Durch die neuen Möglichkeiten des E-Commerce hat sich für den Endkunden das Angebot an Produkten enorm vergrößert. Gerade in großen Online Shops ist es beinahe unmöglich, gezielt interessante Inhalte herauszusuchen. Verbraucher setzen deswegen verstärkt auf persönliche Empfehlungen aus dem Bekanntenkreis.
Auch die Online Shops sind sich dieses Problems bewusst. In seiner Publikation erklärt Anh Dang, wie Unternehmen mit sogenannten Empfehlungssystemen gegensteuern. Vor allem das Collaborative Filtering eignet sich, um aus Bewertungen ähnlicher Nutzer geeignete Empfehlungen abzuleiten.
Allerdings sind auch beim Collaborative Filtering die Skalierbarkeit sowie die Empfehlungsqualität nicht garantiert. Gleichzeitig sind sie aus der heutigen Praxis nicht mehr wegzudenken. Dang gibt deshalb einen umfassenden Überblick über das Collaborative Filterung und schlüsselt dabei auch dessen Algorithmen auf.
Aus dem Inhalt:
- Amazon;
- Ebay;
- Online Shopping;
- Speicherbasierter Algorithmus;
- Modellbasierter Algorithmus;
- Marketing
Inhaltsverzeichnis
1 Einleitung
2 Begriffliche und konzeptionelle Grundlagen von Empfehlungssystemen
2.1 Definition E-Commerce
2.2 Definition Bewertung
2.3 Definition Empfehlungssystem
2.4 Definition Collaborative Filtering
2.5 Hauptkategorien des Collaborative Filtering
2.5.1 Speicherbasierte Collaborative Filtering Algorithmen
2.5.2 Modellbasierte Collaborative Filtering Algorithmen
2.6 Evaluationsmetriken
2.6.1 Mean Absolute Error
2.6.2 Precision und Recall
2.6.3 Receiver-Operating-Characteristic Sensitivität
2.7 Probleme des Collaborative Filtering
3 Beschreibung der Literatur
3.1 Literaturüberblick zu speicherbasierten Collaborative Filtering Algorithmen
3.2 Literaturüberblick zu modellbasiertem Collaborative Filtering Algorithmen
4 Analyse der Literatur
4.1 Gemeinsamkeiten und Abweichungen: speicherbasierte CF Algorithmen
4.2 Gemeinsamkeiten und Abweichungen: modellbasierte CF Algorithmen
5 Fazit
Zielsetzung & Themen
Die vorliegende Arbeit gibt einen fundierten Literaturüberblick über das Themenfeld des Collaborative Filtering im E-Commerce. Ziel ist es, die konzeptionellen Grundlagen, verschiedene algorithmische Ansätze sowie die damit verbundenen Herausforderungen systematisch aufzuarbeiten und die unterschiedlichen wissenschaftlichen Erkenntnisse zu vergleichen.
- Grundlagen von Empfehlungssystemen und E-Commerce
- Kategorisierung und Funktionsweise von Collaborative Filtering Algorithmen
- Evaluationsmetriken zur Messung der Empfehlungsqualität
- Herausforderungen wie Skalierbarkeit, Datenverfügbarkeit und Manipulation
- Vergleichende Analyse speicherbasierter und modellbasierter Ansätze
Auszug aus dem Buch
2.4 Definition Collaborative Filtering
Der Begriff „Collaborative Filtering“ fand zum ersten Mal im Zusammenhang mit dem „Tapestry“-System Gebrauch, welches eines der ersten entwickelten Empfehlungssysteme ist (vgl. Goldberg et al. 1992, S. 61). CF ist eine der erfolgreichsten und in der Praxis am meisten angewendeten Empfehlungstechnologien (vgl. Konstan et al. 1997, S. 77 f.; Herlocker et al. 1999, S. 230; B. Sarwar et al. 2000, S. 160; Goldberg et al. 2001, S. 133 f.). Im Allgemeinen stützen sich Goldberg et al. (2001, S. 133) auf die fundamentale Annahme wenn beispielsweise zwei Nutzer ähnliche Bewertungen für Objekte abgeben, so bedeutet das, dass diese ähnliche Präferenzen teilen und dementsprechend andere Objekte ebenfalls ähnlich bewerten.
