Empfehlungssysteme: Anwendungen und Beispiele

Wir haben die Haupttypen von Empfehlungssystemen, Schlüsselkonzepte und reale Anwendungen untersucht und LightFM, Cornac BPR sowie TensorFlow Recommenders mit AUC, Precision@10 und Recall@10 verglichen.

Beste Python-Bibliotheken für Empfehlungssysteme

Diese Bibliotheken implementieren Machine-Learning-Algorithmen, um Trainingsdaten zu verarbeiten und personalisierte Empfehlungen mithilfe von kollaborativen oder inhaltsbasierten Filtertechniken zu generieren. Darüber hinaus setzen diese Bibliotheken Machine-Learning-Modelle ein, um Daten zu analysieren und Muster aufzudecken, wodurch die Empfehlungsmaschine in der Lage ist, basierend auf Nutzerverhalten und -präferenzen relevante Artikel vorzuschlagen.

LightFM vs. Cornac BPR vs. TensorFlow Benchmark-Ergebnisse

TensorFlow Recommenders hat am besten abgeschnitten. Seine Deep-Learning-Architektur ermöglicht es ihm, komplexere Nutzer-Artikel-Beziehungen zu erfassen. LightFM, das bei verfügbaren Metadaten gut abschneidet, hat hier nicht so stark abgeschnitten, da wir nur Verhaltensdaten verwendet haben; es hat BPR dennoch übertroffen. Cornac BPR hatte die geringste Empfehlungsqualität und eignet sich daher eher für schnelle Experimente oder Anwendungen im kleinen Maßstab.

Wir haben unsere Methodik zum Benchmarking von Empfehlungsmaschinen verwendet, um LightFM, Cornac BPR und TensorFlow zu testen.

Was ist ein Empfehlungssystem?

Ein Empfehlungssystem (oder Recommender System) ist ein Werkzeug, das entwickelt wurde, um Nutzern basierend auf ihren Präferenzen, ihrem Verhalten und ihren Interaktionen mit einer Plattform personalisierte Vorschläge zu unterbreiten. Diese Systeme analysieren Daten wie Kaufhistorie, Surfverhalten, Nutzerdemografie und kontextuelle Informationen, um relevante Inhalte bereitzustellen. Nachfolgend finden Sie die häufigsten Arten von Empfehlungssystemen:

Kollaborative Filtertechniken:

• Basiert auf Mustern der Interaktionen zwischen Nutzern und Artikeln.
• Umfasst nutzerbasierte kollaborative Filterung (Ähnliche Nutzer finden) und artikelbasierte kollaborative Filterung (Ähnliche Artikel finden).
• Am besten geeignet für eCommerce und Streaming-Dienste.

Inhaltsbasierte Filtertechniken:

• Konzentriert sich auf die Attribute von Artikeln (Artikelmerkmale) und die vergangenen Interaktionen eines Nutzers (Präferenzen des Nutzers).
• Ideal zur Identifizierung spezifischer Interessen der Zielgruppe.

Hybride Empfehlungssysteme:

• Kombinieren kollaborative Filterung und inhaltsbasierte Methoden.
• Nutzen Machine-Learning-Modelle wie tiefe neuronale Netze und rekurrente neuronale Netze für verbesserte Vorhersagen.

Schlüsselkonzepte von Empfehlungssystemen

Grundlagen der Matrixfaktorisierung

Matrixfaktorisierung ist eine Kerntechnik in der kollaborativen Filterung. Sie zerlegt eine große Nutzer-Artikel-Interaktionsmatrix (z. B. Bewertungen oder Klicks) in kleinere Matrizen, die verborgene Muster oder Beziehungen erfassen, die als latente Merkmale bezeichnet werden.

Dieser Ansatz hilft, die Datenkomplexität zu reduzieren und aussagekräftige Erkenntnisse aufzudecken, wie z. B. die Vorliebe eines Nutzers für bestimmte Genres oder die Attraktivität eines Artikels für eine bestimmte Gruppe.

Ähnlichkeit auf Basis von Embeddings

Einige Empfehlungsframeworks berechnen die Artikelähnlichkeit mithilfe von Vektor-Embeddings anstelle von gemeinsamen Tags. Embedding-basierte Ansätze erfassen nuancierte Artikelmerkmale in einem numerischen Vektor und ermöglichen eine genauere Ähnlichkeitszuordnung ohne manuelle Tag-Wartung.

Beispielsweise unterstützt das Open-Source-Empfehlungssystem Gorse die Embedding-Ähnlichkeit durch Berechnung des euklidischen Abstands zwischen Artikelvektoren, einschließlich Embeddings von Anbietern wie OpenAI und Ollama.¹

Unterhaltung

In der Unterhaltungsindustrie helfen Empfehlungssysteme Nutzern, Filme, Musik, TV-Shows oder Bücher zu entdecken, die auf ihren Geschmack zugeschnitten sind. Durch die Analyse von Seh- oder Hörgewohnheiten können diese Systeme personalisierte Inhalte bereitstellen, um das Nutzerengagement und die auf der Plattform verbrachte Zeit zu erhöhen.

Reale Beispiele: Netflix

Netflix verwendet eine Kombination aus kollaborativer Filterung und inhaltsbasierter Filterung, um Serien und Filme vorzuschlagen, wodurch 80 % der angesehenen Inhalte durch Empfehlungen gesteuert werden.

Der Netflix Prize war ein Wettbewerb, der von Netflix im Oktober 2006 gestartet wurde, um ihr Filmempfehlungssystem zu verbessern. Die Herausforderung bot einen Preis von 1 Million US-Dollar für das Team oder die Einzelperson, die eine Verbesserung der Vorhersagegenauigkeit um mindestens 10 % im Vergleich zum bestehenden Empfehlungsalgorithmus von Netflix erzielen konnte.²

Reale Beispiele: Spotify

Jede Woche generiert Spotify für jeden Abonnenten eine neue, personalisierte Playlist namens „Discover Weekly", die eine personalisierte Liste von 30 Songs basierend auf den einzigartigen Musikgeschmäckern der Nutzer ist. Ihre Übernahme von Echo Nest, einem Startup für Musikintelligenz und Datenanalyse, ermöglichte es ihnen, eine Musikempfehlungsmaschine zu erstellen, die drei verschiedene Arten von Empfehlungsmodellen verwendet:³

• Kollaborative Filterung: Filtern von Songs durch den Vergleich der historischen Hördaten von Nutzern mit der Hörhistorie anderer Nutzer.
• Natural Language Processing: Scraping des Internets nach Informationen über bestimmte Künstler und Songs. Jeder Künstler oder Song wird dann einer dynamischen Liste von Top-Begriffen zugewiesen, die sich täglich ändert und nach Relevanz gewichtet wird. Die Maschine bestimmt dann, ob zwei Musikstücke oder Künstler ähnlich sind.
• Audio-Dateianalyse: Der Algorithmus analysiert die Merkmale jeder einzelnen Audio-Datei, einschließlich Tempo, Lautstärke, Tonart und Taktart, und trifft entsprechend Empfehlungen.

Soziale Medien

Soziale Medien-Plattformen nutzen Empfehlungssysteme, um Freunde, Gruppen, Seiten, Beiträge oder Anzeigen basierend auf Nutzerinteraktionen, Präferenzen und Verbindungen vorzuschlagen. Diese Vorschläge verbessern die Nutzerinteraktion, fördern die Inhaltsentdeckung und generieren Werbeeinnahmen.

