Empfehlungsdienst

Schematische Darstellung eines Recommendersystems

Ein Empfehlungsdienst (englisch Recommender System) ist ein automatisches Verfahren, das ausgehend von vorhandenen Webseiten oder anderen Objekten ähnliche Objekte ermittelt und empfiehlt. Zur Ermittlung der passenden Empfehlungen verwendet ein Empfehlungsdienst Methoden des Data-Minings und Information Retrieval. Bei der Empfehlung von Hyperlinks werden darüber hinaus Informationen aus dem konkreten Kontext (Webseiten-Zugriff) und zusätzliche Informationen wie z. B. die Kauf-, Navigations- oder Klick-Historie herangezogen.

Typen

Man kann zwischen vier Typen von Kontext-Informationen unterscheiden:

• aktueller Inhalt, d. h. der aktuell vom Benutzer angeschaute Inhalt (Seitenaufruf, Produkt, ...) und damit verbundene weitere Informationen wie z. B. die Kategorie des Inhalts
• aktueller Benutzer, identifiziert durch ein Cookie, und ihm zuzuordnende Informationen wie z. B.
  • Stamm-Informationen, z. B. Geschlecht, Alter, Herkunft, ...
  • Transaktionsinformationen, z. B. bisherige Käufe, bisheriges Navigationsverhalten, Interessensgebiete, Präferenzen, ...
• aktuelle Intention, d. h. Absicht und Zweck des Webseiten-Zugriffs, z. B. um ein Produkt für sich oder als Geschenk zu suchen, ...
• weitere Kontext-Informationen über den Webseiten-Zugriff, z. B. aus der HTTP-Anfrage (aktuelle Zeit, URL, IP-Adresse, …)

Eine bekannte Recommendation Engine ist jene von Amazon.com zur Empfehlung von Buchtiteln und anderen Produkten. Ein anderes Beispiel ist der BibTip-Dienst der Universitätsbibliothek Karlsruhe.^[1] Inzwischen nutzen zahlreiche deutsche Unternehmen die Empfehlungsfunktion, unter anderem die Quelle GmbH (vor ihrer Insolvenz und der Einstellung des Geschäftsbetriebs im Jahre 2009), die METRO AG^[2] oder Moviepilot. Den größten wissenschaftlichen Wettbewerb im Bereich Recommendation Systems, der mit 1 Million USD dotiert war, rief der US-amerikanische DVD-Verleih Netflix 2006 ins Leben. Die Siegerlösung wurde 2009 von einem Konglomerat namens "BellKor's Pragmatic Chaos" geliefert. Forscher von commendo research & consulting (Österreich), AT&T Research (USA), Pragmatic Theory (Kanada) und Yahoo! Research (Israel) setzten sich dabei gegen 50.000 Konkurrenzteams durch.

Siehe auch

• Kataloganreicherung
• Personalisierung (Informationstechnik) (Enthält unter "Personalisierungstechniken" Überschneidungen zu diesem Thema)

Literatur

• André Klahold: Empfehlungssysteme. Recommender Systems. Grundlagen, Konzepte und Lösungen. Vieweg+Teubner, Wiesbaden 2009, ISBN 978-3-8348-0568-3 (Studium).
• Andreas W. Neumann: Recommender Systems for Information Providers. Designing Customer Centric Paths to Information. Physica-Verlag, Heidelberg 2009, ISBN 978-3-7908-2133-8 (Contributions to Management Science).

Weblinks

• Dietmar Jannach; Markus Zanker; Alexander Felfernig; Gerhard Friedrich (2010) Recommender Systems: An Introduction, Cambridge University Press. ISBN: 9780521493369
• Conference on Recommender Systems

Einzelnachweise

1. ↑ http://www.bibtip.org
2. ↑ http://www.andreas-ittner.de/recommendation-engines/9-recommendation-engines/5-recommendation-engines.html