5 min
September 22, 2023
In diesem Expertenartikel dreht sich alles um Empfehlungssysteme, die sich von frühen Methoden bis hin zum Einsatz von Deep Learning und Transformatoren weiterentwickelt haben. Diese sind für personalisierte Online-Erlebnisse von entscheidender Bedeutung und werden nun auf Transparenz und ethische Überlegungen hin überprüft.
Empfehlungssysteme sind Anwendungen, die üblicherweise in Webshops integriert sind, um den Verkauf zu unterstützen. Sie bieten Nutzern personalisierte Empfehlungen für Produkte und Dienstleistungen, die ihren Interessen entsprechen und die sie noch nicht gekauft haben. Empfehlungssysteme beschränken sich nicht nur auf den Verkauf von Produkten, sondern spielen auch in anderen Bereichen eine Rolle. Sie werden beispielsweise in Bereichen wie Streaming-Plattformen, Nachrichtenportalen, sozialen Medien, Reiseplanung, Musikempfehlungen, Stellenvermittlung und vielen anderen eingesetzt.
Es reicht aus, die Rolle von Empfehlungen auf YouTube zu verstehen, um die Bedeutung von Empfehlungssystemen zu erkennen. Ohne bekannte Empfehlungen auf der Startseite oder in der rechten Seitenleiste ist diese Plattform, die neben Google zu den beliebtesten Websites der Welt gehört, kaum vorstellbar. Als Schlüsseltechnologie spielen YouTube-Empfehlungen eine entscheidende Rolle dabei, Nutzer auf der Plattform zu halten, das Nutzererlebnis zu verbessern, die Entdeckung neuer Inhalte zu erleichtern und personalisierte Werbung bereitzustellen.
Empfehlungssysteme gehören daher zu den sind die wichtigsten Technologien des World Wide Web und werden seit den Anfängen des Internets verwendet.
In den 1990er Jahren wurden im Bereich der kollaborativen Filterung erhebliche Fortschritte erzielt, insbesondere im Hinblick auf die Empfehlung von Nachrichten, Musikalben und Filmen. Das Prinzip der kollaborativen Filterung besteht darin Identifizieren Sie Gemeinsamkeiten zwischen Benutzern und generieren Sie auf der Grundlage dieser Ähnlichkeiten Empfehlungen. Ziel ist es, Nutzern Produkte oder Inhalte vorzuschlagen, die von gleichgesinnten Personen positiv bewertet wurden.
Das Tapisserie-System (Goldberg et al., 1992), entwickelt am Xerox Palo Alto Research Center, war eines der ersten Systeme, das die Idee und Terminologie der kollaborativen Filterung einführte. Es wurde ursprünglich als E-Mail-System konzipiert, um Nachrichten aus Mailinglisten zu filtern und nur relevante Informationen an Benutzer zu senden. Diese frühe Anwendung von Collaborative Filtering legte den Grundstein für die spätere Entwicklung von Empfehlungssystemen.
Das GroupLens Projekt xrn (Resnick et al., 1994) an der University of Minnesota trug zur Weiterentwicklung von Collaborative Filtering bei. Das xrn-System von GroupLens ermöglichte das Filtern von Usenet-Nachrichten, um Nutzern auf der Grundlage der Interessen und Vorlieben anderer Benutzer relevante Nachrichten zu empfehlen. Das Projekt konzentrierte sich auf die Einbeziehung sozialer Interaktionen und nutzte das Feedback der Community, um personalisierte Empfehlungen zu verbessern.
Das Ringo System (Shardanand und Maes, 1995), das am Massachusetts Institute of Technology (MIT) entwickelt wurde, war eines der ersten Systeme, das kollaborative Filter verwendete, um Musikalben und Künstler zu empfehlen. Es ermöglichte Benutzern, ihre Musikpräferenzen anzugeben und passende Empfehlungen zu erhalten, die auf den Präferenzen anderer Benutzer basierten. Das Ringo-System half dabei, die kollaborative Filterung auf den Bereich der Musikempfehlungen auszudehnen.
