Empfehlungen – Übersicht

Empfehlungssysteme sind eine der erfolgreichsten und weit verbreiteten Anwendungen des maschinellen Lernens für Unternehmen. Sie können ein Empfehlungssystem verwenden, um Ihren Nutzern dabei zu helfen, in einem großen Textbereich ansprechende Inhalte 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 nach neuen Inhalten suchen, dies ist jedoch durch die von ihnen verwendeten Suchbegriffe eingeschränkt. Ein Empfehlungssystem kann Inhalte vorschlagen, nach denen Nutzer möglicherweise von sich aus nicht gesucht hätten. Weitere Informationen finden Sie unter Empfehlungssysteme – Übersicht.

Algorithmen für maschinelles Lernen in Empfehlungssystemen werden in der Regel in folgende zwei Kategorien unterteilt: inhaltsbasiertes und kollaboratives Filtern.

  • Inhaltsbasiertes Filtern: Hiermit werden Empfehlungen anhand der Ähnlichkeit zwischen Elementen gegeben. Wenn sich ein Nutzer beispielsweise zwei süße Katzenvideos ansieht, kann das Empfehlungssystem diesem Nutzer mehr 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 werden häufig als kollaborative Filtermethode für Empfehlungssysteme verwendet. Sie können ein Matrixfaktorisierungsmodell mit der Funktion ML.RECOMMEND verwenden, um Empfehlungen zu geben. Weitere Informationen finden Sie unter Matrixfaktorisierung.

Sie können neuronale Deep-Learning-Netzwerk- (DNN) und Wide-and-Deep-Modelle 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: