Maschinelles Lernen in Empfehlungssystemen (Leitfaden 2026)

Kurzzusammenfassung: Maschinelles Lernen in Empfehlungssystemen nutzt Algorithmen wie kollaboratives Filtern, inhaltsbasiertes Filtern und tiefe neuronale Netze, um Nutzerpräferenzen vorherzusagen und relevante Artikel vorzuschlagen. Große Plattformen wie Netflix, Amazon und YouTube setzen auf diese Systeme. Netflix schätzt, dass sein Empfehlungssystem jährlich einen Geschäftswert von über 1,4 Billionen US-Dollar generiert, und Amazon erzielt damit 35,1 Billionen US-Dollar seines Umsatzes. Moderne Ansätze kombinieren traditionelle Matrixfaktorisierung mit Deep-Learning-Architekturen, um riesige Datensätze zu verarbeiten und personalisierte Nutzererlebnisse in großem Umfang zu ermöglichen.

Jedes Mal, wenn Netflix Ihnen eine Serie vorschlägt, die Sie dann in einem Rutsch durchschauen, oder Amazon Ihnen ein Produkt empfiehlt, von dem Sie gar nicht wussten, dass Sie es brauchen, arbeiten im Hintergrund maschinelle Lernsysteme für Empfehlungsvorschläge.

Diese intelligenten Systeme analysieren riesige Mengen an Nutzerverhaltensdaten und erkennen Muster, die für menschliche Beobachter unsichtbar sind. Das Ergebnis? Personalisierte Erlebnisse, die sich fast unheimlich präzise anfühlen.

Doch wie funktionieren diese Systeme eigentlich? Und warum sind sie für moderne Plattformen unverzichtbar geworden?

Was sind maschinelle Lern-Empfehlungssysteme?

Ein Empfehlungssystem ist ein Algorithmus der künstlichen Intelligenz, der Nutzern auf Basis verschiedener Dateneingaben Artikel vorschlägt. Diese Systeme raten nicht einfach willkürlich, was Ihnen gefallen könnte – sie verwenden ausgefeilte Modelle des maschinellen Lernens, um Präferenzen mit bemerkenswerter Genauigkeit vorherzusagen.

Die Auswirkungen auf das Geschäft sind erheblich. Amazon gibt an, dass 351 Billionen US-Dollar seines Umsatzes aus dem Empfehlungssystem stammen. Netflix schätzt, dass sein Empfehlungssystem jährlich einen Geschäftswert von über 14 Billionen US-Dollar generiert. Gleichzeitig werden 801 Billionen der auf Netflix angesehenen Filme durch Empfehlungen und nicht über die Suche abgerufen, und 601 Billionen der YouTube-Videoklicks gehen auf Empfehlungen der Startseite zurück.

Hierbei handelt es sich nicht um nebensächliche Funktionen, die Plattformen einfach hinzugefügt werden. Es sind zentrale Umsatztreiber, die grundlegend prägen, wie Nutzer Inhalte und Produkte entdecken.

Die Kernarchitektur

Die meisten Empfehlungssysteme folgen einer dreistufigen Architektur:

• Die Kandidatengenerierung reduziert einen riesigen Datensatz auf eine überschaubare Teilmenge. YouTube beispielsweise reduziert Milliarden von Videos auf Hunderte oder Tausende von Kandidaten. In dieser Phase hat Geschwindigkeit Priorität – Modelle müssen Anfragen schnell auswerten, da oft mehrere Kandidatengeneratoren parallel laufen.
• Die Bewertung ordnet die ausgewählten Kandidaten mithilfe komplexerer Modelle. Da in dieser Phase nur einige Dutzend oder Hunderte von Elementen bewertet werden, ist ein höherer Rechenaufwand möglich.
• Die Neubewertung nimmt letzte Anpassungen auf der Grundlage von Geschäftsregeln, Diversitätsanforderungen oder Aktualitätserwägungen vor, bevor die Elemente den Benutzern präsentiert werden.