Das Bellcore Videoempfehlungssystem (Hill et al., 1995) führte Collaborative Filtering in den Bereich der Filmempfehlungen ein. Es ermöglichte Benutzern, ihre Präferenzen für Filme anzugeben, und generierte Empfehlungen, die auf den Bewertungen und Vorlieben anderer Nutzer basierten. Das System legte den Grundstein für die Anwendung der kollaborativen Filterung im Bereich der Bewertungen und Empfehlungen von Filmen.
Diese Systeme zeigten, wie die Verwendung von Benutzerfeedback und sozialen Interaktionen genutzt werden kann, um personalisierte Empfehlungen zu generieren. Diese Erkenntnisse hatten einen erheblichen Einfluss auf das Verständnis und die Entwicklung von Empfehlungssystemen und sind auch heute noch relevant.
Die Entwicklung der Empfehlungssysteme erfolgte im Laufe der Jahre schrittweise. Im März 1996, der erste Workshop zum kollaborativen Filtern fand in Berkeley statt, wo sich die Gemeinde zum ersten Mal versammelte. Am Ende dieses Treffens herrschte Einigkeit darüber, dass alle Ansätze ein größeres gemeinsames Problem betrafen: Empfehlungssysteme.
Im März 1997 wurde zu diesem Thema eine Sonderausgabe von Communications of the ACM veröffentlicht, herausgegeben von Resnick und Varian. In dieser Veröffentlichung wurde die wachsende Bedeutung von Empfehlungssystemen in Forschung und Industrie hervorgehoben.
Mitte der 1990er Jahre gab es auch die ersten erfolgreichen Spin-offs aus der Wissenschaft. Eine Gruppe des MIT gründete Agents, Inc. das später umbenannt wurde Firefly-Netzwerke. Die GroupLens-Gruppe, ebenfalls aus dem Jahr 1996, gründete Net Perceptions.
1999 führte Amazon sein eigenes ein Empfehlungs-Engine, in dem Kundenempfehlungen angezeigt wurden, die auf dem Verhalten anderer Kunden basierten. Dieser Ansatz, bekannt als „Kunden, die diesen Artikel gekauft haben, kauften auch...“, war ein Meilenstein in Bezug auf personalisierte Empfehlungen im E-Commerce.
Nach dem Platzen der Dotcom-Blase in den Jahren 2000-2005 verschwanden viele der damaligen Unternehmen, aber die Technologie von Recommender Systems blieb bestehen und entwickelte sich weiter. Die Branche stand vor neuen Herausforderungen. Es wurde deutlich, dass genaue Vorhersagen allein nicht ausreichten. Die Empfehlungen mussten aussagekräftig und skalierbar sein, ohne die bestehende Website zu verlangsamen.
2006 kündigte Netflix den Netflix-Preis an, der mit einer Million US-Dollar dotiert war. Ziel war es, die Vorhersagegenauigkeit des Netflix-Algorithmus um 10% zu verbessern. Der Netflix-Preis führte zu Synergieeffekten und zog neue Akteure aus verschiedenen Disziplinen wie Informationsabruf und Data Mining an, die sich zunehmend dem Bereich Empfehlungssysteme zuwandten.
2007 fand die erste ACM Recommender Systems Conference statt, an der 120 Teilnehmer teilnahmen. Dies unterstrich die wachsende Bedeutung und den wissenschaftlichen Charakter des Forschungsbereichs Empfehlungssysteme. Die ACM RecSys-Konferenz ist immer noch die wichtigste in diesem Forschungsbereich.
In den letzten Jahren wurden immer mehr Artikel veröffentlicht, die Deep Learning (künstliche neuronale Netze mit vielen Schichten) für Empfehlungssysteme verwenden. Als Teil des maschinellen Lernens ermöglicht Deep Learning die automatische Extraktion relevanter Merkmale und Muster aus verschiedenen Benutzersignalen, die für personalisierte Empfehlungen entscheidend sind. In Anspielung auf Marc Andreessens bekanntes Zitat „Software frisst die Welt“ sagte NVIDIA-CEO Jensen Huang: „Software frisst die Welt, aber KI wird Software fressen“. Mit KI bezog er sich auf den Einsatz von Deep Learning, das seit dem ImageNet-Wettbewerb 2013 allmählich an Boden gegenüber allen anderen Methoden des maschinellen Lernens gewonnen hat. Diese bahnbrechende Entwicklung wurde zu einem großen Teil durch die Leistungsfähigkeit von Grafikprozessoren (GPUs) ermöglicht.
