Individualisierung und mobile Dienste am Beispiel der Medienbranche

4 Individualisierung von Mediengütern 147
nur einen geringen Textanteil besitzen, wie Software, Bilder oder Ideen. Zweitens
können solche Produkte generell nicht empfohlen werden, die keine semantischen
Übereinstimmungen mit dem Präferenzprofil des Nutzers aufweisen.
Eine zweite Gruppe von Empfehlungsalgorithmen die im Rahmen sog.
Empfehlersysteme eingesetzt werden, verwendet daher anstelle einer direkten
Ähnlichkeitsüberprüfung zwischen Produkteigenschaften und Nutzerpräferenzen
strukturelle Ähnlichkeiten zwischen den Präferenzprofilen verschiedener
Nutzer als Grundlage einer individuellen Produktempfehlung. Dabei kann anhand
des Grades, in dem ein Nutzer seine Präferenzen durch explizite Angaben
selbst aufdeckt oder diese anhand von Beobachtungen abgeleitet werden,
zwischen zwei Systemtypen, sog. „Collaborative Filtering“ (CF) Verfahren (vgl.
Abschnitt 4.2.3.1) auf der einen Seite und beobachtungsbasierten Filtern (vgl.
Abschnitt 4.2.3.2) auf der anderen Seite, unterschieden werden.
4.2.3.1 Individualisierung durch Collaborative Filtering
Die Verwendung des eigenschaftsbasierten Filterverfahrens zur Individualisierung
des Produktangebots besitzt in der Praxis zwei Schwachstellen: 482 Erstens
kann das Verfahren nur bei solchen Produkten angewandt werden, deren Inhalt
einfach rechnergestützt analysierbar ist. Es versagt jedoch bei Produkten, die
nur einen geringen Textanteil besitzen, wie Software, Bilder oder Ideen. Zweitens
können solche Produkte generell nicht empfohlen werden, die keine semantischen
Übereinstimmungen mit dem Präferenzprofil des Nutzers aufweisen. Eine zweite
Gruppe von Empfehlungsalgorithmen, sog. „Collaborative Filtering“ (CF) Verfahren,
verwenden daher anstelle einer direkten Ähnlichkeitsüberprüfung zwischen
Produkteigenschaften und Nutzerpräferenzen strukturelle Ähnlichkeiten zwischen
den Präferenzprofilen verschiedener Nutzer als Grundlage einer individuellen
Produktempfehlung. In Abschnitt 4.2.3.1.1 wird das dem Collaborative
Filtering zugrunde liegende Prinzip erläutert. Folgend wird in Abschnitt 4.2.3.1.2
eine Erweiterung des Collaborative Filtering Grundprinzips speziell für die Individualisierung
von inhaltebezogenen Gütern erläutert.
4.2.3.1.1 Grundform von Collaborative Filtering-Algorithmen
Ebenso wie eigenschaftsbasierte Filterverfahren verwenden CF-Algorithmen gespeicherte
Produktbewertungen als Präferenzprofile. Grundlage des Filterverfahrens
bildet die Datenmatrix (U) sämtlicher Ratingvektoren (u1… uM) relevanter Nutzer
(M) innerhalb der betrachteten Gruppe von Objekten (N; vgl. Fehler!
Verweisquelle konnte nicht gefunden werden.).
482 Vgl. Melville/Mooney/Nagarajan (2002), S. 1.