Kollaboratives Filtern: Lernen aus der Masse

Das kollaborative Filtern basiert auf einer einfachen Prämisse: Menschen, die in der Vergangenheit übereinstimmten, werden wahrscheinlich auch in Zukunft übereinstimmen.

Wenn Benutzer A und Benutzer B dieselben zehn Filme mögen und Benutzer A einen elften Film mag, den Benutzer B noch nicht gesehen hat, empfiehlt das System diesen elften Film Benutzer B. Eine Analyse des Filminhalts ist nicht erforderlich – es werden lediglich Muster im Nutzerverhalten analysiert.

Matrixfaktorisierungsansatz

Die mathematische Grundlage besteht darin, eine Benutzer-Artikel-Interaktionsmatrix in niedrigdimensionale Darstellungen zu zerlegen. Praktisch gesehen lernt das System latente Merkmale sowohl für Benutzer als auch für Artikel.

Jeder Nutzer wird als Vektor von Präferenzen hinsichtlich verborgener Merkmale repräsentiert. Jedes Produkt wird als Vektor von Eigenschaften derselben Merkmale repräsentiert. Das Skalarprodukt dieser Vektoren sagt voraus, wie sehr dem Nutzer das jeweilige Produkt gefallen wird.

Die Forschung zu Empfehlungssystemen mittels Matrixfaktorisierung hat deren hohe Leistungsfähigkeit bei realen Datensätzen unter Beweis gestellt. So erzielten beispielsweise kollaborative Filterverfahren eine hohe Genauigkeit bei Videospieldatensätzen mit Millionen von Rezensionen zu Tausenden von Artikeln.

Explizites vs. implizites Feedback

Beim kollaborativen Filtern werden zwei Arten von Signalen unterschiedlich behandelt:

• Explizites Feedback stammt aus direkten Nutzerbewertungen – Sterne, Daumen hoch/runter, numerische Punktzahlen. Diese Signale zeigen zwar deutlich Präferenzen an, sind aber selten. Die meisten Nutzer bewerten die meisten Artikel nicht.
• Implizites Feedback lässt Rückschlüsse auf Präferenzen aus dem Verhalten zu – Aufrufe, Klicks, Wiedergabezeit, Käufe. Wenn ein Nutzer einen Film nur 101 Mal ansieht, deutet dies auf Desinteresse hin, während zweimaliges Ansehen auf eine starke Präferenz schließen lässt. Diese Signale sind zwar zahlreich, aber unzuverlässig.

Moderne Systeme stützen sich zunehmend auf implizites Feedback, da dieses in großem Umfang verfügbar ist. Jede Interaktion generiert Daten, selbst wenn Nutzer nie explizit etwas bewerten.

Inhaltsbasierte Filterung: Artikelmerkmale verstehen

Inhaltsbasiertes Filtern verfolgt einen anderen Ansatz. Anstatt aus dem kollektiven Verhalten zu lernen, analysiert es die Attribute einzelner Elemente und gleicht sie mit den Präferenzen der Nutzer ab.

Wenn ein Nutzer mehrere Science-Fiction-Filme ansieht, erkennt das System “Science-Fiction” als bevorzugtes Attribut und empfiehlt weitere Filme mit diesem Tag. Dieselbe Logik gilt für Produkte, Artikel oder Musik.

Die Stärke liegt in der Unabhängigkeit von anderen Nutzern. Auch ein neuer Nutzer ohne bisheriges Nutzerverhalten erhält Empfehlungen basierend auf seinen angegebenen Präferenzen oder ersten Interaktionen. Inhaltsbasierte Systeme erklären Empfehlungen zudem auf natürliche Weise: “Wir schlagen Ihnen dies vor, weil Ihnen ähnliche Artikel gefallen haben.”

