Zum Inhalt springen
Zurück zu den Suchergebnissen

Kollaboratives Filtern

Eingeführt von
GroupLens; Sarwar et al. (item-based); Koren et al. (matrix factorization)
Jahr
2001
Typ
Recommendation from user-item interactions
Familie
Recommender systems

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Kollaboratives Filtern empfiehlt einem Nutzer Elemente, indem es die Präferenzen vieler Nutzer nutzt – „Leute, denen gefiel, was Ihnen gefiel, mochten auch dies“.

Es lernt aus einer dünn besetzten Nutzer-Element-Interaktionsmatrix, entweder durch Finden ähnlicher Nutzer oder Elemente (Nachbarschaftsmethoden, formalisiert von Sarwar et al. im Jahr 2001) oder durch Faktorisierung der Matrix in latente Nutzer- und Elementfaktoren (Matrixfaktorisierung, popularisiert von Koren et al. nach dem Netflix Prize).

Die Intuition hinter der Methode

Man muss nichts über den Inhalt eines Elements wissen, um es zu empfehlen – nur, wie Menschen damit interagiert haben. Kollaboratives Filtern nutzt Muster in einer riesigen, meist leeren Tabelle von Nutzern versus Elementen: Wenn zwei Nutzer viele Filme ähnlich bewertet haben, sind die ungesehenen Favoriten des einen gute Wetten für den anderen (nutzerbasiert); wenn zwei Elemente über Nutzer hinweg ähnlich bewertet werden, sagt das Mögen des einen das Mögen des anderen voraus (elementbasiert). Matrixfaktorisierung geht tiefer und erklärt jede Bewertung als das Skalarprodukt eines kurzen „Geschmacks“-Vektors für den Nutzer und eines „Profil“-Vektors für das Element, die gelernt werden, um die bekannten Bewertungen zu rekonstruieren und die fehlenden vorherzusagen.

Geschichte

Kollaboratives Filtern entstand in den 1990er Jahren aus den Projekten GroupLens und Tapestry. Sarwar, Karypis, Konstan und Riedl (2001) formalisierten die skalierbare elementbasierte kollaborative Filterung, und der Netflix Prize 2006–2009 trieb latente Faktor-Matrix-Faktorisierungsmethoden voran, zusammengefasst in Koren, Bell und Volinskys einflussreichem Artikel von 2009. Das Feld hat sich seitdem auf implizites Feedback, hybride Content-Collaborative-Modelle und Deep-Learning-Empfehlungssysteme erweitert, aber Nachbarschafts- und Matrix-Faktorisierungs-kollaboratives Filtern bleiben die grundlegenden Techniken.

Wann wird sie eingesetzt?

Nutzen Sie kollaboratives Filtern, um Empfehlungen ausschließlich aus Interaktionsdaten zu erstellen – E-Commerce, Streaming, Nachrichten und Content-Plattformen –, wenn Sie genügend Nutzer und Interaktionen haben, um gemeinsame Muster aufzudecken, und sich nicht auf den Elementinhalt verlassen möchten. Nachbarschaftsmethoden sind einfach und interpretierbar („weil Sie X mochten“); Matrixfaktorisierung skaliert besser, behandelt Sparsität und sagt normalerweise genauer voraus. Wesentliche Einschränkungen: das Kaltstartproblem (neue Nutzer/Elemente ohne Interaktionen können nicht platziert werden), Sparsität und Popularitätsverzerrung sowie die Notwendigkeit erheblicher Interaktionsdaten. Reine kollaborative Filterung ignoriert Element-/Nutzerattribute, daher wird sie oft mit Content-Features zu hybriden Empfehlungssystemen kombiniert; Implizite-Feedback- und Deep-Learning-Empfehlungssysteme erweitern die gleiche Idee. Sie ist eng verwandt mit Matrixvervollständigung und NMF.

Grenzen und Hinweise

  • Kaltstart: Kann keine Empfehlungen für neue Nutzer oder Elemente ohne Interaktionen machen.
  • Empfindlich gegenüber Sparsität und verzerrt zugunsten populärer Elemente.
  • Ignoriert Element-/Nutzerattribute (Inhalt), im Gegensatz zu hybriden Ansätzen.
  • Erfordert erhebliche Interaktionsdaten, um gut zu funktionieren.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Benötigt nur Interaktionsdaten – keine Elementinhalte oder Feature-Engineering.
  • Erfasst subtile, schwer artikulierbare Geschmacksmuster aus der Masse.
  • Matrixfaktorisierung skaliert auf große, dünn besetzte Matrizen und sagt genau voraus.
  • Nachbarschaftsmethoden liefern interpretierbare Erklärungen im Stil von „weil Sie … mochten“.

Anwendungen

  • Produktempfehlungen im E-Commerce.
  • Film-, Musik- und Videoempfehlungen auf Streaming-Plattformen.
  • Personalisierung von Nachrichten und Inhalten.
  • Freund-/Verbindungsvorschläge in sozialen Netzwerken.
  • Cross-Selling- und „Kunden kauften auch“-Funktionen.

