Seminararbeit zum Thema. Recommender-Systeme. von. Stefan Muno. 8. Dezember Im Rahmen des Seminars: Soziales Retrieval im Web 2.

Transkript

1 Seminararbeit zum Thema Recommender-Systeme von Stefan Muno 8. Dezember 2008 Im Rahmen des Seminars: Soziales Retrieval im Web 2.0 Sommersemester 2008 Betreuer: Prof. Dr.-Ing. Norbert Fuhr Lehrstuhl für Informationssysteme Universität Duisburg-Essen

2 Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen Was ist ein Recommendersystem? Sammeln von Nutzerinformationen Explizites Sammeln von Nutzerinformationen Implizites Sammeln von Nutzerinformationen Recommendersystem-Typen Inhaltsbasierte Recommendersysteme Item-to-Item Correlation Exact-match Best-match Anwendungsgebiete Empfehlungsbasierte Recommendersysteme Funktionsweise Anwendungsgebiete Hybride Systeme Content-based Collaborative Filtering Vorteile und Nachteile der einzelnen Systeme Vorgehensweise Beispiel-Anwendungen Movielens Amazon Fazit 17 1

3 1 Einleitung Das Internet ist ein Medium, von dem heutzutage ein Jeder bereits gehört hat und das viele Leute regelmäßig benutzen. Täglich werden neue Inhalte erstellt, online verfügbar gemacht und von Dritten wiederum abgerufen und weiterverarbeitet. Von der Öffnung des Internets für private Anwender (ca. 1983) bis heute nimmt die Menge von Daten und Informationen im Internet rapide zu und ein Ende ist nicht in Sicht. Um sich in der mittlerweile unüberschaubaren Fülle von Inhalten im Internet nicht zu verlieren, wurden unter anderem Suchmaschinen wie z.b. Google 1 oder Altavista 2 entwickelt. Mit diesen Suchmaschinen ist es dem Anwender möglich die riesige Menge an Informationen und Daten im Internet zu filtern und nur diejenigen Dokumente zu erhalten, die seiner Suchanfrage entsprechen. Eine solche Suche ist jedoch gänzlich unpersönlich. Informationen über die Motivation oder den Hintergrund des Suchenden sind nicht bekannt können daher bei der Suche nicht berücksichtigt werden. Somit können Dokumente gefunden werden, die zwar zu der Anfrage des Anwenders passen, sein aktuelles Informationsbedürfnis jedoch nicht stillen. Desweiteren können reine Suchmaschinen dem Anwender die Frage nach einem interessanten Buch oder einem guten Lokal nicht beantworten. Um bei der Informationssuche im Internet die persönlichen Hintergründe, die Vorlieben und die Abneigungen des Suchenden in die Suche mit einfließen zu lassen, wurden Recommendersysteme entwickelt. Im Folgenden wird die Funktionsweise von Recommendersystemen erklärt. Anschließend werden zwei Recommendersystem-Typen mit ihren Vor- und Nachteilen vorgestellt. Im weiteren Verlauf der Arbeit werden Kombinationen von mehreren Recommendersystem-Typen zu hybriden Systemen behandelt und danach an praktischen Beispielen erläutert. Zuletzt wird ein persönliches Fazit über die Thematik der Recommendersysteme gegeben

