Ein Empfehlungssystem ist Software, die die Präferenzen eines Nutzers vorhersagt und Artikel vorschlägt, wie Produkte, Filme, Musik oder Nachrichtenartikel, die der Nutzer wahrscheinlich möchte. Empfehlungssysteme treiben einen großen Teil der Personalisierung des modernen Internets an, von E-Commerce-Produktlisten über Video- und Musik-Streaming-Feeds bis hin zu Social-Media-Zeitlinien, und gehören zu den wirtschaftlich bedeutendsten Anwendungen des maschinellen Lernens.
Techniken
Zwei klassische Ansätze dominieren das Feld. Kollaboratives Filtern leitet die Präferenzen eines Nutzers aus dem Verhalten ähnlicher Nutzer ab, ohne den Inhalt des Artikels direkt verstehen zu müssen. Inhaltsbasiertes Filtern empfiehlt stattdessen Artikel, die in ihren Attributen dem ähneln, was der Nutzer zuvor gemocht hat, und verwendet Merkmale der Artikel selbst. Der offene Wettbewerb von Netflix in den Jahren 2006-2009, die Genauigkeit des kollaborativen Filters um 10 % zu verbessern, mit einem Preis von 1 Million Dollar, war ein wegweisendes Ereignis, das Matrixfaktorisierungs-Techniken populär machte und die Aufmerksamkeit der breiten Öffentlichkeit auf dieses Feld lenkte; 2009 gewann ein Team, das mehrere Modelle durch Ensembling kombinierte. Moderne Systeme nutzen zunehmend tiefes Lernen, das Nutzer und Artikel als Vektoren oder Einbettungen darstellt, die so gelernt werden, dass ähnliche Nutzer und Artikel in einem gemeinsamen Raum nahe beieinander liegen, was dann mithilfe einer Vektordatenbank und Techniken im Zusammenhang mit semantischer Suche effizient durchsucht werden kann. Neuronale Netzwerk-Architekturen wie Zwei-Türme-Modelle und, seit den 2020ern, Transformer-basierte Sequenzmodelle, die die Historie eines Nutzers als Sequenz behandeln, um die nächste wahrscheinliche Interaktion vorherzusagen, sind bei großen Plattformen weit verbreitet geworden.
Anwendungen und geschäftliche Auswirkungen
Empfehlungssysteme sind zentral für die Geschäftsmodelle von Amazon, dessen Produktempfehlungen einen großenTeil der Verkäufe ausmachen, Netflix und YouTube, deren Inhaltstempfehlung die meiste Nutzung antreiben, die Musikentdeckung von Spotify sowie soziale Plattformen wie TikTok und Instagram, wo Feed-Ranking-Algorithmen weithin dafür verantwortlich gemacht werden, Nutzerengagement und Werbeeinnahmen anzutreiben.
Kritik
Empfehlungssysteme haben in mehreren Bereichen Kritik erfahren. Feed-Ranking-Algorithmen, die rein auf Engagement optimiert sind, werden mit Filterblasen und Polarisierung in Verbindung gebracht, da die Maximierung von Wiedereit oder Klicks sensationsorientierte oder extreme Themen fördern kann. Kritiker haben auch Bedenken hinsichtlich algorithmischer Verzerrung geäußert, wenn Systeme, die auf historischen Interaktionsdaten trainiert wurden, bestehende Ungleichheiten verschärfen können, je nachdem, was wem empfohlen wird, und auch hinsichtlich der Intransparenz dieser Systeme, ein Thema, das im erklärbaren KI und Interpretierbarkeit zu Beforschung untersucht wird, da Nutzer und Regulierungsaufstattung oft nicht sehen können, warum ein bestimmter Artikel empfohlen wurde. Datenschutzbedenken sind ebenfalls unehäufig, da eine effektive Personalisierung typischerweise die Erassung detaillierter Verhaltensdaten erfordert. Mit der Reifung großer Sprachmodelle haben einige Plattformen begonnen, dialogunterstützte, uhreinen LLM-basierte Empfehlung Oberflächen zu erforschen, die es den Nutzern ermöglichen, ihre Wünsche in natürlicher Sprache zu schildern, statt sich ausschließlich auf implizite Verhaltenssignale zu verlassen.