Die Einschränkung? Inhaltsbasierte Filterung kann unerwartete Vorlieben nicht erkennen. Sie empfiehlt eher das, was Nutzer bereits kennen und mögen, und verpasst so unerwartete Entdeckungen, die durch kollaborative Ansätze möglich wären.

Tiefe neuronale Netze verändern Empfehlungen

Traditionelle kollaborative Filterverfahren und inhaltsbasierte Methoden funktionieren gut, aber Deep-Learning-Architekturen haben die Qualität der Empfehlungen auf ein neues Niveau gehoben.

Neuronales kollaboratives Filtern

Neuronales kollaboratives Filtern (NCF) ersetzt das einfache Skalarprodukt in der Matrixfaktorisierung durch neuronale Netzwerkschichten. Anstatt anzunehmen, dass Benutzer- und Artikelvektoren durch lineare Kombination interagieren, lernen neuronale Netze beliebige Interaktionsmuster.

Diese Flexibilität ermöglicht die Erfassung nichtlinearer Zusammenhänge. Die Vorliebe eines Nutzers für Actionfilme hängt möglicherweise auf komplexe Weise von weiteren Faktoren ab – Regisseur, Laufzeit, Erscheinungsjahr. Neuronale Netze können diese Abhängigkeiten modellieren, wo lineare Modelle versagen.

Die Implementierung umfasst typischerweise Folgendes:

• Einbetten von Ebenen, die Benutzer und Elemente dichten Vektoren zuordnen
• Mehrere verborgene Schichten, die Interaktionsfunktionen lernen
• Ausgabeschicht zur Vorhersage von Präferenzwerten

Die Architektur kann sowohl Benutzer-Element-Interaktionen (kollaborative Signale) als auch Elementmerkmale (Inhaltssignale) in einem einheitlichen Rahmen integrieren.

Kollaboratives Tiefenlernen

Kollaboratives Deep Learning erweitert das Konzept, indem es Repräsentationen von Elementen aus Inhalten und kollaboratives Filtern aus Interaktionen gemeinsam lernt. Es hat sich gezeigt, dass kollaborative Deep-Learning-Ansätze die Empfehlungsqualität verbessern, indem sie die Inhaltsanalyse eng mit kollaborativen Mustern verknüpfen.

Bei textlastigen Elementen wie Artikeln oder Produktbeschreibungen kann das System Convolutional Neural Networks oder Transformer verwenden, um semantische Merkmale zu extrahieren. Für Bilder generieren Computer-Vision-Modelle visuelle Einbettungen. Diese Inhaltsrepräsentationen fließen dann zusammen mit Verhaltensdaten in kollaborative Schichten ein.

Das Ergebnis: Empfehlungen, die sowohl verstehen, was Artikel sind, als auch, wie Menschen mit ihnen interagieren.

Hybridsysteme: Die Kombination mehrerer Ansätze

Die meisten produktiven Empfehlungssysteme basieren nicht auf einem einzigen Algorithmus. Hybride Ansätze kombinieren kollaboratives Filtern, inhaltsbasiertes Filtern und mitunter zusätzliche Signale, um die Qualität der Empfehlungen zu maximieren.

Das LightFM-Framework veranschaulicht diese hybride Strategie. Es integriert sowohl Benutzer-Element-Interaktionen (kollaborativ) als auch Merkmalsmetadaten (inhaltsbasiert) in ein einheitliches latentes Repräsentationsmodell. Benutzer und Elemente werden anhand ihrer Merkmale eingebettet, anschließend passen kollaborative Muster diese Einbettungen mithilfe von Interaktionsdaten an.

Diese Kombination behebt Schwächen der einzelnen Ansätze:

• Kaltstartproblem: Neue Nutzer oder Artikel ohne Interaktionshistorie können durch Inhaltsfunktionen dennoch sinnvolle Empfehlungen erhalten.
• Sparsität: Inhaltliche Funktionen füllen Lücken, wo Interaktionsdaten spärlich sind.
• Glücklicher Zufall: Durch die Analyse kollaborativer Muster werden unerwartete Elemente sichtbar, die aufgrund von Inhaltsähnlichkeit allein nicht zu empfehlen wären.

