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 zwei Kategorien unterteilt: inhaltsbasiertes und kollaboratives Filtern.

  • Inhaltsbasiertes Filtern: Hierbei werden Ähnlichkeiten zwischen Elementen verwendet, um Empfehlungen zu geben. Wenn sich ein Nutzer beispielsweise zwei winzige Katzenvideos ansieht, kann das Empfehlungssystem diesem Nutzer hochwertigere Tiervideos empfehlen.
  • Kollaboratives Filtern: Es werden Ähnlichkeiten zwischen Nutzern verwendet (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. Mit der Funktion ML.RECOMMEND können Sie ein Matrixfaktorisierungsmodell 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: