Filterblasen und Rückkopplungen, siehe Verzerrung, Fairness und Datenqualität.
• Messung: Klickrate, Verweildauer, A/B-Tests. Hohe Kennzahlen heißen nicht automatisch Nutzen für Menschen.
• Recht: Der Digital Services Act verlangt Transparenz und Optionen ohne Profiling bei großen Plattformen.

Siehe auch: k-Nearest-Neighbors, k-Means und Clustering, embedding-(vektordarstellung)