Jetzt ankli­cken : Die­ser Arti­kel könnte Ihnen gefal­len ! Eine Kon­fe­renz an der TU Wien wid­met sich den tech­ni­schen Hin­ter­grün­den von Emp­feh­lungs­diens­ten beim Online-Shopping.

Man kauft bei einem Online­shop ein, und danach bekommt man Pro­dukte vor­ge­schla­gen, an denen man viel­leicht eben­falls inter­es­siert sein könnte. Sol­che „Emp­feh­lungs­dienste“ (Recom­men­der Sys­tems) spie­len im Onlin­ege­schäft eine große Rolle. Dahin­ter ver­ber­gen sich Com­pu­ter­al­go­rith­men, die sich in den letz­ten Jah­ren stark wei­ter­ent­wi­ckelt haben.
Han­nes Wert­h­ner vom Insti­tut für Soft­ware­tech­nik und inter­ak­tive Sys­teme der TU Wien arbei­tet daran, Emp­feh­lungs­dienste zu ver­bes­sern, etwa für Tou­ris­ten, denen auf Basis aus­ge­wähl­ter Bil­der pas­sende Rei­se­ziele vor­ge­schla­gen wer­den. Vom 16. bis 20. Sep­tem­ber 2015 fin­det an der TU Wien die inter­na­tio­nale Kon­fe­renz „ACM Con­fe­rence on Recom­men­der Sys­tems“ statt.
Die wirt­schaft­li­che Bedeu­tung die­ses For­schungs­ge­bie­tes erkennt man auch an den Part­nern der Kon­fe­renz wie Ama­zon, booking.com, net­flix, pan­dora oder xing. Fir­men aus ganz unter­schied­li­chen Berei­chen haben erkannt, dass ihr geschäft­li­cher Erfolg auch davon abhängt, ihrem Ziel­pu­bli­kum auto­ma­tisch die pas­sen­den Ange­bote zu machen.

Mit Sta­tis­tik User und Inhalte verbinden
Grund­sätz­lich gibt es bei Recom­men­der Sys­tems zwei ver­schie­dene Her­an­ge­hens­wei­sen : Ent­we­der „kol­la­bo­ra­ti­ves Fil­tern“, wo ver­sucht wird den Nut­zer anhand sei­ner Vor­lie­ben zu cha­rak­te­ri­sie­ren und ihm Vor­schläge zu machen, die ähn­li­chen Nut­zern gefal­len haben. Das funk­tio­niert aber erst mit aus­rei­chen­den Daten­menge, solange das Pro­gramm noch wenig über den Nut­zer weiß, kann es keine guten Vor­schläge machen.
Die andere Mög­lich­keit ist, die Eigen­schaf­ten der Objekte zu cha­rak­te­ri­sie­ren, die man vor­schla­gen möchte. So kann man schon anhand eines ein­zi­gen Objek­tes, das der Nut­zer inter­es­sant gefun­den hat, wei­tere Vor­schläge zu gene­rie­ren. Das funk­tio­niert wie­derum aber nur, wenn sich die Ähn­lich­keit der Objekte quan­ti­fi­zie­ren lässt. Bei kom­pli­zier­ten Din­gen wie Kino­fil­men kann das schwie­rig wer­den. In der Pra­xis wer­den heute oft hybride Ver­fah­ren ver­wen­det, die beide Her­an­ge­hens­wei­sen kombinieren.
Ob man mit der Suche nach pas­sen­den Vor­schlä­gen Erfolg hatte, lässt sich am Ende aller­dings nur schwer mes­sen. Was war ein guter Vor­schlag ? Einer, der ange­klickt wurde ? Einer, der zu einem Online-Kauf geführt hat ? „Letz­ten Endes ist ein Recom­men­der-Sys­tem genau dann gut, wenn der User damit zufrie­den ist“, meint Han­nes Wert­h­ner. „Unser Ziel ist nicht, den größt­mög­li­chen Busi­ness Return zu gene­rie­ren, son­dern intel­li­gente Lösun­gen zu ent­wi­ckeln, die uns allen einen ech­ten Vor­teil bringen.“

Kon­fe­renz mit Wettbewerb
Über 400 Per­so­nen wer­den vom 16. Bis 20. Sep­tem­ber bei der Kon­fe­renz an der TU Wien erwar­tet, von Uni­ver­si­tä­ten bis zu
E‑Com­merce-Anbie­tern. Teil der Kon­fe­renz ist die „Rec­Sys Chall­enge“ – dabei stellt ein Unter­neh­men anony­mi­sierte Daten zur Ver­fü­gung und unter­schied­li­che Teams aus der gan­zen Welt sol­len dann mit ver­schie­de­nen Algo­rith­men ver­su­chen, die rich­tige Infor­ma­tion dar­aus zu berech­nen. Gege­ben sind die Maus­klicks von Usern auf einer Web­seite, aus dem Klick­ver­hal­ten soll pro­gnos­ti­ziert wer­den, ob der User etwas kau­fen wird oder nicht.