4 2 Grundlagen 2.1 Was ist ein Recommendersystem? Der Begriff des Recommender System oder Recommendation System kommt aus dem Englischen und lautet ins Deutsche übersetzt: Empfehlungs- System. Recommendersysteme empfehlen dem Anwender aus einer Menge von Inhalten diejenigen Inhalte, die den Anwender interessieren könnten. Um interessante Inhalte zu finden, sammelt das System Informationen über den Anwender und nutzt diese, um aus der Menge aller Inhalte, möglichst relevante Informationen zurückzuliefern. Abbildung 1 verdeutlicht den Vor- Abbildung 1: Funktionsweise von Recommendersystemen gang der Empfehlungsgenerierung. Zuerst muss das System Informationen über den Anwender sammeln. Zu den Information zählen z.b. Hobbies, der Verlauf der besuchten Webseiten des Anwenders oder auch Alter, Größe und Gewicht des Anwenders. Die Daten zu den jeweiligen Benutzern werden anschließend im Daten-Pool gespeichert. Der Anwender kann nun eine Anfrage an das System stellen und das Recommendersystem berechnet aus der Anfrage und den Nutzerinformationen aus dem Daten-Pool eine Menge von zu empfehlenden Dokumenten. 2.2 Sammeln von Nutzerinformationen Bevor ein Recommendersystem empfehlungen generieren kann, benötigt es, wie in Abschnitt 2.1 erklärt, Informationen über den Benutzer. Beim Sammeln dieser Informationen unterscheidet man zwischen zwei verschiedenen Methoden, dem expliziten und dem impliziten Sammeln. 3

5 2.2.1 Explizites Sammeln von Nutzerinformationen Bei der expliziten Methode wird der Anwender mit Formularen oder direkten Fragen konfrontiert. Er wird beispielsweise nach seinem Geburtsdatum, seinen Hobbies und Interessen, seinem Familienstatus und einigen anderen Informationen gefragt. Das System erstellt daraufhin ein Benutzerprofil und speichert die gesammelten Daten darin ab. Eine andere Art des expliziten Informationssammelns ist die Bewertung von Dokumenten durch den Benutzer. Die von einen Anwender vergebenen Bewertungen zu einem Dokument können ebenfalls in einer Art Benutzerprofil gespeichert werden Implizites Sammeln von Nutzerinformationen Ein Recommendersystem, das seine Informationen über den Anwender implizit sammelt, erhält seine Daten, indem es sich zu jedem Benutzer z.b. merkt, welche Internetseiten er wie lange in seinem Browser betrachtet hat und welche Seiten er anschließend aufgerufen hat. Die Historie der besuchten Webseiten oder häufig auftretende Verhaltensmuster bei der Informationssuche innerhalb einer Website können ebenfalls gespeichert und zur Generierung von Empfehlungen verwendet werden. 4

6 3 Recommendersystem-Typen Um eine Empfehlung für einen Anwender zu berechnen, kann ein Recommendersystem verschiedene Techniken verwenden. Die einfachste Technik basiert auf schlichten Wenn..., dann... -Regeln, die manuell in das System eingepflegt werden. Durch den enormen Wartungsaufwand sind Systeme, die dieses Verfahren verwenden, für jede größere Objektmenge ungeeignet. Der Vollständigkeit halber sei gesagt, dass es noch weitere Recommendersystem-Typen gibt, die jedoch im Rahmen dieser Arbeit nicht weiter behandelt werden. Die beiden meistverwendeten Techniken, inhaltsbasierte und empfehlungsbasierte Recommendersysteme, werden in den nächsten beiden Abschnitten vorgestellt. 3.1 Inhaltsbasierte Recommendersysteme Item-to-Item Correlation Der inhaltsbasierte Recommendersystem-Typ basiert auf der Klassifizierung von allen Inhalten, die in das Empfehlungssystem mit einbezogen werden sollen. Jedes Dokument wird mit ein oder mehreren Schlüsselworten versehen und somit in eine oder mehrere Kategorien eingeordnet. Man geht davon aus, dass Dokumente, die die gleiche oder eine ähnliche Klassifizierung erhalten haben, sich ebenfalls ähnlich sind, oder sich vielleicht ergänzen. Ein Anwender, der sich für ein Dokument dieser klassifizierten Dokumentenmenge interessiert, gibt dem Recommendersystem indirekt bekannt, dass er sich für Objekte mit der gleichen oder ähnlichen Klassifizierung des angesehen Objekts interessiert. Über die Schlüsselworte bzw. die Klassifizierung des betrachteten Dokuments, kann das System nun möglichst ähnliche Objekte suchen und diese dem Anwender für seine weitere Informationssuche empfehlen. Diese Technik wird auch Item-to-Item Correlation genannt, weil die Empfehlungen allein durch den Vergleich von Objekten berechnet werden [Burke, 2002]. Beispiel: Buch Humor Fantasy History Action Drama Herr der Ringe Die Pest Resturlaub Der kleine Hobbit

7 Die Tabelle zeigt eine Beispielkategorisierung für mehrere Bücher. Ein Anwender, der sich für das Buch Herr der Ringe interessiert hat, würde aufgrund der ähnlichen Kategorisierung des Buchs Der kleine Hobbit eben dieses Buch als Empfehlung vom Recommendersystem erhalten. Die Ähnlichkeit von Dokumenten, bzw. die Ähnlichkeit ihrer Klassifizierung, kann prinzipiell mit zwei verschiedene Methoden berechnet werden: Exact-match und Best-match, wobei letztere eine Verallgemeinerung der ersten Methode ist Exact-match Bei dem Exact-match Verfahren werden alle Dokumente, wie im Abschnitt beschrieben, mit Schlüsselworten versehen und somit Kategorisiert. Allerdings habe die Schlüsselworte alle die Gewichtungen 1 für Ja, das Dokument gehört dieser Kategorie an oder oder 0 für Nein, dieses Dokument gehört nicht dieser Kategorie an. Werden zwei Objekte Objekt1 und Objekt2 miteinander verglichen sind sie nur dann gleich, wenn alle Schlüsselworte mit denen Objekt1 kategorisiert wurde auch in der Kategorisierung von Objekt2 auftauchen. Wie in der boolschen Algebra können Schlüsselworte mit And, Or und Not verknüpft werden. Als Resultat erhält man bei dieser Technik nur Dokumente, die exakt zu dem Anfragedokument passen. Ein Dokument kann ausschließlich relevant oder irrelevant sein, eine feinere Abgrenzung oder Gewichtung ist nicht möglich. Dadurch ergibt sich der Nachteil, dass man mit dieser Technik keine Rangfolge der Ergebnisse erstellen kann. Ein weiterer Nachteil ist, dass Objekte, die vielleicht nur wegen einem fehlenden Schlüsselwort verworfen wurden, für den Anwender dennoch interessant sein können. Gerade in dem Fall, wenn das Anfrageobjekt mit 30 oder mehr Schlüsselworten versehen ist, ist es wahrscheinlich, dass Objekte, die in 29 Schlüsselworten mit dem Anfrageobjekt übereinstimmen, für den Anwender relevant sind Best-match Um die Nachteile des Exact-match Verfahrens auszumerzen, vergibt die Bestmatch Technik den Schlüsselworten Gewichtungen. Die Ähnlichkeit zwischen zwei Objekten wird mit Hilfe des Vektorraum-Modells berechnet. Der Vektorraum beinhaltet n Dimensionen, wobei n der Anzahl aller vergebenen Schlüsselworte entspricht und jede Dimension ein Schlüsselwort repräsentiert. 6

8 Zwei Objekte sind sich ähnlich, wenn ihre Distanz im Vektorraum-Modell gering ist; im Gegenzug sind sich zwei Objekte unähnlich, wenn ihre Distanz vergleichsweise groß ist. Abstrahiert auf einen zweidimensionalen Vektorraum, kann man sich dieses Verfahren gut an einem Beispiel veranschaulichen. Beispiel: Buch Fantasy Drama Herr der Ringe 9 1 Die Pest 1 6 Der kleine Hobbit 8 2 Im Beispiel soll das Buch Herr der Ringe das Anfrageobjekt sein. Die beiden Kategorien sind Fantasy und Drama. Trägt man die drei Bücher als Vektoren in ein zweidimensionales Koordinatensystem und beschriftet die Achsen jeweils mit History und Drama, sieht man deutlich, dass die Distanz zwischen Herr der Ringe und Der kleine Hobbit gering und die Distanz zwischen Herr der Ringe und Die Pest vergleichsweise groß ist. Abbildung 2: Vektorraum-Modell Als Resultat liefert die Best-match-Variante eine nach absteigender Relevanz sortierte Ergebnisliste, wobei die Relevanz umgekehrt proportional zur 7