Hybridsysteme ermöglichen auch Ensemble-Methoden. Mehrere Modelle generieren Empfehlungsvorschläge, die anschließend von einem Meta-Modell kontextbezogen gewichtet und kombiniert werden. Ein Modell eignet sich beispielsweise hervorragend zur Vorhersage allgemeiner Präferenzen, während ein anderes Nischeninteressen aufdeckt – das Ensemble nutzt beide Stärken.

Erstellen Sie Empfehlungssysteme mit überlegener KI

Empfehlungssysteme nutzen das Nutzerverhalten, bisherige Interaktionen und prädiktive Modelle, um nützliche Vorschläge zu generieren. AI Superior Sie unterstützen Unternehmen bei der Strukturierung von Empfehlungssystemprojekten auf Basis verfügbarer Daten, Geschäftsziele und praktischer Implementierungsanforderungen. Zu ihren Dienstleistungen gehören KI-Beratung, maschinelles Lernen, Data Science, KI-Softwareentwicklung, Machbarkeitsstudien und Modellevaluierung.

AI Superior kann Empfehlungssystemprojekte unterstützen mit:

• Überprüfung von Benutzer-, Produkt- oder Interaktionsdatensätzen
• Definition der Empfehlungslogik und der Ziele des maschinellen Lernens
• Entwicklung von Proof-of-Concept-Empfehlungsmodellen
• Entwicklung kollaborativer Filter- oder Vorhersagemodelle
• Qualität und Relevanz der Empfehlungen prüfen
• Planung der Integration mit bestehenden Plattformen oder Anwendungen
• Unterstützung der Implementierung und laufenden Modellevaluierung

Bei Empfehlungssystemen kann dies beispielsweise für E-Commerce-Empfehlungen, Inhaltsvorschläge, Kundenpersonalisierung, Produktranking, Medienplattformen und interne Entscheidungsunterstützungssysteme gelten.

Wenden Sie sich an AI Superior. den Projektumfang überprüfen.

Anwendungsbeispiele aus der Praxis in verschiedenen Branchen

Empfehlungssysteme beschränken sich nicht auf Unterhaltung und E-Commerce. Sie sind zu einer Infrastruktur auf allen digitalen Plattformen geworden.

Streaming-Plattformen

Netflix und Spotify haben ihr Nutzererlebnis auf Empfehlungen ausgerichtet. Netflix gibt an, dass 801.300 der angesehenen Inhalte durch algorithmische Vorschläge und nicht durch die Suche generiert werden. Das System analysiert den Wiedergabeverlauf, die Tageszeit, den Gerätetyp und sogar, wie lange Nutzer mit dem Mauszeiger über Vorschaubildern verweilen.

Spotifys „Discover Weekly“-Playlist wurde gerade deshalb zu einem herausragenden Feature, weil ihre Empfehlungen persönlich und gleichzeitig überraschend wirken. Das System kombiniert kollaboratives Filtern (Nutzer mit ähnlichem Musikgeschmack) mit Audioanalyse der Titel und natürlicher Sprachverarbeitung von Musikartikeln.

E-Commerce

Amazon war Vorreiter bei den Produktempfehlungen nach dem Motto “Kunden, die diesen Artikel gekauft haben, kauften auch”. Das System berücksichtigt mittlerweile den Browserverlauf, Artikel im Warenkorb, Wunschlisten und sogar Artikel, die Nutzer angesehen, aber nicht gekauft haben. Diese Produktpakete, die häufig zusammen gekauft werden, enthalten oft ergänzende Produkte, die Nutzer zuvor nicht in Betracht gezogen hatten.

