Recommendation System

Ein Empfehlungssystem ist ein Informationsfilter-Algorithmus, der darauf ausgelegt ist, die Präferenzen eines Benutzers für bestimmte Elemente vorherzusagen. Diese intelligenten Systeme bilden die Grundlage moderner Künstliche Intelligenz (KI)-Anwendungen und helfen Benutzern dabei, sich in der überwältigenden Menge an online verfügbaren Inhalten zurechtzufinden, indem sie personalisierte Vorschläge kuratieren. Durch die Analyse von Mustern in Big Data – wie Kaufhistorie, Sehgewohnheiten und Benutzerbewertungen – steigern Empfehlungs-Engines die Benutzerinteraktion und optimieren Entscheidungsprozesse. Sie werden häufig in Umgebungen eingesetzt, in denen die Vielfalt der Auswahlmöglichkeiten die Fähigkeit eines Benutzers übersteigt, diese alle manuell zu bewerten.

Link to this sectionKernmechanismen von Empfehlungen#

Empfehlungs-Engines setzen in der Regel spezifische Machine Learning (ML)-Strategien ein, um relevante Vorschläge zu generieren. Die drei primären Ansätze umfassen:

• Collaborative Filtering: Diese Methode beruht auf der Annahme, dass Benutzer, die in der Vergangenheit einer Meinung waren, dies auch in Zukunft sein werden. Sie identifiziert Ähnlichkeiten zwischen Benutzern (benutzerbasiert) oder Elementen (elementbasiert) anhand von Interaktionsdaten. Wenn beispielsweise Benutzer A und Benutzer B beide "Film X" mochten, geht das System davon aus, dass Benutzer A möglicherweise auch "Film Y" mag, falls Benutzer B ihn genossen hat.
• Inhaltsbasiertes Filtern: Dieser Ansatz empfiehlt Elemente, die denen ähneln, die ein Benutzer zuvor mochte, basierend auf Elementattributen. Dies erfordert die Analyse der Eigenschaften der Elemente selbst, wobei oft Natural Language Processing (NLP) für Textbeschreibungen oder Computer Vision (CV) zur Analyse von Produktbildern verwendet wird.
• Hybride Modelle: Durch die Kombination von Collaborative Filtering und inhaltsbasiertem Filtern zielen hybride Empfehlungssysteme darauf ab, die Einschränkungen einzelner Methoden zu überwinden, wie etwa die Unfähigkeit, neue Elemente zu empfehlen, für die keine Benutzerinteraktionshistorie vorliegt.

Link to this sectionPraxisanwendungen#

Der praktische Nutzen von Empfehlungssystemen erstreckt sich über verschiedene Branchen und fördert sowohl die Kundenerfahrung als auch den Geschäftsumsatz.

1. E-Commerce und Einzelhandel: Plattformen nutzen hochentwickelte Algorithmen, um Käufern Produkte vorzuschlagen. Diese Systeme unterstützen KI im Einzelhandel, indem sie dynamisch "Kunden, die das gekauft haben, kauften auch..."-Listen anzeigen, was die Cross-Selling-Möglichkeiten erheblich erhöht.

2. Medien-Streaming: Dienste sind stark von Personalisierung abhängig. Netflix-Empfehlungsforschung-Teams entwickeln Algorithmen, die die Wiedergabehistorie analysieren, um die Startseite eines Benutzers mit relevanten Filmen und Serien zu füllen. Ähnlich generieren Musikplattformen Wiedergabelisten durch die Analyse akustischer Muster und des Hörverhaltens der Benutzer.

Link to this sectionVisuelle Empfehlungen mit Embeddings#

Eine Schlüsseltechnik in modernen Empfehlungssystemen, insbesondere für visuelle Inhalte, beinhaltet die Verwendung von Embeddings. Ein Embedding ist eine numerische Repräsentation eines Elements (wie eines Bildes) in einem hochdimensionalen Raum. Elemente, die visuell ähnlich sind, weisen Embeddings auf, die nahe beieinander liegen.

Der folgende Python-Code zeigt, wie man Bild-Embeddings mithilfe eines vortrainierten Ultralytics YOLO26-Klassifizierungsmodells extrahiert und deren Ähnlichkeit mithilfe von PyTorch berechnet.

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")

Link to this sectionEmpfehlungssysteme vs. verwandte Konzepte#

Es ist wichtig, Empfehlungssysteme von den zugrunde liegenden Technologien zu unterscheiden, die sie häufig einsetzen:

• Vektorsuche: Dies ist eine Abrufmethode, die verwendet wird, um Elemente in einer Vektordatenbank zu finden, die mathematisch am nächsten an einer Abfrage liegen. Während ein Empfehlungssystem die Vektorsuche nutzt, um ähnliche Produkte zu finden, umfasst das Empfehlungssystem selbst die breitere Logik der Benutzerprofilierung und des Rankings. Du kannst dies in unserem Leitfaden zur Ähnlichkeitssuche weiter erkunden.
• Semantische Suche: Im Gegensatz zu einfachen Empfehlungen, die sich möglicherweise auf Verhaltensüberschneidungen stützen, konzentriert sich die semantische Suche darauf, die Bedeutung hinter einer Abfrage zu verstehen. Eine Empfehlungs-Engine könnte die semantische Suche nutzen, um die Absicht eines Benutzers zu interpretieren, wenn er bestimmte Kategorien durchsucht.

Link to this sectionHerausforderungen und Überlegungen#

Die Bereitstellung effektiver Empfehlungssysteme bringt erhebliche Hürden mit sich:

• Das Kaltstart-Problem: Neuen Benutzern oder Elementen fehlt die Interaktionshistorie, die für Collaborative Filtering erforderlich ist. Techniken wie Few-Shot Learning oder die Nutzung von Metadaten sind gängige Lösungen für das Kaltstart-Problem.
• Skalierbarkeit: Systeme müssen Millionen von Interaktionen in Echtzeit verarbeiten. Dies erfordert effiziente Modellbereitstellungs-Strategien und optimierte Hardware.
• Ethische Implikationen: Es besteht ein wachsender Bedarf, algorithmische Voreingenommenheit anzugehen, um zu verhindern, dass Systeme Stereotypen verstärken. Die Einhaltung von KI-Ethik und die Gewährleistung von Datenschutz sind entscheidend für die Aufrechterhaltung des Benutzervertrauens.

Um deine eigenen Modelle für Empfehlungsaufgaben zu erstellen und zu trainieren, bietet die Ultralytics Platform eine umfassende Umgebung für das Datensatzmanagement und das Modelltraining.