9 Distanz im Vektorraum-Modell ist. Ein Vorteil gegenüber der Exact-match Technik ist also, dass durch die Gewichtung der Schlüsselworte und das Vektorraum-Modell das Erstellen einer Rangfolge unter den relevanten Objekten möglich ist. Ein weiterer Vorteil besteht darin, dass Objekte, die z.b. in der Gewichtung in einer Kategorie stark von der Gewichtung meines Anfrageobjekts abweichen, dennoch in der Rangfolge erscheinen. Auf diese Weise ist die Gefahr, dass relevante Dokumente aussortiert werden, geringer und Ausreißer in einzelnen Kategorien können ausgeglichen werden Anwendungsgebiete Inhaltsbasierte Recommendersysteme werden hauptsächlich für Mengen textbasierter Objekte verwendet, z.b. Bibliotheken, Webseiten und Newsgroups. Der Vorteil bei textbasierten Dokumenten ist, dass man diese maschinell verschlagworten (taggen) kann. Bücher in Bibliotheken sind meistens bereits kategorisiert und verschlagwortet, sodass man in diesem speziellen Fall noch weniger Arbeit und Zeit investieren muss, um dort ein inhaltsbasiertes Recommendersystem zu implementieren. Probleme entstehen, wenn man nicht textbasierte Objekte klassifizieren möchte. Hier müsste man die gesamte Menge der Objekte manuell klassifizieren, was den Wartungsaufwand eines solchen Systems sehr hoch werden ließe. Ein weiterer Nachteil dieses Ansatzes ist, dass man keine Bewertungen von Objekten vornehmen kann. Inhaltsbasierte Systeme können zwar Dokumente finden, die den Dokumenten, die man favorisiert, von der Beschreibung her ähnlich sind, qualitative Bewertungen zu Dokumenten sind aber nicht vorgesehen. Eine gleiche Klassifizierung ist bei dieser Technik gleichbedeutend mit der Gleicheit der Objekte. Der Fall, dass sich ein gleich klassifiziertes Objekt qualitativ von dem anderen Objekt stark unterscheidet, wird nicht beachtet. So kann es passieren, dass eine Anwender, der einen hochwertigen Bestseller angewählt hat, einen ähnlich kategorisierten Groschenroman als Empfehlung erhält. 3.2 Empfehlungsbasierte Recommendersysteme Funktionsweise Die zweite, häufig verwendete Technik, basiert allein auf Empfehlungen und Bewertungen von Objekten durch die Benutzer. Diese Bewertung kann implizit oder explizit geschehen (s. Abschnitt 2.2). Die Ähnlichkeit zwischen zwei Objekten wird über ähnliche Bewertungen verschiedener Anwender be- 8

