Individualisierung und mobile Dienste am Beispiel der Medienbranche
Individualisierung und mobile Dienste am Beispiel der Medienbranche
Individualisierung und mobile Dienste am Beispiel der Medienbranche
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
146<br />
4 <strong>Individualisierung</strong> von Mediengütern<br />
Enthält ein neu erzeugter Inhalt im Inhaltearchiv des Anbieters ähnliche Merkmale<br />
– signalisiert durch eine signifikante Häufigkeit ähnlicher Begriffe – wird<br />
das ursprüngliche Präferenzmaß durch die sog. „a posteriori Wahrscheinlichkeit“<br />
gewichtet. Die a posteriori Wahrscheinlichkeit zeigt an, dass ein Inhalt X,<br />
<strong>der</strong> die Merkmale xi enthält, in <strong>der</strong> Präferenzklasse Cj eingeordnet wurde. Nach<br />
<strong>der</strong> (naiven) Bayesschen Annahme, die besagt, dass alle Merkmale xi eines<br />
Inhalts X unabhängig sind, kann die a posteriori Wahrscheinlichkeit berechnet<br />
werden gemäß Ausdruck 4.2.2.3-1 (wobei D die Anzahl <strong>der</strong> Merkmale in Klasse<br />
Cj bestimmt). Die Zuordnungswert (REC) eines Inhalts im Themenbereich j des<br />
Distributionsformats des Inhalteanbieters wird (in Erweiterung zu Ausdruck<br />
4.2.2.1-1) berechnet gemäß 4.2.2.3-2.<br />
P<br />
( )<br />
( C ) D<br />
j<br />
C j x = ⋅ ∏ P(<br />
xi<br />
C j )<br />
P(<br />
xi<br />
) i = 1<br />
⋅ [ P(<br />
C ) P(<br />
C C ) ]<br />
P<br />
REC j +<br />
j<br />
i<br />
(4.2.2.3-1)<br />
= β (4.2.2.3-2)<br />
Übersteigt bspw. aufgr<strong>und</strong> einer hohen semantischen Passgenauigkeit eines<br />
neu erstellten Inhalts dessen kalkulierter Empfehlungswert dem ursprünglichen<br />
Klassifikationsschwellenwert, wird das zugehörige Themenfeld für die Dauer<br />
<strong>der</strong> Sitzung in die jeweils höhere Präferenzklasse <strong>und</strong> d<strong>am</strong>it einer höher liegende<br />
Darstellungsebene eingeordnet. Bei einem neuen Aufruf des Inhalteangebots<br />
wird wie<strong>der</strong> die ursprüngliche Klassifikationsreihenfolge verwendet, die<br />
Selektion einzelner Nachrichtenbeiträge folgt also dem Prinzip „Ziehen mit Zurücklegen“.<br />
Abbildung 4-15 zeigt den Ablauf des <strong>Individualisierung</strong>sverfahrens.<br />
Neuer<br />
Nutzer?<br />
ja nein<br />
bekannte<br />
Inhalte?<br />
nein ja<br />
REC = P ( C j )<br />
REC = ββ<br />
⋅ [ P ( C ) + P ( C A ) ]<br />
Abbildung 4-15: Kombination aus Selbstselektion <strong>und</strong> eigenschaftsbasiertem Filtern<br />
4.2.3 <strong>Individualisierung</strong> auf Gr<strong>und</strong>lage von Empfehlersystemen<br />
Die Verwendung des eigenschaftsbasierten Filterverfahrens zur <strong>Individualisierung</strong><br />
des Produktangebots besitzt in <strong>der</strong> Praxis zwei Schwachstellen: 481 Erstens<br />
kann das Verfahren nur bei solchen Produkten angewandt werden, <strong>der</strong>en Inhalt<br />
einfach rechnergestützt analysierbar ist. Es versagt jedoch bei Produkten, die<br />
481 Vgl. Melville/Mooney/Nagarajan (2002), S. 1.<br />
j<br />
j i
Change language