Meta

Meta setzt KI-Systeme ein, um personalisierte Inhaltsempfehlungen auf Facebook und Instagram bereitzustellen, sogar von Quellen, denen Nutzer nicht folgen. Dieser Ansatz verbessert das Nutzererlebnis durch die Einführung vielfältiger Inhalte und unterstützt Creator dabei, ein breiteres Publikum zu erreichen. Der Empfehlungsprozess umfasst:

• Inhaltsverständnis: Nutzung von KI-Modellen zur Analyse und Interpretation verschiedener Inhaltstypen, einschließlich Bilder, Text, Audio und Video, um deren semantische Bedeutung zu verstehen.
• Präferenzverständnis, Abruf und Ranking: Entwicklung von Systemen, die große Mengen an Inhalten einfach filtern, um diejenigen zu identifizieren und zu ranken, die für die individuellen Interessen des Nutzers am relevantesten sind.

Diese KI-gesteuerte Strategie ermöglicht es Meta, Nutzern ansprechende Inhalte jenseits ihres unmittelbaren Netzwerks zu präsentieren, um eine tiefere Erkundung von Interessen zu fördern und das gesamte Plattform-Engagement zu verbessern.⁴

X (ehemals Twitter)

Das Empfehlungssystem von X hat handgefertigte Merkmale zugunsten eines End-to-End-gelernten Ansatzes eliminiert. Es verwendet ein Two-Tower-Modell, um relevante Beiträge abzurufen, indem es die Nutzerhistorie und Kandidatenbeiträge separat codiert, und rankt dann jeden Artikel mithilfe eines Grok-basierten Transformers, der Engagement-Wahrscheinlichkeiten direkt aus dem Nutzerverhalten vorhersagt.

Die vollständige Implementierung ist öffentlich im X For-You-Feed-Repository verfügbar.⁵

Einzelhandel

Im Einzelhandel werden Empfehlungssysteme für personalisierte Einkaufserlebnisse, Empfehlungen im Geschäft und Vorschläge für Lagerbestände eingesetzt. Diese Systeme helfen Einzelhändlern, das Lagermanagement zu optimieren, den Umsatz zu steigern und die Kundenzufriedenheit zu erhöhen.

Reale Beispiele: Rappi mit Amazon Personalize

Rappi, ein On-Demand-Lieferservice in Lateinamerika, hat mit Amazon Personalize zusammengearbeitet, um das Kundenengagement zu steigern und den Umsatz zu erhöhen, indem ein personalisiertes Empfehlungssystem in seiner App implementiert wurde.

Durch die Nutzung von Amazon Personalize entwickelte Rappi eine Funktion namens „Just For You" (JFY), die das Nutzerverhalten und die Präferenzen analysiert, um personalisierte Produktempfehlungen bereitzustellen, die in einem dedizierten Bereich der App angezeigt werden.

Diese Personalisierungsstrategie führte zu einer Steigerung der Klickraten um 102 % und einem Anstieg des Umsatzes aus personalisierten Empfehlungen um 147 %. Darüber hinaus verbesserte sich das Kundenengagement und die Anzahl unterdurchschnittlicher Produkte nahm ab.⁶

Finanzen und Banken

Finanzinstitute nutzen Empfehlungssysteme, um Anlageoptionen, Kreditkarten oder Versicherungsprodukte basierend auf dem finanziellen Verhalten und den Zielen eines Nutzers vorzuschlagen. Schauen Sie sich Use Cases von Gen AI im Bankwesen an, um mehr darüber zu erfahren, wie generative KI im Finanzwesen und im Bankwesen eingesetzt werden kann.

Gaming

Gaming-Plattformen nutzen Empfehlungssysteme, um In-Game-Käufe, neue Spiele vorzuschlagen oder Spieler basierend auf ihren Präferenzen, Spielgewohnheiten und sozialen Interaktionen zu verbinden. Dies verbessert das Spielerlebnis und treibt den Umsatz voran.

Reale Beispiele: Glance mit Google Cloud

Glance, eine Tochtergesellschaft von InMobi, hat mit Google Cloud zusammengearbeitet, um ein personalisiertes Spielempfehlungssystem für ihre Mobile-Gaming-Plattform Nostra zu entwickeln, die über 220 Millionen Nutzer über Sperrbildschirme erreicht.