CF Systeme helfen dabei, anhand abgegebener Objektbewertungen, zu jedem aktiven Nutzer, eine Menge von sogenannten Nachbarn zu finden, die ähnliche Präferenzen vorweisen. Sobald ähnliche Nachbarn durch das CF System ermittelt wurden, formen diese eine sogenannte Nachbarschaft, mit der anhand verschiedener Algorithmen Objektempfehlungen generiert werden. Die eingehenden Daten, die hierbei gesammelt werden, repräsentieren vergangene Kauftransaktionen von aktiven Nutzern für Objekte, die in einer n x m Nutzer-Objekt-Matrix dargestellt werden. Im Großen und Ganzen beinhaltet Collaborative Filtering die Akkumulierung der von Nutzern abgegebenen Bewertungen. Anhand diesen werden auf die Präferenzen des Nutzers zugeschnittene Objektvorhersagen. (vgl. Herlocker et al. 1999, S. 230 f.; B. Sarwar et al. 2000, S. 160 f.) Nach Herlocker et al. (1999, S. 230) kann das CF System in drei verschiedene Aufgaben unterteilt werden: die Darstellung eingehender Daten, die Formation der Nachbarschaft und die Empfehlungsgenerierung. Abbildung 3 gibt hierbei einen Überblick über diese.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Problematik der Informationsüberflutung im E-Commerce ein und definiert das Ziel der Arbeit, einen Literaturüberblick zu Collaborative Filtering Algorithmen zu geben.
2 Begriffliche und konzeptionelle Grundlagen von Empfehlungssystemen: Dieses Kapitel erläutert die terminologischen Grundlagen wie E-Commerce, Bewertungssysteme und Empfehlungssysteme sowie die Funktionsweise und Kategorisierung von Collaborative Filtering.
3 Beschreibung der Literatur: Hier wird der aktuelle Stand der Forschung zu speicherbasierten und modellbasierten Collaborative Filtering Algorithmen anhand ausgewählter wissenschaftlicher Arbeiten detailliert wiedergegeben.
4 Analyse der Literatur: Dieses Kapitel vergleicht die vorgestellten Forschungsarbeiten und hebt Gemeinsamkeiten sowie Abweichungen in den Ansätzen für speicherbasierte und modellbasierte Algorithmen hervor.
5 Fazit: Das Fazit fasst die zentralen Ergebnisse der Literaturanalyse zusammen, reflektiert die Entwicklungen im Bereich Collaborative Filtering und gibt einen Ausblick auf den künftigen Forschungsbedarf.
Schlüsselwörter
Collaborative Filtering, Empfehlungssysteme, E-Commerce, Bewertungssysteme, Algorithmen, Skalierbarkeit, Informationsüberflutung, Datenverfügbarkeit, Nutzerpräferenzen, Modellbasierte Algorithmen, Speicherbasierte Algorithmen, Evaluationsmetriken, Mean Absolute Error, Precision, Recall
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit bietet einen umfassenden wissenschaftlichen Literaturüberblick über das Collaborative Filtering, eine zentrale Technologie zur Personalisierung von Angeboten im E-Commerce.
Welche sind die zentralen Themenfelder der Arbeit?
Die Arbeit behandelt die konzeptionellen Grundlagen von Empfehlungssystemen, die Unterscheidung zwischen speicherbasierten und modellbasierten Algorithmen sowie die Herausforderungen der Performance und Qualität bei großen Datensätzen.
Was ist das primäre Ziel der Forschungsarbeit?
Das primäre Ziel ist die systematische Zusammenfassung und kritische Analyse der existierenden wissenschaftlichen Literatur zu den verschiedenen Collaborative Filtering Verfahren, um deren Eignung und Entwicklung aufzuzeigen.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine systematische Literaturanalyse, bei der führende Forschungspublikationen zu Algorithmen wie dem Nächster-Nachbar-Ansatz oder SVD-Verfahren aufbereitet und vergleichend gegenübergestellt werden.
Welche Inhalte werden im Hauptteil behandelt?
Der Hauptteil gliedert sich in die Darstellung der theoretischen Grundlagen, die detaillierte Beschreibung relevanter Literatur und eine anschließende Analyse von Gemeinsamkeiten und Abweichungen in den verschiedenen Ansätzen.
Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?
Die Arbeit lässt sich durch Begriffe wie Collaborative Filtering, Empfehlungssysteme, Skalierbarkeit, Datenverfügbarkeit und Algorithmen-Evaluation beschreiben.
Welche Rolle spielt die Datenverfügbarkeit für das Collaborative Filtering?
Die Datenverfügbarkeit ist ein kritisches Hauptproblem; eine spärliche Datenbasis (Sparsity) erschwert die Bildung präziser Nachbarschaften, was die Vorhersagequalität der Algorithmen massiv beeinträchtigen kann.
Wie unterscheidet sich die Skalierbarkeit bei verschiedenen Algorithmen?
Während klassische speicherbasierte Ansätze bei sehr großen Nutzerzahlen an ihre Grenzen stoßen, bieten modellbasierte Ansätze durch Methoden wie Dimensionsreduktion oder Cluster-Bildung oft eine bessere Performance bei der Verarbeitung großer Datenmengen.
- Arbeit zitieren
- Anh Dang (Autor:in), 2019, Collaborative Filtering. Die Anwendung von Empfehlungssystemen im E-Commerce, München, GRIN Verlag, https://www.grin.com/document/459343