So funktioniert es

So funktioniert es

1

Die Eingabe ist eine Nutzer-Element-Matrix von Bewertungen oder impliziten Interaktionen (Klicks, Käufe). Sie ist extrem dünn besetzt – die meisten Einträge sind unbekannt – und die Aufgabe besteht darin, die fehlenden Einträge vorherzusagen (wie ein Nutzer ein ungesehenes Element bewerten/mögen würde), damit die Top-Vorhersagen empfohlen werden können.

Formel
R \in \mathbb{R}^{u\times i}\ \text{(ratings/interactions, mostly missing)}
2

Nachbarschaftsmethoden berechnen die Ähnlichkeit zwischen Nutzern (oder zwischen Elementen) anhand ihrer überlappenden Bewertungen, typischerweise Kosinus-Ähnlichkeit oder Pearson-Korrelation. Hohe Ähnlichkeit bedeutet, dass zwei Nutzer den Geschmack teilen oder zwei Elemente die gleichen Zielgruppen anziehen; diese Ähnlichkeiten treiben die Vorhersagen an.

Formel
\text{sim}(a,b) = \dfrac{\sum_k r_{ak} r_{bk}}{\sqrt{\sum r_{ak}^2}\sqrt{\sum r_{bk}^2}}\ (\text{cosine / Pearson})
3

Elementbasierte kollaborative Filterung sagt die Bewertung eines Nutzers für ein Element als eine Ähnlichkeits-gewichtete Durchschnittsbewertung dieses Nutzers für ähnliche Elemente voraus (nutzerbasierte Filterung tut das Analoge über ähnliche Nutzer). Elementbasierte Filterung wird bei Skalierung normalerweise bevorzugt, da Element-Element-Ähnlichkeiten stabiler und vorab berechenbar sind.

Formel
\hat r_{ui} = \dfrac{\sum_{j\in N(i)} \text{sim}(i,j)\, r_{uj}}{\sum_{j\in N(i)} |\text{sim}(i,j)|}
4

Latente Faktormodelle faktorisieren die Bewertungsmatrix in niedrigrangige Nutzer- und Elementmatrizen, sodass jede Bewertung durch das Skalarprodukt eines Nutzerfaktor-Vektors und eines Elementfaktor-Vektors approximiert wird. Die Faktoren werden durch Minimierung des regularisierten quadratischen Fehlers über die beobachteten Bewertungen (mittels SGD oder alternierender kleinster Quadrate) gelernt und erfassen verborgene Geschmacksdimensionen, verallgemeinern besser und gehen gut mit Sparsität um.

Formel
\hat r_{ui} = p_u^\top q_i,\quad \min_{P,Q}\sum_{(u,i)\in\mathcal{K}} (r_{ui}-p_u^\top q_i)^2 + \lambda(\lVert p_u\rVert^2+\lVert q_i\rVert^2)

Häufige Fallstricke

  • Ignorieren des Kaltstartproblems im Einsatz (neue Elemente erhalten keine Exposition).
  • Bewertung allein anhand des Bewertungsfehlers, während Ranking/Top-N und Popularitätsverzerrung ignoriert werden.
  • Verwendung von nutzerbasierter CF in großem Maßstab, wo elementbasierte oder Faktorisierung weitaus effizienter ist.
  • Leckage zukünftiger Interaktionen in das Training beim Aufteilen von Daten (muss nach Zeit aufgeteilt werden).

Häufig gestellte Fragen

Was ist der Unterschied zwischen nutzerbasierter und elementbasierter kollaborativer Filterung?

Nutzerbasierte CF empfiehlt Elemente, die von Nutzern gemocht werden, die Ihnen ähnlich sind; elementbasierte CF empfiehlt Elemente, die ähnlich (in der Art, wie Nutzer sie bewertet haben) zu denen sind, die Sie bereits mochten. Elementbasierte Filterung wird bei Skalierung normalerweise bevorzugt, da Element-Element-Ähnlichkeiten im Laufe der Zeit stabiler sind und offline vorab berechnet werden können.

Wie verbessert die Matrixfaktorisierung die Nachbarschaftsmethoden?

Sie repräsentiert Nutzer und Elemente durch kurze latente Vektoren, die aus den Daten gelernt werden, sodass jede Bewertung ihr Skalarprodukt ist. Dies erfasst verborgene Geschmacksdimensionen, behandelt Sparsität besser, verallgemeinert über direkte Nachbarn hinaus und sagt typischerweise genauer voraus – weshalb sie die Lösungen des Netflix Prize dominierte.

Was ist das Kaltstartproblem?

Kollaboratives Filtern basiert auf vergangenen Interaktionen, daher kann es keine guten Empfehlungen für brandneue Nutzer oder Elemente machen, die keine haben. Abhilfemaßnahmen umfassen das Abfragen anfänglicher Präferenzen, den Rückgriff auf Popularität oder die Hybridisierung mit inhaltsbasierten Merkmalen, die keine Interaktionshistorie erfordern.

Verwandte Methoden

Quellen

  1. Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 285–295.

    DOI-Referenz öffnen
    Kopiert.
  2. Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.

    DOI-Referenz öffnen
    Kopiert.