Durch die Analyse von Nutzer- und Spieldaten mit Interaktionsdaten identifizierten sie Muster wie optimale Engagement-Zeiten und Spielpräferenzen. Diese Zusammenarbeit verbesserte das Nutzerengagement erheblich.⁷

Zudem eröffnen Empfehlungssysteme erhebliche Umsatzmöglichkeiten durch Upselling, Cross-Selling und höhere Engagement-Raten. Durch das Angebot maßgeschneiderter Vorschläge verbessern diese Systeme die Kundenbindung, fördern langfristige Loyalität und anhaltende Nutzerinteraktion.

LLM-basierte Empfehlungssysteme

Traditionelle Empfehlungssysteme analysieren strukturierte Daten wie Bewertungen und Klicks. LLM-basierte Systeme gehen weiter, verstehen natürliche Sprachabfragen, interpretieren nuancierte Präferenzen und erklären ihre Vorschläge.

Dieser Ansatz bringt mehrere Vorteile gegenüber traditionellen Methoden mit sich:

• Semantisches Verständnis: Interpretiert komplexe, natürliche Sprachabfragen über die Keyword-Übereinstimmung hinaus, wie z. B. „etwas Aufheiterndes, aber nicht zu kitschig"
• Handling von Cold Start: Neue Nutzer können Präferenzen in natürlicher Sprache beschreiben, anstatt eine Interaktionshistorie zu benötigen
• Erklärbare Ausgaben: Generiert natürliche Spracherklärungen für Empfehlungen, obwohl diese die Begründung des Modells beschreiben und nicht seine internen Berechnungen
• Cross-Domain-Reasoning: Identifiziert zugrunde liegende Präferenzen über verschiedene Kategorien und Inhaltstypen hinweg

Reale Beispiele:

• Netflix entwickelte ein Foundation-Modell für personalisierte Empfehlungen, das die Interaktionshistorie der Nutzer als Tokens behandelt und Transformer-basierte Architekturen anwendet
• Spotify AI DJ kombiniert Hörhistorie mit generativer KI, um personalisierte Kommentare und Musikauswahl zu erstellen
• Amazon Rufus ist ein KI-gestützter Einkaufsassistent, der die Produktsuche in natürlicher Sprache ermöglicht
• Criteo Agentic Commerce Recommendation Service verbindet KI-Einkaufsassistenten mit Händlerbeständen, indem Abfragen über ein Model Context Protocol (MCP) API geleitet werden und Live-Einkaufssignale angewendet werden, um Produkte basierend auf echtem Einkaufsverhalten zu ranken.⁸ https://www.criteo.com/news/press-releases/2026/02/criteo-introduces-agentic-commerce-recommendation-service-to-power-ai-shopping-assistants/[/efn_note]
• Wizard ist ein KI-Einkaufsagent, der nach Händlern, Bewertungen und Inhaltsquellen sucht, um eine kuratierte Top-Fünf-Produktliste zurückzugeben. Im Gegensatz zu händlerspezifischen Recommendern aggregiert es Ergebnisse im gesamten Web basierend auf den beschriebenen Bedürfnissen des Nutzers.⁹ https://www.wizard.com/press/2026-02-11-fortune-marc-lore-and-melissa-bridgeford-wizard-emerges-from-stealth[/efn_note]
• LinkedIn hat generative Recommender und großskalige Sequenzmodelle in seinem Feed-Ranking eingesetzt. Anstatt separate Modelle für jede Feed-Komponente zu verwenden, bewertet das System die Aktivität jedes Nutzers als Teil einer kontinuierlichen Reise, wodurch sich das Verhalten in verschiedenen Plattformbereichen auf die Empfehlungen auswirken kann.¹⁰ https://www.socialmediatoday.com/news/linkedin-uses-ai-to-improve-feed-relevance/819792/[/efn_note]

Einrichtung eines Empfehlungssystems

Während die meisten Unternehmen von der Übernahme einer bestehenden Lösung profitieren würden, könnten Unternehmen in Nischenkategorien oder mit sehr hohem Maßstab experimentieren, ihre eigene Empfehlungsmaschine zu bauen.

