Empfehlungssysteme

Question 1

Empfehlungssystem

Answer 1

Software die Interessen und Präferenzen von Usern erfragt und dazu passende Objekte empfiehlt

Question 2

Grundidee von Empfehlungssystemen

Answer 2

Information overload im Internet

Informationsexplosion vs. begrenzte geistige Kapazitäten Informationen aufzunehmen und zu verarbeiten

Question 3

Theory of human information processing

Answer 3

Entscheidungsaufwand minimieren Entscheidungsqualität maximieren

Question 4

Bounded Rationality

Answer 4

Überlastung mit Informationen führt zu bounded rationality

• > Konsumenten neigen zur Komplexitätsreduktion
• > Konsumenten suchen zufriedenstellende, nicht optimale Alternative

Question 5

Nutzen Empfehlungssysteme aus User Sicht

Answer 5

• Verringerung Entscheidungsaufwand
• Steigerung der Entscheidungsqualität
• > freigewordene geistige Ressourcen können im Detailvergleich der verbleibenden Alternativen investiert werden

Question 6

Empfehlungssysteme im E-Commerce

Answer 6

• product brokerings
• > finde das beste Produkt
• merchant brokering
• > finde den geeignetsten Dienstleister

Question 7

Relevanz für Anbieter von Empfehlungssystemen

Answer 7

• Transformation von Seitenbesuchern in Käufer

• Förderung von Add- On - Selling
-> Empfehlungen können auf interessante Zusatzprodukte aufmerksam machen

• Loyalität durch Wechselkosten
-> Empfehlungssysteme können über User Präferenzen lernen und so immer bessere Empfehlungen aussprechen

Question 8

Definition: User

Answer 8

Anwender für den Empfehlungen aus der Menge aller Produkte erstellt werden sollen

Question 9

Definition: item

Answer 9

Ein Element aus der Menge der möglichen Empfehlungen

- für alle items werden typischerweise Verkaufs Bzw AnwendungStatistiken erstellt

Question 10

Definition: Profil

Answer 10

In einem Profil werden die bisherigen Aktivitäten eines Users abgelegt
- Profile werden verwendet um User in Klassen einzuordnen oder um Referenzen zu bisher gewählten Produkten herzustellen

Question 11

Definition: Referenz

Answer 11

Stellt ein mögliches Attribut zur Bewertung wines items dar

Question 12

Definition: Referenz Bewegung

Answer 12

Eine Funktion mit der die Relevanz einer Referenz für eine Empfehlung bewertet wird

Question 13

Definition: Item Bewertung

Answer 13

Bewertung eines Items unter Verwendung einer Referenz

Question 14

Explizite Präferenzerhebung

Answer 14

• direkte Bewertung von items durch den User
z.B like Button

• Vorteile:
- sehr hochqualifiziertes Feedback

• Nachteile:

• gefühlter Mehraufwand für den User
• nur wenige machen sich die Mühe einer Bewertung
• explizite Angaben sind beeinflussbar

Question 15

Implizite Präferenzerhebung

Answer 15

• es wird versucht aus dem Verhalten der user Rückschlüsse auf seine Absichten und Präferenzen zu ziehen

z.B. Lied nicht bis zum Ende gehört -> User gefällt Lied nicht

• Vorteile:
- User hat keinerlei Aufwand

• Nachteile:
- aus dem Verhalten des Users können nicht immer verlässliche Rückschlüsse auf seine Präferenzen gezogen werden

Question 16

Aktive Empfehlungssysteme

Answer 16

• für jeden User werden Empfehlungen individuell berechnet
• Historie oder Profil des User als Datengrundlage
• jeder User erhält unterschiedliche/ personalisierte Empfehlungen

• Vorteile:
- mit ausreichender Datenbasis kann der Ergebnisraum für den User effizient eingegrenzt werden

• Nachteile:

• deutlich Mehraufwand und höhere Anforderungen an die vorhandene Datenbasis
• Anfällig für Kaltstartproblem

Question 17

Passive Empfehlungssysteme

Answer 17

• Berechnungsvorgang ist für alle User identisch
Bsp User die Artikel a kauften bestellten auch Artikel b

• alle User erhalten dieselben Empfehlungen

• Vorteile:
- einfach zu realisieren

• Nachteile:
- Empfehlungen sind nicht personalisiert und haben geringeren Nutzenwert

Question 18

Memory based Empfehlungssystemfilter

Answer 18

• für jede Anfrage werden die vorhandenen rohdaten ausgewertet
• um Berechnung zu beschleunigen können Daten schon vorher ausgewertet werden
• allerdings wird kein Lernverhalten oder Modellierung eingesetzt

