Wie funktioniert Collaborative Filtering?
Es beginnt mit einer Matrix aus Nutzern und Artikeln, größtenteils leer, in der jede Zelle eine Bewertung oder ein Ja enthält. Um eine leere Zelle zu füllen, sucht es ein Muster in den gefüllten. Die Kernidee: Menschen, die sich in der Vergangenheit einig waren, sind es tendenziell wieder. Ein Modell reiht dann die Artikel, die ein Nutzer noch nicht gesehen hat, nach vorhergesagtem Score und zeigt die obersten wenigen.
Ein Rechenbeispiel mit Bewertungen von 5:
| Film A | Film B | Film C | |
|---|---|---|---|
| Ana | 5 | 4 | ? |
| Ben | 5 | 4 | 5 |
| Cleo | 1 | 2 | 1 |
Anas Bewertungen decken sich eng mit Bens und gar nicht mit Cleos, also sagt das System voraus, dass Ana Film C nahe an Bens 5 bewerten wird, und empfiehlt ihn.
Welche Arten von Collaborative Filtering gibt es?
| Art | Vergleicht | Gut für |
|---|---|---|
| Nutzerbasiert | Nutzer mit ähnlichen Nutzern | Kleine Kataloge, erklärbare Ergebnisse |
| Artikelbasiert | Artikel mit Artikeln, die dieselben Nutzer ähnlich bewertet haben | Große Nutzerbasen, stabile Kataloge |
| Matrixfaktorisierung | Gelernte verborgene Faktoren für Nutzer und Artikel in einem gemeinsamen Raum | Dünn besetzte Daten im großen Maßstab |
Matrixfaktorisierung ist das Arbeitspferd im großen Maßstab. Den gemeinsamen Raum liefern Embeddings: Ein Nutzer und ein Artikel liegen nah beieinander, wenn der Nutzer den Artikel wahrscheinlich mag. Nachbarverfahren nutzen dieselbe Idee wie K-Nearest-Neighbors.
Wann scheitert Collaborative Filtering?
Drei Schwächen kehren wieder. Ein neuer Nutzer oder ein neuer Artikel hat keine Historie, das Cold-Start-Problem. Dünn besetzte Daten, in denen die meisten Nutzer wenige Artikel bewerten, machen Ähnlichkeiten unzuverlässig. Und beliebte Artikel dominieren, sodass der Long Tail selten gezeigt wird. Es lernt außerdem, was immer die Masse tut, auch Verzerrungen, prüfen Sie also, wer in Ihren Daten fehlt. Ein verbreitetes Mittel ist ein Hybrid, der Inhaltssignale wie Kategorie oder Textähnlichkeit ergänzt, wie sie hinter der semantischen Suche stehen.
Wie hängt Collaborative Filtering mit moderner AI zusammen?
Es bleibt der Kern der Empfehlung im Handel und in den Medien, und dieselbe Logik steckt hinter „Kunden kauften auch“ bei AI im Handel. Sprachmodelle ergänzen einen anderen Weg: Artikel in Text beschreiben und die Absicht abgleichen. Viele Produktivsysteme nutzen beides, mit kollaborativen Signalen dafür, wer tendenziell was kauft, und einem Sprachmodell, um die Auswahl zu erklären. Beginnen Sie mit einer artikelbasierten Baseline auf Ihrer Bestellhistorie, bevor Sie nach etwas Schwererem greifen, und messen Sie sie an einer simplen Liste der „Beliebtesten“.