1. Verwendung einer Out-of-the-Box-Lösung

Empfehlungssysteme sind einer der frühesten und ausgereiftesten KI-Anwendungsfälle.

Zu den Vorteilen dieses Ansatzes gehören eine schnelle Implementierung und hochgenaue Ergebnisse für die meisten Fälle:

• Das Einfügen eines Code-Snippets des Anbieters kann ausreichen, um zu beginnen.
• Lösungen tendieren dazu, genau zu sein, da Anbieter Daten aus Tausenden von Transaktionen ihrer Kunden in anonymisierter Form verwenden, um ihre Modelle zu verbessern.

Um das richtige System auszuwählen, können Sie historische oder noch besser Live-Daten verwenden, um die Wirksamkeit verschiedener Systeme schnell zu testen.

2. Eigene Lösung entwickeln

Dies kann Sinn machen, wenn:

• Sie in einer Nischendomäne tätig sind, in der Empfehlungsmaschinen noch nicht verwendet wurden, oder
• Sie einen der größten Marktplätze der Welt besitzen, wo etwas bessere Empfehlungen einen wichtigen Unterschied in Ihren Geschäftsergebnissen machen können.

Empfehlungssysteme auf dem Markt verwenden heute Logik wie: Kunden mit ähnlichen Kauf- und Surfgeschichten werden in Zukunft ähnliche Produkte kaufen. Damit ein solches System funktioniert, benötigen Sie entweder eine große Anzahl historischer Transaktionen oder detaillierte Daten zum Verhalten Ihrer Nutzer auf anderen Websites. Wenn Sie solche Daten benötigen, könnten Sie in Daten-Marktplätzen danach suchen.

Mehr Daten und bessere Algorithmen verbessern Empfehlungen. Sie müssen alle relevanten Daten in Ihrem Unternehmen nutzen, und Sie könnten Ihre Kundendaten mit Daten von Drittanbietern erweitern. Wenn ein regulärer Kunde Ihrer nach roten Sneakern auf anderen Websites sucht, warum sollten Sie ihm nicht ein tolles Paar zeigen, wenn er Ihre Website besucht?

3. Zusammenarbeit mit einem Berater zur Entwicklung eigener Lösungen

Eine etwas bessere Empfehlungsmaschine könnte den Umsatz eines Unternehmens um einige Prozentpunkte steigern, was eine dramatische Veränderung in der Rentabilität eines Unternehmens mit niedrigen Gewinnmargen bewirken könnte. Daher kann es sinnvoll sein, in den Aufbau besserer Empfehlungsmaschinen zu investieren, wenn das Unternehmen keine zufriedenstellenden Ergebnisse von bestehenden Anbietern auf dem Markt erzielt.

4. Durchführung eines Data-Science-Wettbewerbs zur Entwicklung eigener Lösungen

Ein möglicher Ansatz ist die Nutzung der Weisheit der Vielen, um solche Systeme zu bauen. Unternehmen können verschlüsselte historische Daten verwenden, Data-Science-Wettbewerbe starten oder mit Beratern zusammenarbeiten und Modelle erhalten, die hochwirksame Empfehlungen liefern.

Adressierung von Data Drift

Embeddings und zwischengespeicherte Artikelindizes können mit der Zeit veralten, was zu Empfehlungen führt, die die aktuellen Interessen der Nutzer nicht mehr widerspiegeln. Tools wie Drifter überwachen Live-Empfehlungspipelines in Echtzeit, um Datenqualitätsprobleme und Drift zu erkennen, bevor sie die Empfehlungsqualität beeinträchtigen.¹¹ https://www.catalyzex.com/paper/drifter-efficient-online-feature-monitoring[/efn_note]

Wie wählt man ein Empfehlungssystem aus?