10 rechnet. Beispiel: Person A ist die informationssuchende Person und bewertet ein Objekt x positiv. Das Recommendersystem sucht nun nach Personen, die dieses Objekt x ebenfalls positiv bewertet haben und findet beispielsweise Person B. Da beide Personen das Objekt x gleich bewertet haben, geht das System davon aus, dass die Personen einen ähnlichen Geschmack haben. Als Resultat empfiehlt das System Person A weitere Objekte, die Person B bereits positiv bewertet hat. Die Grundidee dieses Systems besteht darin, über gleiche Bewertungen von Objekten durch verschiedene Anwender, weitere Nutzer mit ähnlichen Interessen und Vorlieben zu finden. Unter Anwendern gleichen Interesses kann anschließend die Menge aller von ihnen positiv bewerteten Objekte ausgetauscht und gegenseitig empfohlen werden Anwendungsgebiete Die empfehlungsbasierte Variante der Recommendersysteme kann theoretisch auf alle Objekte angewendet werden, die persönlich bewertbar sind. Sobald man eine Bewertung vornehmen kann, können andere Anwender dies ebenfalls und man hat die Möglichkeit, anhand der Bewertungen Empfehlungen zu generieren. Empfehlungsbasierte Recommendersysteme sind daher sehr flexibel. In der Praxis werden sie unter anderem im Bereich des E-Commerce und E-Learning eingesetzt. Probleme entstehen, wenn ein neuer Anwender dem System beitritt (New- User Problem). Dieser hat zum Zeitpunkt des Beitretens noch keine Bewertung abgegeben, das System hat noch keine Informationen über seine Interessen. Erst wenn der Anwender manuell eine gewisse Anzahl von Objekten bewertet, können Empfehlungen berechnet werden. Je größer die Anzahl der bewerteten Objekte eines Benutzers ist, desto präziser und effektiver werden die durch das System generierten Empfehlungen. Ein weiteres Problem besteht, wenn dem System ein neues Objekt hinzugefügt wird (New-Item Problem). Das Objekt hat noch keine einzige Bewertung, ob positiv oder negativ, erhalten und würde nie empfohlen werden, wenn Anwender es nicht auf herkömmliche Weise finden und bewerten würden. 9

11 Wenn man ein empfehlungsbasiertes Recommendersystem neu implementiert und zum ersten Mal auf seiner Internetseite verwendet, gibt es weder Anwender, noch bewertete Objekte. Man spricht in diesem Fall von dem Cold-Start Problem. Das System erlangt die Fähigkeit, eine guten Empfehlung zu generieren, erst mit der Zeit, wenn eine bestimmte Menge von Bewertungen durch Anwender erreicht ist. 10

12 4 Hybride Systeme Der Gedanke bei der Entwicklung von hybriden Systemen war, die Vorteile einzelner System-Typen in einem System zu vereinen und die Nachteile einzelner Recommendersysteme auszugleichen. Eine der am häufigsten verwendeten Formen von hybriden Systemen ist die Kombination von inhaltsbasierten (Content-based) und empfehlungsbasierten (Collaborative) Recommendersystemen. Das resultierende System hat den Namen Content-based Collaborative Filtering. 4.1 Content-based Collaborative Filtering Vorteile und Nachteile der einzelnen Systeme Die beiden Systeme, inhaltsbasiert und empfehlungsbasiert, haben Stärken und Schwächen. Empfehlungsbasierte Systeme berechnen in der Regel qualitativ hochwertige Empfehlungen. Durch viele Bewertungen kann das System die Interessen eines Anwenders gut einschätzen und dementsprechend gute Vorschläge generieren. Außerdem bieten empfehlungsbasierte Systeme eine hohe Flexibilität, da man alle persönlich bewertbaren Objekte in diesem System verwenden kann. Ein weiterer Vorteil sind sogenannte Cross-Genre- Empfehlungen. Durch den Umstand, dass die Empfehlung nur anhand von Bewertungen generiert wird, können dem Anwender Objekte empfohlen werden, die sich stark von seinen bisher gesuchten Objekten unterscheiden, für ihn jedoch durchaus interessant sein können. Einem Jazz-Liebhaber könnten auf diesem Weg Musikvorschläge aus der klassischen Musik unterbreitet werden, auf die er sonst nie gestoßen wäre. Nachteile des Systems sind das New-Item und das New-User Problem. Daraus ergibt sich ebenfalls das Cold-Start Problem. Desweiteren werden Inhalte von Dokumenten und Objekten nicht beachtet. Eine Eingrenzung des Empfehlungen auf bestimmte Kategorien wäre wünschenswert. Inhaltsbasierte Systeme generieren, wie der Name vermuten lässt, ihre Empfehlungen aus der Ähnlichkeitsberechnung von Inhalten verschiedener Objekte. Hier steht der Inhalt im Vordergrund und das System kann präzise nach gewünschten Inhalten filtern. Objekte aus unerwünschten Kategorien behindern die Suche des Anwenders nicht. Ein weiterer Vorteil besteht darin, dass neue Objekte lediglich einmal klassifiziert werden müssen und dann vollkommen in das System aufgenommen worden sind. Es gibt kein New-Item Problem. Auf der anderen Seite ist ein inhaltsbasiertes System nicht flexibel, sondern 11

