Die RecSys in Vancouver wird von 2. bis 7. Oktober zum Hotspot für alle, die sich für die neusten Trends von Empfehlungsdiensten begeistern. Tomislav Đuričić vom Know-Center wird im Hauptprogramm der renommierten Konferenz ein Short Paper präsentieren. Thema: Trust-Based Collaborative Filtering.

Die ACM Recommender Systems Conference (RecSys) gehört zu den weltweit wichtigsten Anlaufstellen für alle, die sich über Forschungstrends und neue Techniken von Empfehlungsdiensten, wie sie von Amazon oder Netflix verwendet werden, informieren wollen. Diese stehen derzeit ganz weit oben auf den Agenden vieler Unternehmen. Denn: Durch das Sammeln, Filtern und Verknüpfen von Daten lassen sich aus vergangenem Kundenverhalten Empfehlungen für Produkte oder Dienstleistungen generieren, die den User aller Voraussicht nach ebenfalls interessieren werden.

Auch Know-Center-Experte Tomislav Đuričić (Area Social Computing) wird die renommierte Konferenz besuchen und ein Short Paper zum Thema Trust-Based Collaborative Filtering vorstellen, einer Methode, die folgendermaßen funktioniert: User bewerten Artikel, indem sie Punkte vergeben. Heutzutage nichts Ungewöhnliches mehr. Gleichzeitig können sie aber auch ihr persönliches Vertrauen in andere User ausdrücken – wenn ihnen etwa auffällt, dass die Bewertungen anderer sehr oft mit ihrer eigenen Meinung übereinstimmen. Oder, dass sich andere User für ähnliche Produkte und Dienstleistungen interessieren.  Trust network lautet der Fachausdruck. „Das Ziel solcher Netzwerke liegt darin, Usern noch maßgeschneiderte Empfehlungen liefern zu können“, erklärt Đuričić. Denn: Nicht nur eigene Bewertungen, sondern auch die ähnlicher User fließen in die Empfehlungen mit hinein.  

Auch der Streaming-Dienst Netflix empfiehlt seinen Usern Filme und Serien.

Startprobleme von trust networks beseitigen

Doch auch trust networks haben mit Problemen zu kämpfen. Für User, die mit nur wenigen Akteuren eines Netzwerkes verbunden sind, können zum Beispiel nicht viele sinnvolle Empfehlungen generiert werden. Das Gleiche gilt für neue Nutzer, die noch nicht viele Produkte oder Dienstleistungen bewertet haben. Es fehlen schlichtweg die Daten. Experten sprechen vom sogenannten Cold-Start-Problem. Wie man diese Schwierigkeiten aus der Welt schaffen könnte? Indem man das Vertrauen selbst genauer erforscht und mithilfe einer leichten Schlussfolgerung auf eine besondere Art der Vertrauens-Weitergabe setzt. Wenn nämlich User A Nutzer B vertraut und User B Nutzer C, vertraut auch User A User C – bis zu einem gewissen Grad zumindest. Đuričić erklärt es an einem Beispiel: „Ein Freund meines Freundes muss zwar nicht gleich mein bester Freund sein. In vielen Fällen werde ich mich mit ihm aber trotzdem gut verstehen.“ Deshalb gilt es bei der  Standard Collaborative Filtering Recommendation gewisse Ähnlichkeiten zwischen Usern zu finden und damit die Qualität von Vertrauensnetzwerken signifikant zu verbessern.

Duricic, PhD-Student unter der Supervision von Elisabeth Lex, Leiterin der Social-Computing-Area, verwendete hierfür die sogenannte Katz Similarity (KS), eine Methode, mit der sich ergründen lässt, wie stark zwei User miteinander verbunden sind. Đuričić: „Die zentrale Forschungsfrage war, zu beobachten, wie die Katz Similarity in ein trust network integriert werden kann und wie sie dort performt.“

Die RecSys 2018 geht in Vancouver über die Bühne.

Recommender Systems werden mittlerweile in vielen Bereichen eingesetzt. Verbesserungspotenzial gibt’s trotzdem.

Paper-Referenz:

Duricic, T., Lacic, E., Kowald, D., & Lex, E. (2018). Trust-Based Collaborative Filtering: Tackling the Cold Start Problem Using Regular Equivalence. In Proceedings of the 12th ACM Conference on Recommender Systems (RecSys’2018). ACM (https://arxiv.org/pdf/1807.06839.pdf)

 

 

Foto-Credits:

  1. Foto: By Gage Skidmore from Peoria, AZ, United States of America – Netflix booth, CC BY-SA 2.0,