Forschungsergebnisse deuten darauf hin, dass intelligente Empfehlungssysteme die Konversionsraten von Webprodukten deutlich steigern, mit Berichten über Verbesserungen im Bereich von 201 TP3T oder mehr. Verschiedene Studien belegen zudem Umsatzsteigerungen durch Upselling dank präziser Produktempfehlungen, wobei die Forschungsergebnisse Zuwächse zwischen 10 und 501 TP3T aufzeigen.

Soziale Medien

YouTube ordnet 601.030.000 Videoklicks von der Startseite seinem Empfehlungssystem zu. Das System muss mehrere Ziele in Einklang bringen: Wiedergabezeit, Nutzerzufriedenheit, Inhaltsvielfalt und die Gesundheit des Creator-Ökosystems.

Allein die Kandidatengenerierungsphase verarbeitet Milliarden von Videos. Neuronale Netze, trainiert anhand von Nutzerverlauf, Suchanfragen und demografischen Daten, reduzieren diese Menge auf Hunderte von Kandidaten. Ein zweites Ranking-Modell bewertet diese Kandidaten anhand umfassenderer Merkmale wie Videometadaten, Nutzerkontext und prognostizierter Wiedergabezeit.

Content Discovery

Nachrichtenaggregatoren und Content-Plattformen stehen vor besonderen Herausforderungen. Empfehlungen müssen Relevanz und Aktualität in Einklang bringen – ein gestern noch viraler Artikel kann heute schon irrelevant sein. Zudem müssen sie Filterblasen vermeiden und sicherstellen, dass Nutzer unterschiedliche Perspektiven kennenlernen, anstatt nur bestehende Ansichten bestätigt zu bekommen.

Einige Systeme integrieren explizite Diversitätsmetriken in die Neubewertungsphase und mischen absichtlich Empfehlungstypen oder Themenkategorien, selbst wenn dies die vorhergesagte Interaktion für einzelne Elemente leicht verringert.

Technische Herausforderungen und Lösungen

Der Aufbau von Produktionsempfehlungssystemen beinhaltet die Lösung von Problemen, die in Forschungsarbeiten nicht vorkommen.

Skalierbarkeit

Das Trainieren von Modellen mit Datensätzen, die Millionen von Nutzern und Artikeln umfassen, erfordert eine verteilte Recheninfrastruktur. Eine einzelne Empfehlungsanfrage muss unter Umständen Tausende von Kandidaten innerhalb von Millisekunden auswerten.

Zu den Lösungen gehören die approximative Suche nach dem nächsten Nachbarn zur Kandidatengenerierung, das Zwischenspeichern beliebter Empfehlungen und das Vorberechnen von Einbettungen, die schnell nachgeschlagen werden können, anstatt bei Bedarf berechnet zu werden.

Die Mindestanforderungen an die Hardware für die Implementierung eines professionellen Empfehlungssystems umfassen typischerweise 8 GB RAM (16–32 GB empfohlen) und 256 GB Speicherplatz (512 GB empfohlen) allein für Entwicklungsumgebungen. Produktionssysteme benötigen deutlich mehr.

Kaltstartproblem

Neue Nutzer haben keine Interaktionshistorie. Neue Artikel haben keine Bewertungen oder Aufrufe. Wie gibt das System Empfehlungen ab?

Für Nutzer sind Onboarding-Prozesse hilfreich, die explizite Präferenzen erfassen. Neue Nutzer werden beispielsweise gebeten, ihre Lieblingsgenres, -marken oder -themen auszuwählen. Dies liefert erste Anhaltspunkte. Inhaltsbasierte Funktionen ermöglichen sinnvolle Empfehlungen auch ohne kollaborative Daten.

Bei Artikeln füllen Inhaltsmerkmale erneut die Lücke. Ein brandneuer Film kann anhand von Genre, Regisseur und Besetzung empfohlen werden, noch bevor ihn jemand gesehen hat.

