Recommendation Engine

Was ist “Recommendation Engine”?

Eine Empfehlungs Engine ist ein maschinelles Lernsystem (ML), das explizites und implizites Feedback von Endnutzern verwendet, um Vorhersagen darüber zu treffen, welche digitalen Inhalte – einschließlich Werbung – ein Endnutzer möglicherweise sehen möchte.

Im elektronischen Handel können Empfehlungssysteme eingesetzt werden, um die Besucher von Partner-Websites in Gruppen einzuteilen und ihnen relevante Produkt- und Inhaltsvorschläge zu unterbreiten. Die Empfehlungen sind in der Regel am genauesten, wenn die Engine Zugang zu detaillierten Informationen über Inhaltselemente sowie zu historischen Daten für bestimmte Endnutzer und Kohorten hat (Lesen Sie dazu auch – KI-gestützte Personalisierung: Wie maschinelles Lernen das Kundenerlebnis verändert).

Empfehlungs Engines werden in der Regel als kollaborative Filtersysteme, inhaltsbasierte Systeme oder hybride Systeme kategorisiert.

Techopedia erklärt die Empfehlungs Engine

Recommendation Engines werden auch als Empfehlungssysteme bezeichnet. Da mobile Anwendungen und andere technologische Fortschritte die Art und Weise, wie Nutzer Informationen auswählen und nutzen, immer weiter verändern, werden Empfehlungssysteme zu einem festen Bestandteil von Websites und Softwareprodukten.

Wie funktioniert eine Empfehlungs Engine?

Empfehlungssysteme verwenden Algorithmen des maschinellen Lernens und statistische Modelle, um die Wahrscheinlichkeit zu berechnen, dass ein Endnutzer eine vorgeschlagene Aktion ausführt.

Inhaltsbasierte Suchmaschinen basieren auf dem Interesse des Endnutzers an einem bestimmten Inhaltselement. Wenn ein Inhalt aufgerufen wurde, verwendet das System Metadaten, um ähnliche Inhalte zu identifizieren und zu empfehlen. Diese Art von Empfehlungssystemen wird häufig von Nachrichten-Websites verwendet und ist an Aufforderungen wie “Das könnte Sie auch interessieren…” zu erkennen.

Kollaborative Empfehlungssysteme analysieren das Verhalten der Endbenutzer innerhalb einer bestimmten Plattform, um Vorhersagen über einen bestimmten Endbenutzer oder eine bestimmte Gruppe zu treffen. Diese Art von Empfehlungssystemen kann speicherbasiert oder modellbasiert sein und wird häufig von E-Commerce-Websites verwendet. Collaborative Engines sind an Aufforderungen wie “Menschen, die dies gekauft haben, haben auch…” zu erkennen.

Hybride Empfehlungs Engines kompensieren die Einschränkungen von inhaltsbasierten und kollaborativen Modellen, indem sie sowohl Metadaten als auch Transaktionsdaten verwenden, um zukünftige Aktionen vorzuschlagen. Hybride Engines können analysieren, welche digitalen Inhalte ein Endnutzer zuvor genutzt hat, und ähnliche Inhalte empfehlen, wobei auch demografische und historische Daten von Personen mit ähnlichen Interessen berücksichtigt werden. Hybrid-Engines lassen sich an mehreren Arten von Aufforderungen auf derselben Seite erkennen.

Die Rolle von impliziten und expliziten Daten

Inhaltsbasierte Empfehlungs Engines stützen sich häufig auf explizite Daten, um Vorhersagen zu treffen. Diese Art von Daten muss vom Endnutzer manuell eingegeben werden. Sternebewertungen und Benutzerprofile sind eine beliebte Quelle für explizite Daten für Empfehlungssysteme.

Kollaborative Empfehlungssysteme verwenden implizite Daten. Diese Art von Daten basiert auf dem Benutzerverhalten und stützt sich auf Cookies, die, sobald sie akzeptiert wurden, dazu verwendet werden können, das Online-Verhalten eines Endbenutzers auf einer einzigen Website zu verfolgen.

Hybride Empfehlungssysteme verwenden sowohl implizite als auch explizite Daten, um Empfehlungen auszusprechen. Diese Art von hochentwickelter Empfehlungs Engine verwendet sowohl inhaltsbasierte als auch kollaborative Empfehlungsaufforderungen und kann Daten von mehreren Partner-Websites zur Erstellung von Empfehlungen verwenden.

Verwandte Begriffe

Margaret Rouse

Margaret Rouse ist eine preisgekrönte technische Autorin und Dozentin. Sie ist für ihre Fähigkeit bekannt, komplexe technische Themen simpel und nachvollziehbar zu erklären. In den letzten zwanzig Jahren sind ihre Erklärungen auf TechTarget-Websites erschienen und sie wurde in Artikeln der New York Times, des Time Magazine, USA Today, ZDNet, PC Magazine und Discovery Magazine als Quelle und Expertin zitiert. Wenn Sie einen Vorschlag für eine neue Definition haben oder eine technische Erklärung verbessern möchten, schicken Sie einfach Margaret eine E-Mail oder kontaktieren Sie sie auf LinkedIn oder Twitter.