Empfehlungssysteme für E-Commerce

Empfehlungssysteme sind zumindest Besuchern von Commerce-Site bestens bekannt: „Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel angesehen haben?“. Und auch (aber nicht nur) für Betreiber von Online Shops sind diese essentiell wichtig, beispielsweise um Warenkorbgrösse, Auffindbarkeit von Produkten oder um die Marge zu verbessern. Wie so häufig ist das Thema vielschichtig, die Anforderungen komplex und die Produkthersteller sehr vollmundig in ihren Aussagen.
In diesem Post folgt nicht der ultimative Tipp, aber „nur“ die ultimative Leseliste zum Thema. Joseph A. Konstan und John Riedl bieten mit ihrem Paper “Recommender Systems: From Algorithms to User Experience” eine exzellente Zusammenfassung und eine sehr relevante Literaturliste. Ein “must read” für alle Leute die sich mit Informationssuche und Commerce beschäftigen.
Und hier für die Wenigleser eine paar Eckpunkte aus dem Papier.
Das Gebiet ist wissenschaftlich sehr gut abgedeckt, doch hat sich der Fokus von wissenschaftlichen Themen wie beispielsweise der Optimierung des Rechenaufwands von KNN hin zu geschäftlichen Themen gewandelt. Geschäftliche Themen sind beispielsweise die Berücksichtigung von Lagerverfügbarkeiten, Sonderangebote oder Margenoptimierung.
Damit tauchten in der Forschung zahlreiche neue Themenbereiche auf. Das Paper gruppiert diese neuen Fragestellungen und nennt bei jedem die wichtigsten Papers – eine Fülle an wertvollem Wissen.
– Handling new users: Zusätzlich zu Elementaffinitäten kommen häufig neue „Elemente“ in der Form von Usern dazu. Zu Beginn gibt es für diese keine Daten als Grundlage für Empfehlungen, sie machen sich aber insbesondere dann rasch eine Meinung über die Nützlichkeit.
– User lifecycle. Die User entwicklen ihre Bedürfnisse entlang ihrer Käufe/Besuche. Insbesondere sind sie zunehmend offen für “mutige” Empfehlungen, also solche mit einer hohen Entropie in deren Bewertung.
– Service, community, and exploitation. Das Abwägen vom Interesse eines einzelnen Users und dem Interesse einer grösseren Usergruppe.
– Avoiding bad mistakes. Herkömmliche statistische Fehlermetriken taugen nicht dazu, den Verlauf des Vertrauensaufbaus und –verlusts von Usern abzubilden. Es werden andere Modell benötigt.
– The shift to top-N recommenders. Währenddem urspünglich ein Auge auf Ausbeute der Empfehlungen gelegt wurde (Recall), nahm die Wichtigkeit der Präzision der ersten wenigen Elemente zu. User kucken sie nur wenige Empfehlungen an (top-N).
– Diversity and evaluating lists of recommendations. Einzelne Empfehlungen können für sich eine hohe Relevanz haben, eine Menge davon aber vom User als schlecht bewertet werden: Beispielweise gleizeitig fünf Bücher desselben Autoren empfohlen.
Und wer hier angekommen ist, soll doch das exzellente Paper lesen 🙂 es geht mit den folgenden Aspekten weiter:
– Multidimensional ratings and tags
– Data quality
– Privacy
– Social effects of recommenders
– Robustness and manipulation resistance
– Interactive recommendation dialogues
– Recommender context
– Recommending for groups
– Explanations and transparency
Recommender Systems: From Algorithms to User Experience von Joseph A. Konstan und John Riedl [pdf, 233KB]