Rückkopplungsschleifen

Empfehlungssysteme beeinflussen ihre eigenen Trainingsdaten. Empfiehlt das System gängige Produkte, erzielen diese eine höhere Interaktionsrate, wodurch das Muster verstärkt wird. Nischeninhalte geraten in Vergessenheit.

Um diesem Problem zu begegnen, sind Kompromisse zwischen Exploration und Exploitation erforderlich. Das System empfiehlt gelegentlich Artikel, bei denen es sich unsicher ist (Exploration), anstatt stets die erwarteten Favoriten auszuwählen (Exploitation). Diese explorativen Empfehlungen liefern Daten über weniger verbreitete Präferenzen.

Bewertungsmetriken

Offline-Metriken wie AUC, Präzision und Trefferquote messen die Genauigkeit von Modellen anhand von zurückgehaltenen Daten. Die beste Offline-Performance lässt sich jedoch nicht immer in Geschäftsergebnisse umsetzen.

Online-A/B-Tests sind weiterhin unerlässlich. Steigert das neue Modell tatsächlich die Wiedergabezeit, die Käufe oder die Kundenzufriedenheit im Vergleich zum aktuellen Produktionssystem? Manchmal schneidet ein Modell mit etwas geringerer Offline-Genauigkeit in der Praxis besser ab, da es andere Faktoren wie Vielfalt oder Neuartigkeit ausgleicht.

Neue Trends bei Empfehlungssystemen

Das Gebiet entwickelt sich weiterhin rasant. Einige Richtungen sind besonders vielversprechend.

Transformatorarchitekturen

Transformer, die Architektur hinter großen Sprachmodellen, werden nun auch in Empfehlungssystemen eingesetzt. Selbstaufmerksamkeitsmechanismen modellieren auf natürliche Weise sequentielles Nutzerverhalten – die Reihenfolge, in der jemand Filme ansieht oder Produkte kauft, ist relevant.

Diese Modelle können langfristige Abhängigkeiten in der Nutzerhistorie erfassen, mit denen rekurrente neuronale Netze Schwierigkeiten haben. Außerdem ermöglichen sie ein effizienteres Parallelisieren des Trainings und somit schnellere Iterationen bei massiven Datensätzen.

Multimodale Empfehlungen

Moderne Systeme integrieren zunehmend verschiedene Datentypen. Für Videoempfehlungen analysiert das System beispielsweise gleichzeitig Audio, visuelle Inhalte, Textbeschreibungen und Nutzerkommentare. Jede dieser Modalitäten liefert unterschiedliche Informationen über Inhalte und Nutzerpräferenzen.

Besonders interessant ist das Lernen zwischen verschiedenen Datentypen – das Trainieren von Modellen, die Beziehungen zwischen unterschiedlichen Datentypen verstehen. Ein System könnte beispielsweise lernen, dass Nutzer, die bestimmte Musikgenres mögen, auch bestimmte visuelle Ästhetiken in Videos bevorzugen.

Kontextuelle Banditen

Anstatt Empfehlungen als überwachtes Lernproblem zu behandeln, betrachten kontextuelle Bandit-Algorithmen sie als sequenzielle Entscheidungsfindung unter Unsicherheit. Das System wägt die Nutzung bekannter Präferenzen gegen die Erkundung unsicherer Optionen ab, um weitere Informationen zu gewinnen.

Diese Herangehensweise berücksichtigt auf natürliche Weise den Zielkonflikt zwischen Exploration und Exploitation und kann sich schneller an veränderte Benutzerpräferenzen anpassen als Modelle, die ein vollständiges Neutraining erfordern.

Fairness und Vielfalt

Aktuelle Forschungsergebnisse befassen sich zunehmend mit Verzerrungen in Empfehlungssystemen. Diese Systeme können unbeabsichtigt demografische Verzerrungen in den Trainingsdaten verstärken oder Filterblasen erzeugen, die die Inhaltsvielfalt einschränken.

