Individualisierung und mobile Dienste am Beispiel der Medienbranche

40
2 Grundlagen
(2) Grundsätzlich existieren fünf verschiedene Verfahren, um durch ein intelligentes
System Kaufempfehlungen zu erzeugen: Unter Verwendung von Funktionen
aus dem sog. „Information Retrieval“ 159 können Konsumenten Suchanfragen
über eine indizierte Datenbank von Produktangaben abschicken und
erhalten als Ergebnis eine Liste aller mit dem Suchbegriff übereinstimmenden
Produkte. Umgekehrt kann ein Konsument manuell aus vorgeordneten Produktlisten
das für ihn relevante Angebot selbst auswählen. Zusätzlich können automatisch
oder händisch generierte statistische Kurzzusammenfassungen verwendet
werden, um zusätzliche Selektionskriterien für eine Suchfunktion oder
manuelle Auswahllisten zu schaffen. Komplexere Verfahren verwenden statistische
Korrelationen und Inferenzen, um Ähnlichkeiten entweder zwischen den
Profilen verschiedener Konsumenten (Inter-Nutzer-Relationen) oder verschiedenen
Produkten (Inter-Objekt-Relationen) zu bestimmen. Gebräuchlich ist in
diesem Zusammenhang die Unterscheidung zwischen „Empfehlungssystemen“
(i.e.S.) bzw. „Recommendation Systems“ auf der einen Seite und „Empfehlersystemen“
bzw. „Recommender Systems“ auf der anderen Seite. 160 Die erstere
Gruppe verwendet Inferenzalgorithmen, die auch als „eigenschaftsbasierte Filterverfahren“
oder „feature-based filtering“ bezeichnet werden. Eigenschaftsbasierte
Filter ziehen einen direkten Vergleich zwischen den Profilmerkmalen eines
Nutzers und den Eigenschaften verfügbarer Produktbeschreibungen und
treffen eine Auswahl der Produkte, deren Produktbeschreibung mit den Nutzerbedürfnissen
am besten übereinstimmen. Dabei kommen in der Regel statistische
Klassifikationsalgorithmen zum Einsatz. 161 Die Gruppe der Empfehlersysteme
verwendet dagegen Inferenzalgorithmen, die auch als kollaborative
Filter oder „Collaborative Filtering“ bezeichnet werden. Collaborative Filtering-
Verfahren leiten individuelle Angebote indirekt, anhand struktureller Gemeinsamkeiten
in den Präferenzen verschiedener Nutzer oder Nutzergruppen ab. 162
Anstelle einer direkten Ähnlichkeitsüberprüfung zwischen Inhalteeigenschaften
und Nutzerpräferenzen werden zunächst signifikante Präferenzähnlichkeiten
zwischen verschiedenen Nutzern bestimmt. Auf der Grundlage solcher Präferenzähnlichkeiten
treffen Collaborative Filtering-Verfahren für einen Konsumenten
eine Auswahl, die aus solchen Produkten besteht, die ein Nutzer mit ähnlichen
Präferenzen nachgefragt hat.
(3) Ein Empfehlungssystem kann verschiedene Ergebnisse liefern, um die
Auswahl für einen Konsumenten zu erleichtern. Beispiele für die Möglichkeiten
der Auswahlunterstützung bilden die Auflistung von Kaufempfehlungen, die
Vorhersage nächster Navigationslinks sowie Bewertungen und Kommentare zu
159 Vgl. bspw. Ferber (2003).
160 Vgl. Runte (2000), S. 10.
161 Im Rahmen solcher Klassifikationsalgorithmen können verschiedene Verfahren zum Einsatz kommen
wie bspw. Vektorraummodelle (vgl. Salton/Wong/Yang (1975)), Verfahren auf Grundlage kombinierter
Wahrscheinlichkeiten (vgl. Pazzani/Billsus (1997)), Entscheidungsbäume oder neuronale Netze (vgl.
Yang/Liu (1999)).
162 Vgl. Herlocker/Konstan/Borchers/Riedl (1999); Melville/Mooney/Nagarajan (2002); Schafer/Konstan/Riedl
(2001).