13 nahezu auf textbasierte Objekte beschränkt. Die Möglichkeit, Objekte bewerten zu können, würde Objekte minderer Qualität automatisch aussortieren. Ohne diese Funktion muss man sich auf sein Glück verlassen. Wenn ein neuer Anwender dem System beitritt, hat er noch keine Inhalte betrachtet oder Interesse an einem Objekt gezeigt. Das System kann noch keine Empfehlungen generieren, bis der Anwender nicht eine bestimmte Menge von Objekten betrachtet hat und somit Interesse an bestimmten Kategorien gezeigt hat. Das New-User Problem gibt es also bei beiden Systemen. In der folgenden Tabelle werden die Vor- und Nachteile der beiden Systeme nocheinmal zusammengefasst. Empfehlungsbasiert Inhaltsbasiert Vorteile Flexibilität Inhalte werden beachtet Hohe Qualität Kein New-Item Problem Cross-Genre Empfehlung Nachteile New-Item Problem Nicht flexibel New-User Problem New-User Problem Inhalt wird nicht beachtet Keine persönliche Bewertung Vorgehensweise Die Vorgehensweise der Empfehlungsgenerierung bei Content-based Collaborative Filtering besteht aus zwei Teilen. Der erste Teil befasst sich mit der Berechnung von Ähnlichkeiten verschiedener Objekte anhand des inhaltsbasierten Ansatzes. Die Berechnungen sind zeitaufwändig und werden Offline durchgeführt. Der Zweite Teil muss Online berechnet werden und verfolgt den empfehlungsbasierten Ansatz. Offline-Berechnung In der Offline-Berechnung wird zunächst jedes Objekt der Datenbasis des Systems betrachtet. Zu jedem Objekt i dieser Objekte werden die k-ähnlichsten der vom Anwender bereits positiv bewerteten Objekte J ermittelt. Diese Ähnlichkeit wird mit Hilfe des inhaltsbasierten Ansatzes anhand der Klassifizierung der beteiligten Objekte berechnet (s. Vektorraum-Modell in Abschnitt 3.1.3). Nachdem die k-ähnlichsten Objekte zu Objekt i gefunden wurden, wird der Ähnlichkeits-Mittelwert der k-ähnlichsten Objekte berechnet. Dieser Mittelwert wird zu dem Objekt i und dem aktuell betrachte- 12

14 ten Anwender gespeichert. Diese Berechnungen werden für jeden Anwender durchgeführt. Als Resultat bekommt man eine User-Item Matrix. Online-Berechnung Ist die User-Item Matrix berechnet, kann online, sobald eine Anfrage gestellt wird, nach Anwendern gesucht werden, die ähnliche Mittelwerte zu den Objekten i der Datenbasis des Systems gespeichert haben. Positiv bewertete Objekte der gefundenen Anwender sind Kandidaten für eine gute Empfehlung an den anfragenden Anwender. Beispiel: A 0,1 0,5 0,2 0 0,7 B 0,2 0,5 0,3 0,8 0 C 0,6 0,9 0 0,1 0,5 D 0 0 0,1 0,3 0,5 In der obigen Beispielmatrix sind A, B, C und D die Anwender im System und die Ziffern 1 bis 5 stellen die Objekte des Systems dar. Wenn sich nun Anwender A im System anmeldet, kann in der Matrix nach anderen Anwendern gesucht werden, die zu einem Objekt S einen ähnlichen Mittelwert wie A gespeichert haben. In diesem Beispiel trifft das auf die Spalte des Objekts 2 zu. Über diese Spalte wird Anwender B gefunden, dessen Reihe nun nach hohen Mittelwerten abgesucht werden kann. Das Ergebnis ist Objekt 4, welches Anwender A als Empfehlung ausgegeben wird. 13

15 5 Beispiel-Anwendungen Inhaltsbasierte und empfehlungsbasierte Recommendersysteme sind im Internet mittlerweile weit verbreitet. An den Beispielen MovieLens 3 und Amazon 4 werden im Folgenden verschiedene Empfehlungssysteme in der Praxis vorgestellt. 5.1 Movielens Movielens ist ein Portal, in dem man Filme bewerten kann und anschließend Empfehlungen für Filme bekommt, die man auf der Seite als noch nicht gesehen markiert hat. Das Bewertungssystem besteht aus Sternen, die man einem Film, den man gesehen hat, vergeben kann, wobei 0,5 Sterne die niedrigste Wertung und 5 volle Sterne die höchste Wertung sind. Im Drop-Down Menü auf der linken Seite, kann man die Bewertung in Sternen abgeben. Man erhält Informationen über das Drehjahr, auf welchen Medien es den Film gibt und in schwarzer Schrift unter dem Titel die Kategorisierung des Films. Wenn man einen Film bewertet, merkt sich das System die Kategorisierung und zählt, wie häufig man Filme dieser Kategorie bewertet hat. Anhand der Angaben, wie oft man Filme einer bestimmten Kategorie Abbildung 3: Movielens gesehen und wie man diese Filme bewertet hat, erstellt Movielens eine Liste von Filmen, die in Kategorien derjenigen Filme eingeordnet sind, die man zuvor positiv bewertet hat. Movielens ist ein inhaltsbasiertes Recommendersystem, dass es jedoch geschafft hat eine Bewertungsfunktion in das System mit einfließen zu lassen. Desweiteren können Schlagworte (Tags) von Anwendern vergeben werden und man kann Tags anderer Anwender positiv oder negativ bewerten. Die drei höchstbewerteten Tags werden in der untersten

16 Zeile zu jedem Film angezeigt. Direkt daneben kann man mit den Symbolen Daumen hoch und Daumen runter den jeweiligen Tag bewerten. Auf diese Weise erhält man qualitativ hochwertige Tags. Schlagworte, mit denen die Mehrheit nicht einverstanden ist, verschwinden aufgrund negativer Tag- Bewertungen. Es kommt das Prinzip der Weisheit der Vielen zum tragen. Zusätzlich bietet Movielens das Erstellen einer Wunschliste, die man mit dem Setzen eines Häkchens in der rechten oberen Ecke einer Zeile um den jeweiligen Film erweitern kann. Der Link info neben den DVD- und VHS- Schriftzügen bewirkt das Ausklappen von zusätzlichen Informationen über den Filme, wie z.b. die Besetzung, den Regisseur, die durchschnittliche Bewertung, etc.. Der imdb -Link verweist auf die Seite des Films auf der imdb- Site. Über den flag -Link kann man den Film reklamieren und einen Reklamationsgrund angeben. Um das New-User Problem zu vermeiden, muss jeder neue Anwender bei Movielens 25 zufällig gewählte Filme bewerten. Je mehr Filme man bewertet, desto besser werden die Empfehlungen. 5.2 Amazon Der Online-Shop Amazon verwendet das hybride System Item-based Collaborative Filtering zum Generieren von Empfehlungen. Die Textzeile Einkauf fortsetzen: Kunden, die Artikel gekauft haben, welche Sie sich kürzlich angesehen haben, kauften auch:... zeigt den empfehlungsbasierten Ansatz. In der oberen linken Ecke der Webseite befindet sich ein orangefarbener Button Alle Kategorien ansehen. Über diesen Link gelangt man zu einer umfangreichen Kategorieauswahl, mit deren Hilfe man manuell durch die komplette Produktpalette von Amazon navigieren kann. Hat man sich zu einem konkreten Produkt durchgearbeitet, bekommt man unter Anderem den Hinweis Dieses Produkt wird gerne zusammen gekauft mit.... Das Kaufverhalten von Anwendern fließt mit in das Empfehlungssystem ein. Kunden, die diesen Artikel gekauft haben, kauften auch:... erscheint unter der Produktbeschreibung. Es ist möglich, ein Produkt mit einem Schlagwort zu versehen und mit einer ähnlichen Sternchen-Wertung wie bei Movielens zu bewerten. Merkmale von inhaltsbasierten Recommendersystemen findet man, wenn man am Ende einer Seite zu einem Produkt, die Empfehlungen unter den Überschriften Ähnliche Artikel finden und Anhand des Sachgebiets nach ähnlichen Produkten suchen betrachtet. Hier wird jedoch das Navigieren in zu dem Produkt passenden Kategorien angeboten und die Produkte ähnlicher Kategorien werden nicht direkt aufgelistet. Zu einer Anfrage in Amazon werden zuerst alle direkt zu der Anfrage passenden Produkte ausgelistet. Wenn diese Produkte aufgelistet sind, folgen Pro- 15