Neue Ansätze berücksichtigen Fairnesskriterien während des Trainings oder in der Phase der Neubewertung. Das Ziel: Empfehlungen, die den Nutzern einen Mehrwert bieten und gleichzeitig die Vielfalt der Inhalte sowie eine gleichberechtigte Sichtbarkeit für verschiedene Content-Ersteller fördern.

Aufbau Ihres ersten Empfehlungssystems

Die Einführung eines Empfehlungssystemprojekts erfordert mehrere wichtige Entscheidungen.

Wählen Sie Ihre Vorgehensweise

Bei kleinen Datensätzen (Tausende von Nutzern und Elementen) funktioniert das traditionelle kollaborative Filtern gut. Die Matrixfaktorisierung erweist sich dabei als überraschend effektiv und recheneffizient.

Bei größeren Datensätzen oder wenn umfangreiche Artikelmerkmale einbezogen werden müssen, bieten sich hybride Ansätze oder neuronales kollaboratives Filtern an. Deep Learning ist besonders effektiv, wenn genügend Daten zum Trainieren komplexer Modelle vorhanden sind.

Für Kaltstartszenarien oder Anwendungen, bei denen Erklärbarkeit wichtig ist, bietet inhaltsbasiertes Filtern eine solide Grundlage.

Wählen Sie Ihre Werkzeuge aus

Mehrere Open-Source-Bibliotheken beschleunigen die Entwicklung. Das Recommenders-Repository von Microsoft auf GitHub bietet Implementierungen verschiedener Algorithmen mit produktionsreifem Code. Es enthält Beispiele mit dem MovieLens-Datensatz und deckt alles von der grundlegenden Matrixfaktorisierung bis hin zum neuronalen kollaborativen Filtern ab.

PyTorch Lightning vereinfacht das Training komplexer Modelle im Bereich Deep Learning. Das Framework unterstützt verteiltes Training, gemischte Präzision und Checkpointing und sorgt gleichzeitig für lesbaren Code.

TensorFlow bietet außerdem Komponenten für Empfehlungssysteme, insbesondere für den produktiven Einsatz im großen Maßstab.

Daten sammeln und aufbereiten

Qualitativ hochwertige Daten sind wichtiger als die Wahl des Algorithmus. Sie benötigen Interaktionen zwischen Nutzern und Artikeln – Aufrufe, Käufe, Bewertungen – und idealerweise Zeitstempel, um zeitliche Muster zu erfassen.

Die Datenaufbereitung umfasst den Umgang mit fehlenden Werten, das Herausfiltern von Spam oder Bot-Aktivitäten und gegebenenfalls das Reduzieren der Anzahl beliebter Elemente, die den Datensatz dominieren. Für implizites Feedback müssen Sie definieren, was ein positives Signal darstellt – deutet das Ansehen von 10% eines Videos auf Interesse oder Desinteresse hin?

Richtig bewerten

Teilen Sie Ihre Daten nach Möglichkeit zeitlich auf. Trainieren Sie mit Interaktionen vor einem bestimmten Datum und testen Sie mit Interaktionen danach. Dies simuliert einen realen Einsatz, bei dem Sie zukünftiges Verhalten vorhersagen.

Verfolgen Sie mehrere Kennzahlen. Genauigkeitsmaße wie Präzision und Trefferquote geben Aufschluss darüber, ob das System relevante Artikel identifiziert. Diversitätskennzahlen stellen sicher, dass die Empfehlungen nicht zu einseitig werden. Abdeckungskennzahlen zeigen, welcher Anteil Ihres Katalogs empfohlen wird.

Aber denken Sie daran: Online-A/B-Tests sind die ultimative Validierung. Offline-Metriken leiten die Entwicklung, aber das tatsächliche Nutzerverhalten entscheidet über den Erfolg.

Häufig gestellte Fragen