Und heute, im Jahr 2023, kann ohne Zweifel gesagt werden, dass Transformer-Modelle in Anwendungsbereichen wie der Verarbeitung natürlicher Sprache (NLP) die Deep-Learning-Modelle regelrecht dominieren.
Ein Schlüsselelement der Transformatorarchitektur ist der Aufmerksamkeitsmechanismus, der es dem Modell ermöglicht, sich auf relevante Informationen zu konzentrieren und diese selektiv zu gewichten. Dies ist besonders nützlich für Empfehlungssysteme, da Benutzerinteraktionen, Artikelmerkmale und andere Kontextinformationen berücksichtigt werden müssen, um genaue Empfehlungen zu erstellen.
Mithilfe von Transformatoren können Recommender Systems komplexe Beziehungen zwischen Benutzern und Objekten modellieren. Die Architektur erfasst subtile Nuancen in den Daten und ermöglicht eine genauere Bewertung der Relevanz von Empfehlungen. Sie ermöglicht auch die effektive Nutzung sequentieller Daten, wie z. B. die Reihenfolge der Artikel, die sich ein Benutzer angesehen hat, was beispielsweise für Musik-Playlisten wichtig ist.
Darüber hinaus bietet die Transformatorarchitektur Flexibilität bei der Integration verschiedener Funktionen und Informationen. Sie ermöglicht die Kombination von strukturierten und unstrukturierten Daten wie Benutzerprofilen, Artikelattributen, Textbeschreibungen oder Bildinformationen. Dies eröffnet neue Möglichkeiten für personalisierte Empfehlungen und ermöglicht eine umfassendere Erfassung der Nutzerinteressen.
Insgesamt spielt die Transformatorarchitektur eine wichtige Rolle bei der Weiterentwicklung von Recommender Systems. Sie ermöglicht eine verbesserte Beziehungsmodellierung, eine genauere Vorhersage von Benutzerpräferenzen und eine effiziente Verarbeitung großer Datensätze. Die Integration dieser Architektur in Recommender Systems hilft dabei, Benutzern personalisierte und relevante Empfehlungen zu geben.
Technologien wie Empfehlungssysteme, die in unserem Alltag eine zentrale Rolle spielen und manchmal darüber entscheiden, welche Informationen wir in sozialen Medien sehen und welche nicht, müssen zuerst verstanden und dann von den Regierungen reguliert werden.
Obwohl Deutschland und Europa oft hinterherhinken, wenn es um Algorithmen und Modelle geht, sind sie oft an der Spitze, wenn es um die Gesetzgebung und Regulierung von KI-Anwendungen geht. Zum Beispiel hat die Europäische Union eine neue Regulierungsbehörde namens European Centre for Algorithmic Transparency (ECAT) geschaffen, die Einblicke in soziale Medien und Suchmaschinenalgorithmen bietet. ECAT wird die Funktionsweise von „Blackbox“ -Algorithmen untersuchen, potenzielle Risiken analysieren und Maßnahmen zur Bekämpfung illegaler Inhalte, Menschenrechtsverletzungen und der Schädigung demokratischer Prozesse oder der Gesundheit der Nutzer evaluieren. Die Agentur wird auch die langfristigen sozialen Auswirkungen von Algorithmen untersuchen und Maßnahmen zur Verbesserung ihrer Rechenschaftspflicht und Transparenz vorschlagen. ECAT will auch als Zentrum für Wissen und bewährte Verfahren für Forscher aus verschiedenen Bereichen dienen. Diese Initiative ist Teil der Bemühungen der EU zur Regulierung der KI und kann weitreichende positive Auswirkungen über die Grenzen der Union hinaus haben.
Upgrade your data
Wow your customers
.png)