17 dukte mit nahezu gleichen Inhalten, Themen oder vom gleichen Typ. Diese Tatsache lässt darauf schließen, dass Amazon ein hybrides Recommendersystem benutzt, um dem Anwender die Suche nach Produkten zu vereinfachen. 16

18 6 Fazit Recommendersysteme unterstützen den Anwender beim Finden von Inhalten im Web 2.0, indem sie aus Informationen, die sie über den Anwender gesammelt haben, Empfehlungen für die weitere Suche des Anwenders generieren. Die Vorteile verschiedener Recommendersystem-Typen können in hybriden Systemen vereint werden, was man am Beispiel des Content-based Collaborative Filtering erkennen kann. Insbesondere diese Kombination aus inhaltsund empfehlungsbasierten Recommendersystem liefert qualitativ hochwertige Empfehlungen. Erfolgreiche Implementierungen von Recommendersystemem wie z.b. Movielens und Amazon bestätigen den tatsächlichen Nutzen und die Tauglichkeit dieser Systeme. Meiner Meinung nach sind Recommendersysteme ein wichtiger Bestandteil der Informationssuche im Internet geworden. Es gibt viele Internet-Sites die Recommendersysteme implementiert haben und von Erfolg gekrönt wurden. Allerdings gibt es keine Gewissheit, dass nicht teilweise auch relevante Informationen herausgefiltert werden, wenn man sich plötzlich für Inhalte interessiert, die widersprüchlich zu den im Profil gespeicherten Daten sind. Mir persönlich haben Recommendersysteme bereits häufig das Leben erleichtert, indem sie mich schnell und ohne Umwege zu interessanten Inhalten im Web 2.0 geführt haben. Sei es beim Einkaufen bei Amazon, Musik hören auf Last.fm 5 oder Bilder anschauen auf Flickr.com 6. Gespannt werde ich die weitere Entwicklung von Recommendersystemen verfolgen und diese sowohl in der Rolle des Benutzers, als auch von der technischen Seite aus betrachten

19 Literatur [Burke, 2002] Burke R.: Hybrid RecommenderSystems: Survey and Experiments, (2002), rburke/pubs/burkeumuai02.pdf [MeSo] Meteren R., Someren M.: Using Content- Based Filtering for Recommendation, [AdTu] [Sarwar1] [Sarwar2] Adomavicius G., Tuzhilin A.: Recommendation Technologies: Survey of Current Methods and Possible Extend- sions, pdf Sarwar B., Karypis G., Konstan J., Riedl J.: Analysis of Recommendation Algorithms for E-Commerce, 2000, Sarwar B., Karypis G., Konstan J., Riedl J.: Item-Based Collaborative Filtering Recommendation Algorithms, 2001, 18