Empfehlungsalgorithmen: Wie Netflix uns den nächsten Film vorschlägt Spektrum der Wissenschaft
So wie die Personalisierung durch Empfehlungsalgorithmen im Internet-Handel eine sehr wichtige Rolle spielt, dürfte sich die gleiche Bedeutung derartiger Algorithmen auch für die wissenschaftliche Nutzung in Sozialen Netzwerkenergeben. Manipulationsmöglichkeiten entstehen dabei aufgrund des Scorings auf der Grundlage von Altmetriken, die mit den Bewertungsalgorithmus in einen selbstverstärkenden Kreislauf eintreten können. Über die Manipulation von realen oder vorgetäuschten Profilen können Empfehlungen generiert werden, die sich nach Annahme durch einen Nutzer auf die Bewertung des Empfohlenen oder seiner Publikationen auswirken kann. Auch der Aufbau des Netzwerks selbst kann über die Manipulation von Vorschlägen beschleunigt werden. Momentan gibt es für Nutzerprofile in ResearchGate etwa keine Obergrenzen für die Angabe Interessensgebieten, so dass mit einem sehr breit angelegten Profil hohe Empfehlungsraten erzielt werden können. Wenn mit Bezug auf diese Plattformen von einer Filter Bubble gesprochen wirdii, in der sich ein Nutzer befindet, so kann dies in ähnlicher Weise auch für wissenschaftlich genutzte Plattformen konstatiert werden.
Arten von hybriden Methoden:
Inhaltsbasierte Methoden basieren auf der Ähnlichkeit von Elementattributen und kollaborative Methoden berechnen die Ähnlichkeit aus Interaktionen. Im Folgenden werden hauptsächlich kollaborative Methoden erörtert, mit denen Benutzer neue Inhalte entdecken können, die sich von den in der Vergangenheit angezeigten Elementen unterscheiden. Überraschenderweise kann die Empfehlung von Nachrichten oder Videos für Medien, Produktempfehlungen oder Personalisierung im Reise- und Einzelhandel durch ähnliche maschinelle Lernalgorithmen gehandhabt werden. Darüber hinaus können diese Algorithmen angepasst werden, indem unsere spezielle Abfragesprache in jeder Empfehlungsanfrage verwendet wird. Das kollaborative Filtern kann auf Websites gut funktionieren, auf denen nicht viele Informationen über die Elemente vorhanden sind und deren Inhalt für ein Computersystem schwierig zu analysieren ist, wie z.
Die Empfehlungssysteme ermöglichen es, den Verbrauchern Produkte anzubieten, die von Interesse sein könnten, um Einkaufsprozesse zu verbessern und Up- und Cross-Selling zu ermöglichen. Ein Empfehlungsmechanismus ist ein Tool, das eine Reihe von Algorithmen, Datenanalysen und sogar künstliche Intelligenz (KI) verwendet, um online Empfehlungen abzugeben. Un Empfehlungsalgorithmus ist ein intelligentes System, das darauf abzielt, anhand zuvor gesammelter Daten über sein Verhalten und seine Vorlieben vorherzusagen, welche Inhalte einem Benutzer gefallen könnten. Sie entsteht, wenn Empfehlungsalgorithmen Inhalte oder Produkte anbieten, die einander zu ähnlich sind oder den Präferenzen des Nutzers zu nahe kommen. Dies kann die Entdeckung neuer Inhalte oder Produkte verringern und den Benutzer in einer Filterblase .
- Um personalisierte Empfehlungen zu erstellen, analysiert ein Empfehlungsalgorithmus umfangreiche Datenmengen zu Nutzerverhalten.
- Auch der Aufbau des Netzwerks selbst kann über die Manipulation von Vorschlägen beschleunigt werden.
- Sie entsteht, wenn Empfehlungsalgorithmen Inhalte oder Produkte anbieten, die einander zu ähnlich sind oder den Präferenzen des Nutzers zu nahe kommen.
Der Einsatz von Machine Learning bei Netflix
Durch Einhaltung der Best Practices können Unternehmen ihre Empfehlungssysteme nicht nur verbessern. Bei der Einführung von Empfehlungssystemen sind Transparenz und Datenschutz Schlüsselelemente. Firmen müssen offenlegen, welche https://rabonaonline.de/ Daten erfasst und wie diese verwendet werden. Ein transparenter Umgang mit diesen Informationen stärkt das Vertrauen der Anwender.
Kaltstart und inhaltsbasierte Empfehlung
Es basiert auf der Annahme, dass wenn zwei Personen in der Vergangenheit denselben Inhalt mochten, sie wahrscheinlich auch in Zukunft ähnliche Interessen haben werden. So ist das chinesische Videoportal TikTok vor allem deshalb so beliebt, weil es sehr gut darin ist, den Nutzerinnen und Nutzern interessante Inhalte vorzuschlagen. Es scheint also nicht erstaunlich, dass viele Unternehmen ihre Algorithmen unter Verschluss halten. Im März 2023 machte Twitter, das inzwischen X heißt, seinen Empfehlungsalgorithmus auf GitHub publik, inklusive einer Erklärung, wie das System funktioniert. Damit ein Inhalt in der Timeline einer Person erscheint, werden zunächst die besten Tweets aus verschiedenen »Empfehlungsquellen« gesammelt, die ein KI-Modell anschließend bewertet. Dann werden Tweets von geblockten Personen oder solche, die bereits gesehen wurden, herausgefiltert.
Angenommen, Sie möchten eine Art Mini-Netflix-Plattform aufbauen, mit sechs verschiedenen Filmen und fünf Nutzern. Diese haben sich bereits ein paar der Inhalte angesehen und bewertet, mit Punkten von eins bis fünf (je höher die Punktzahl, desto besser hat Ihnen der Film gefallen). Anhand dieser Daten können Sie über ein kollaboratives Filtersystem entscheiden, welche Filme sie den Usern empfehlen könnten. Die Bewertungen schreiben Sie in einer Tabelle nieder, wobei die Spalten den Filmen und die Reihen den Nutzern entsprechen. In der Mathematik nennt sich so eine listenartige Struktur, deren Einträge Zahlenwerte sind, Matrix. Das ist äußerst praktisch, denn mit Matrizen kann man ebenso wie mit gewöhnlichen Zahlen rechnen.