Die Auswahl des richtigen Empfehlungssystems hängt von Ihren Geschäftszielen, den verfügbaren Daten und den technischen Ressourcen ab, die Ihnen zur Verfügung stehen. Hier sind einige wichtige Überlegungen:

1. Modellbewertung auf Ihren Daten
   • Es ist entscheidend, Modelle auf Ihrem eigenen Dataset zu testen, um zu sehen, wie gut sie in Ihrem spezifischen Kontext funktionieren. Out-of-the-Box-Benchmarks spiegeln möglicherweise nicht Ihre Nutzer, Artikel oder Geschäftsziele wider.
2. Verfügbarer Datentyp
   • Explizite Daten (Bewertungen, Rezensionen, Likes) funktionieren gut mit kollaborativer Filterung.
   • Implizite Daten (Klicks, verbrachte Zeit, Käufe) bevorzugen hybride oder Deep-Learning-Ansätze.
3. Geschäftsziele
   • Wenn Ihr Ziel Personalisierung im großen Maßstab ist, sind Deep-Learning- oder Hybridsysteme die besten Optionen.
   • Für schnelle Experimente können einfachere Modelle wie Matrixfaktorisierung ausreichen.
4. Skalierbarkeitsanforderungen
   • Großskalige Plattformen (z. B. eCommerce, Streaming) erfordern oft Deep-Learning-basierte oder Cloud-gehostete Lösungen, die Millionen von Nutzern und Artikeln bewältigen können.
5. Domänenwissen & Ressourcen
   • Wenn Ihr Team über keine Machine-Learning-Expertise verfügt, kann die Nutzung von Anbieterlösungen (z.B. Amazon Personalize, Google Recommendations AI) die Bereitstellung beschleunigen.
   • Für hochspezialisierte Domänen kann der Aufbau einer eigenen Lösung notwendig sein.

Tipp: Beginnen Sie mit dem Prototyping mit Out-of-the-Box-Bibliotheken (LightFM, TensorFlow Recommenders) und bewerten Sie die Leistung mit Ihren Live-Daten, bevor Sie skalieren.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Kosten für die Implementierung von Empfehlungssystemen

Die Implementierung eines Empfehlungssystems beinhaltet direkte und indirekte Kosten:

1. Entwicklungszeit: Der Aufbau benutzerdefinierter Modelle erfordert Data Scientists, Ingenieure und Infrastrukturteams. Die Entwicklung kann von wenigen Wochen (für Prototypen) bis zu mehreren Monaten (für Produktionssysteme) reichen.
2. Infstrukturkosten:
   • On-Premise: Erfordert GPU-Server, Datenbanken und laufende Wartung.
   • Cloud-basiert: Die Kosten skalieren mit der Datengröße und der API-Nutzung (AWS, GCP, Azure).
3. Anbietergebühren: SaaS-basierte Lösungen können basierend auf der Anzahl der API-Aufrufe, der Anzahl der Nutzer oder der verarbeiteten Datenmenge berechnen.
4. Laufende Kosten:
   • Modell-Neu-Training, Überwachung und Updates.
   • Potenzielle Kosten für die Integration externer Datenquellen für verbesserte Empfehlungen.

Faustregel: Kleine Unternehmen können mit SaaS-Tools beginnen (<10.000 €/Jahr), während Unternehmen, die eigene Systeme aufbauen, oft Millionen in Infrastruktur und Talent investieren.

Ethische Implikationen von Empfehlungssystemen

Während Empfehlungsmaschinen einen Mehrwert bieten, werfen sie wichtige ethische und soziale Überlegungen auf:

• Bias & Fairness: Algorithmen können bestehende Biases verstärken (z. B. nur populäre Inhalte empfehlen, Vielfalt ignorieren).
• Datenschutzbedenken:
  • Das Sammeln und Analysieren von Nutzerdaten wirft Bedenken hinsichtlich Zustimmung und Datenschutz auf.
  • Die Einhaltung von DSGVO, CCPA und anderen Datenschutzgesetzen ist entscheidend.
• Verantwortungsvolle Nutzung von Daten:
  • Transparente Richtlinien sollten erklären, wie Nutzerdaten gesammelt, verarbeitet und gespeichert werden.
  • Differential Privacy und Anonymisierungstechniken können Risiken mindern.