• Vorteile:
- einfache Datenverwaltung

• Nachteile:
- langsameres System, da Vorallem bei großer Datenmenge deutlich länger ausgewertet wird

Question 19

Model based Empfehlungssystemfiltereigenschaften

Answer 19

• aus den vorhandenen Daten wird ein Modell oder Profil aufgebaut
• das Modell wird später als die eigentliche Datengrundlage für die Empfehlungen angewendet

• Vorteile:
- deutlich schnellere Auswertung möglich

• Nachteile:
- höhere Anforderungen an den Algorithmus und das Datenmanagement

Question 20

Filtermethoden - Kategorisierung von Empfehlungssystemen

Answer 20

Nicht personalisiert:
Expertengestützt: -> uniforme Empfehlungssysteme
Nutzergestützt: -> Meinungsportale

Personalisiert:
Expertengestützt: -> regelbasierte Empfehlungssysteme
Nutzergestützt: -> attribute based filtering, collaborative filtering

Question 21

Regelbasierte Empfehlungssysteme

Answer 21

Aufstellen von regeln in wenn dann Form

• Vorteile:

• Herkunft der Daten
• leichte Erstellung einer einfachen Personalisierung

• Nachteile:

• wissen um relevante Zusammenhänge
• permanente (manuelle) Aktualisierung der Regeln

Question 22

Attribute based filtering

Answer 22

Präferenz eines Users für ein Produkt lässt sich dich Betrachtung der Eigenschaften des Produkts ermitteln

• Vorteile:

• Präferenz des Users ist keine Blackbox
• automatische Beurteilung von neuen Produkten möglich

• Nachteile:

• Produkte müssen anhand ihrer Eigenschaften beschreibbar sein
• hoher Aufwand zur Ermittlung der Präferenz der Uwe für die Eigenschaften

Question 23

Collaborative Filtering

Answer 23

Personalisierung aufgrund von Ähnlichkeiten zwischen Usern

• Vorteile:

• keine produkteigenschaften notwendig (zumindest bei Memory based)
• vorschlagsmöglichkeiten von nicht ähnlichen/ neuen Produkten

• Nachteile:

• Präferenz des Nutzers meist eine Black Box
• nur schon bewertete Produkte können empfohlen werden (First Rater Problem)
• es bedarf einer kritischen Masse für die ersten Vorschläge (Cold Start Problem)
• exotische Profile haben meist schlechtere Vorschläge

Question 24

Bekannte Probleme bei Empfehlungssystemen

Answer 24

(1) Kaltstartproblem
- > für neue User in einem System it es nicht möglich ausreichend gute individualisierte Empfehlungen zu ermitteln da bisher noch keine Daten zum Benutzerverhalten vorliegen

(2) Skalierbarkeit
- > vor allem Memory based Algorithmen leiden bei steigender item und User Anzahl unter schlechter Performance

(3) sparsity problem
- > aufgrund der Größe vieler Sortimente können User nur einen kleinen Teil bewerten Bzw betrachten
- > dadurch praktisch nicht möglich zwei im Kaufverhalten ähnliche User zu finden

Question 25

Sortierte Listen

Answer 25

Empfehlungen werden danach sortiert inwiefern sie den Präferenzen der User entsprechen - in sortierten Listen haben benachbarte Alternativen ähnlichen nutzenwert was den Vergleich kognitiv erschwert - tendenziell höhere Entscheidungsqualität bei sortierten Listen

Question 26

Unsortierte Listen

Answer 26

Empfehlungen werden in einer zufälligen Reihenfolge dargestellt Bzw aufgelistet

Question 27

Predicted Ratings

Answer 27

Vorhersage des Systems wie gut einem User ein item gefällt Bzw wie User ein item bewerten würde Predicted ratings beeinflussen User bei der Bewertung von Items - User neigen zur Anpassung der Bewertung an Vorhersage

Question 28

User Bewertung

Answer 28

(1) perceived ease of use - > vom Nutzer empfundener Aufwand das System zu bedienen und zu verwenden (2) perceived usefulness - > vom Nutzer empfundener nutzen des Systems und der Empfehlungen bei der Suche nach geeigneten items (3) Zufriedenheit - > Mit Unterstützung der Entscheidungsfindung - > resultiert aus Vergleich der Ex ante erwarteten und Ex post wahrgenommenen Performance (4) vertrauen - > Empfehlungen können durch anbieterinteressen beeinflusst sein