Empfehlungen – Übersicht

Empfehlungssysteme sind eine der erfolgreichsten und weitverbreitesten Anwendungen für maschinelles Lernen für Unternehmen. Mithilfe eines Empfehlungssystems können Sie Ihren Nutzern dabei helfen, ansprechende Inhalte in einer großen Menge von Inhalten zu finden. Der Google Play Store bietet beispielsweise Millionen von Apps, während YouTube Milliarden von Videos bereitstellt, wobei jeden Tag mehr Apps und Videos hinzugefügt werden. Nutzer können über die Suche neue Inhalte finden, allerdings wird dies durch die verwendeten Suchbegriffe eingeschränkt. Ein Empfehlungssystem kann Inhalte vorschlagen, nach denen Nutzer möglicherweise von sich aus nicht gesucht hätten. Weitere Informationen finden Sie in der Übersicht über Empfehlungssysteme.

Algorithmen für maschinelles Lernen in Empfehlungssystemen werden in der Regel in die folgenden Kategorien unterteilt:

  • Inhaltsbasiertes Filtern: verwendet Ähnlichkeiten zwischen Elementen, um Empfehlungen zu geben. Wenn sich ein Nutzer beispielsweise zwei süße Katzenvideos ansieht, kann das Empfehlungssystem diesem Nutzer weitere süße Tiervideos empfehlen.
  • Kollaboratives Filtern: verwendet Ähnlichkeiten zwischen Nutzern (basierend auf Nutzerabfragen), um Empfehlungen zu geben. Wenn Nutzer A beispielsweise nach ähnlichen Dingen wie Nutzer B sucht und Nutzer B Video 1 mag, kann das Empfehlungssystem Nutzer A Video 1 empfehlen, auch wenn Nutzer A keine ähnlichen Videos wie Video 1 gesehen hat.

Matrixfaktorisierungsmodelle

Matrixfaktorisierungsmodelle werden häufig als kollaborative Filtermethode für Empfehlungssysteme verwendet.

In einem Matrixfaktorisierungsmodell werden Nutzer/Artikel-Paare einer zweidimensionalen Matrix zugeordnet, wobei die einzelnen Nutzer auf der einen und die einzelnen Artikel auf der anderen Achse liegen. Die Bewertungen, die ein Nutzer den Elementen gegeben hat, befinden sich in den Zellen der Matrix. Diese Matrix muss nicht vollständig ausgefüllt sein. In den meisten Fällen haben Nutzer keinen Wert für jeden Artikel. Ziel des Matrixfaktorisierungsmodells ist es, zwei kleinere, dichte Gewichtungsmatrizen zu erstellen, die bei der Multiplikation die ursprünglichen Matrixzellwerte approximieren und prognostizierte Bewertungen für die leeren Matrixzellen liefern.

Eine der kleineren Matrizen enthält die einzelnen Nutzer auf der einen Achse und die Anzahl der latenten Faktoren auf der anderen Achse, wie in der CREATE MODEL-Anweisung mit der Option NUM_FACTORS angegeben. Die andere kleinere Matrix enthält die eindeutigen Elemente auf einer Achse und die Anzahl der latenten Faktoren auf der anderen Achse. In dieser Matrix werden die Gewichte der latenten Faktoren vom Algorithmus generiert, der zum Trainieren des Modells verwendet wird. Dabei werden die Kombinationen aus Nutzern und Elementen aus der Eingabematrix berücksichtigt.

Weitere Informationen finden Sie unter Matrixfaktorisierung.

Mit der Funktion ML.RECOMMEND können Sie ein Matrixfaktorisierungsmodell verwenden, um Empfehlungen zu geben.

Andere Modelle für Empfehlungen

Um Empfehlungen geben zu können, können Sie neuronale Deep-Learning-Netzwerke (DNN) und Wide-and-Deep-Modelle mit der ML.PREDICT-Funktion verwenden, um ein kollaboratives, filterbasiertes Empfehlungssystem über die Möglichkeiten eines Matrixfaktorisierungsmodells hinaus zu erweitern. Diese Modelle können Abfrage- und Elementfeatures enthalten, um die Relevanz von Empfehlungen zu verbessern. Weitere Informationen finden Sie in den folgenden Ressourcen:

Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und den Inferenzfunktionen können Sie auch ohne viel ML-Kenntnisse ein Empfehlungsmodell erstellen und verwenden. Grundlegende Kenntnisse über die ML-Entwicklung und insbesondere Empfehlungsmodelle helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und -Prozessen vertraut zu machen: