Wenn man von Amazon nach dem Kauf einer Waschmaschine noch wochenlang unter der Rubrik “das könnte Ihnen auch gefallen” weitere Waschmaschinen vorgeschlagen bekommt, gibt es zwei mögliche Erklärungen: vielleicht wird man aufgrund seines Surf-Verhaltens für einen Waschsalon gehalten, oder man ist soeben auf eine Schwachstelle sogenannter “Recommender Systems” gestoßen. Der Wurm steckt in diesem Fall in jenem Grundsystem, das die Eigenschaften eines Objektes charakterisiert und dann nach ähnlichen Objekten sucht. Was bei Schmuck und Mode sinnvoll ist, stößt bei Haushaltsgeräten naturgemäß an seine Grenzen.

Nutzer mit ähnlichen Vorlieben

Die “Recommendation Engine” von Amazon ist der Kern des Erfolgs des Online-Konzerns und hat deshalb natürlich auch noch andere Standbeine. Eine weitere Methode, die der Online-Händler zur Perfektion treibt, ist die Charakterisierung des Nutzers und die Suche nach ähnlichen Nutzern. Was nach der perfekten Partnersuche klingt, dient natürlich einem anderen Zweck: vorgeschlagen werden dann Objekte, die Nutzern mit ähnlichen Vorlieben gefallen. Amazon analysiert dazu nicht nur das Kaufverhalten, sondern auch angesehene Produkte, den Inhalt von Warenkorb und Wunschliste. Dieses System wiederum funktioniert erst dann, wenn man eine große Datenmenge zur Verfügung hat.

Königsdiziplin Filme und Musik

Auf dem Feld der Empfehlungssysteme gibt es noch viel zu erforschen und zu verbessern. Derzeit findet an der TU Wien noch bis Sonntag eine internationale Konferenz zu dem Thema statt. Schon die Liste der Unterstützer zeigt, dass “Recommender Systems” nicht nur für klassische Online-Händler interessant sind: Xing verwendet solche Systeme genauso wie Booikng.com, Pandora oder Netflix. Das “Matching” von Filmen oder Musik gilt als eine der Königsdisziplinen – es ist nicht einfach, sie mit berechenbaren Eigenschaften zu versehen und dann Filme oder Musik mit ähnlichen Eigenschaften zu finden, die demselben Nutzer auch gefallen. An der TU Wien arbeitet Hannes Werthner vom Institut für Softwaretechnik und interaktive Systeme daran, solche Systeme zu verbessern. Aktuell ist etwa die Empfehlung von Reisezielen auf Basis von Bildern, die einem Nutzer gefallen. „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.“

Berechnen, ob es zu einem Kauf kommt

Die Algorithmen von “Recommender Systems” taugen aber nicht nur für Produktempfehlungen. Auf der Basis von Klicks, die ein Nutzer auf einer Website tätigt, kann auch berechnet werden, ob es zu einem Kauf kommt. Genau das ist die Aufgabe einer Challenge im Rahmen der internationalen TU-Konferenz. Firmen stellen anonymisierte Daten zur Verfügung und Teams aus aller Welt versuchen im Rahmen der “RecSys-Challenge” möglichst rasch daraus die richtigen Schlussfolgerungen zu berechnen.

ACM Conference on Recommender Systems
TU Wien, 16.-20. September 2015
http://recsys.acm.org/recsys15/