Methodik zum Benchmarking von Empfehlungsmaschinen

In dieser Studie konzentrierten wir uns auf den Aufbau und die Bewertung von Empfehlungssystemen basierend auf impliziten Feedback-Daten, speziell Nutzerinteraktionen mit Produkten. Das in unserer Analyse verwendete Dataset enthält drei Schlüsselelemente: visitorid, itemid und Interaktionstypen wie Ansehen, In den Warenkorb und Transaktion. Da Nutzer Artikel nicht explizit bewerteten, sondern durch diese Verhaltensweisen interagierten, betrachteten wir diese Daten als implizites Feedback.

Wir testeten drei verschiedene Empfehlungsmodelle, um ihre Wirksamkeit im Umgang mit impliziten Daten zu bewerten:

1. LightFM: Ein hybrides Modell, das sowohl kollaborative Filterung als auch inhaltsbasierte Methoden verwendet. Wir nutzten die WARP (Weighted Approximate-Rank Pairwise)-Verlustfunktion, um das Modell zu trainieren. Der Fokus lag auf der Vorhersage der Wahrscheinlichkeit, dass ein Nutzer ein Produkt ansieht, indem er seine historischen Interaktionen mit Artikeln analysiert.
2. Cornac BPR (Bayesian Personalized Ranking): Ein auf kollaborativer Filterung basierendes Modell, das entwickelt wurde, um Artikel basierend auf Nutzerinteraktionen zu ranken. Es verwendet implizites Feedback, um die Präferenzen von Nutzern zu lernen, indem es das Ranking relevanter Artikel gegenüber irrelevanten optimiert.
3. TensorFlow Recommenders: Ein auf Deep Learning basierendes Framework, das Embeddings verwendet, um sowohl Nutzer als auch Artikel darzustellen und komplexe Beziehungen zwischen ihnen zu erfassen. Das Modell wird auf impliziten Interaktionen trainiert, mit einer Abrufaufgabe, um die relevantesten Artikel für jeden Nutzer vorherzusagen.

Die Modelle wurden trainiert, um die Wahrscheinlichkeit vorherzusagen, dass ein Nutzer mit einem Produkt interagiert, wobei sich der Fokus speziell auf das Ansehen-Ereignis als Zielverhalten richtete. Unser Ziel war es abzuschätzen, mit welchen Produkten Nutzer basierend auf ihrem vergangenen Verhalten am wahrscheinlichsten interagieren werden. Nach dem Training bewerteten wir die Modelle mit Testdaten, um sicherzustellen, dass sie sich gut auf nicht gesehene Interaktionen verallgemeinern lassen.

Wir bewerteten die Leistung der Modelle basierend auf drei in Empfehlungssystemen häufig verwendeten Metriken:

• AUC (Area Under the Curve): Eine Metrik, die bewertet, wie gut das Modell relevante Artikel höher rankt als irrelevante. Ein AUC-Score näher an 1 zeigt eine bessere Ranking-Leistung an.
• Precision@10: Misst, wie viele der Top-10-empfohlenen Artikel tatsächlich relevant sind (d. h. vom Nutzer interagiert wurden). Höhere Werte zeigen eine bessere Empfehlungsqualität an.
• Recall@10: Misst, wie viele relevante Artikel (aus den Interaktionen des Nutzers) innerhalb der Top-10-Empfehlungen erscheinen. Diese Metrik ist entscheidend, um zu verstehen, wie gut das Modell die Nutzerpräferenzen erfasst.

Durch den Vergleich dieser Metriken über die drei Modelle hinweg identifizierten wir das am besten performende Modell in Bezug auf das Ranking relevanter Artikel und das genaue Abrufen dieser Artikel in den Top-Empfehlungen.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Empfehlungssysteme: Anwendungen und Beispiele}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Abgerufen am 19. Mai 2026}
}

Referenzlinks

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalyst

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und spezialisiert auf E-Mail-Marketing und Vertriebsvideos. Zuvor war sie als Personalberaterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten