Was ist überhaupt ein Empfehlungssystem?

Sie wissen es, wenn Netflix eine Show vorschlägt und Sie denken: „Woher wusste das?“ Oder wenn Amazon Ihnen Produkte zeigt, die seltsamerweise perfekt zu Ihnen passen? Das ist ein Empfehlungssystem am Werk. Es handelt sich im Grunde genommen um eine Software, die sich ansieht, was Sie (und andere wie Sie) in der Vergangenheit getan haben, und daraus errät, was Sie wahrscheinlich als Nächstes wollen.

Die gute Nachricht? Sie müssen nicht Netflix sein, um eines zu erstellen. Wenn Sie als Einzelentwickler eine App, einen Blog oder einen Online-Shop erstellen, können Sie Empfehlungen hinzufügen, damit Ihre Benutzer wiederkommen. Lassen Sie uns im Klartext erläutern, wie diese Dinge tatsächlich funktionieren, und anhand realer Beispiele, denen Sie folgen können.

Die beiden Hauptansätze (mit realen Beispielen)

Hinter jedem Empfehlungssystem stecken eigentlich nur zwei Kernideen. Sobald Sie diese verstanden haben, sind alles andere nur Variationen des Themas.

1. Kollaboratives Filtern: „Personen, die Ihnen gefallen, haben auch gefallen …“

Bei diesem Ansatz wird untersucht, was ähnliche Benutzer getan haben. Es ist egalWasDer Inhalt ist tatsächlich. Es bemerkt lediglich Verhaltensmuster.

Beispiel aus der Praxis:Angenommen, Sie erstellen eine Buchrezensions-App. Benutzer A liebte die Bücher Nr. 1, Nr. 2 und Nr. 3. Benutzer B liebte die Bücher Nr. 1 und Nr. 2, hat Buch Nr. 3 jedoch noch nicht gesehen. Die kollaborative Filterung besagt: „Benutzer B wird Buch Nr. 3 wahrscheinlich auch lieben, weil er den gleichen Geschmack hat wie Benutzer A.“

Genau so funktioniert die Playlist „Discover Weekly“ von Spotify. Es findet Benutzer mit ähnlichen Hörgewohnheiten wie Sie und empfiehlt ihnen dann Lieder, die ihnen gefallen haben und die Sie noch nicht gehört haben.

2. Inhaltsbasierte Filterung: „Weil Ihnen diese bestimmte Sache gefallen hat …“

Dieser Ansatz untersucht die tatsächlichen Merkmale dessen, womit ein Benutzer interagiert hat, und findet dann weitere Inhalte mit ähnlichen Merkmalen.

Beispiel aus der Praxis:Sie erstellen eine Rezept-App. Ein Benutzer speichert immer wieder vegetarische Nudelrezepte, die weniger als 30 Minuten dauern. Die inhaltsbasierte Filterung würde andere schnelle vegetarische Nudelgerichte empfehlen, auch wenn sie noch kein anderer Benutzer probiert hat, denn dieZutaten und Eigenschaftenübereinstimmen, was dieser Benutzer eindeutig bevorzugt.

Die YouTube-Seitenleiste „Ähnliche Videos“ funktioniert auf diese Weise. Es prüft die Tags, den Titel und die Kategorie dessen, was Sie gerade ansehen, und findet dann Videos mit ähnlichen Attributen.

Zwei Arten von Empfehlungssystemen

👥

Kollaboratives Filtern
„Benutzern wie Ihnen hat es auch gefallen…“ (Spotify, Amazon)

🔍

Inhaltsbasierte Filterung
„Weil dieser Artikel ähnliche Eigenschaften hat …“ (YouTube, Netflix)

🧪

Hybrid (das Beste aus beidem)
Kombinieren Sie beides für bessere Ergebnisse (was die meisten großen Apps tun)

📈

Beliebtheitsbasiert (einfachster Start)
„Diese Woche am beliebtesten“ – keine Benutzerdaten erforderlich

⏱️

Echtzeit-Updates
Passen Sie sich sofort an, wenn Benutzer mit Ihrer App interagieren

Was ist mit Einbettungen? (Es ist einfacher als es klingt)

Sie werden den Begriff „Einbettungen“ häufig in Tutorials zu Empfehlungssystemen hören. Es klingt einschüchternd, aber die Idee ist denkbar einfach.

Stellen Sie sich das so vor: Stellen Sie sich vor, dass jeder Benutzer und jedes Element in Ihrer App auf einer riesigen Karte platziert wird. Benutzer, denen ähnliche Dinge gefallen, landen auf der Karte dicht beieinander. Auch ähnliche Gegenstände liegen am Ende nahe beieinander. Bei einer „Einbettung“ handelt es sich lediglich um die Koordinaten (den Standort) eines Benutzers oder Elements auf dieser Karte.

Beispiel aus der Praxis:In einer Musik-App würde ein Benutzer, der Jazz, Blues und Soul hört, auf der Karte in der Nähe dieser Genres platziert. Ein User, der Metal und Punk hört, wäre in einem ganz anderen Bereich unterwegs. Wenn ein neues Jazz-Album erscheint, prüft das System, welche Nutzer auf der Karte dem Jazz „nahe“ sind und empfiehlt es ihnen.

Warum das wichtig ist, wenn Sie eine App alleine erstellen

Wenn Sie ein Einzelentwickler sind, kann das Hinzufügen eines einfachen Empfehlungssystems von entscheidender Bedeutung sein, um die Bindung der Benutzer aufrechtzuerhalten. Hier ist der Grund:

Benutzer bleiben länger.Wenn Menschen Inhalte sehen, die persönlich für sie ausgewählt werden, verbringen sie mehr Zeit in Ihrer App. Denken Sie darüber nach, wie Sie weiter durch TikTok scrollen, denn es zeigt Ihnen immer genau, worauf Sie Lust haben.
Benutzer entdecken mehr von Ihren Inhalten.Wenn Sie einen Blog mit 200 Beiträgen haben, sehen die meisten Besucher nur die neuesten Beiträge. In einem Abschnitt „Das könnte Ihnen auch gefallen“ können ältere Beiträge angezeigt werden, die für jeden Leser noch relevant sind.
Benutzer kommen häufiger zurück.Personalisierte E-Mail-Zusammenfassungen („Hier erfahren Sie, was es Neues basierend auf Ihren Interessen gibt“) geben den Leuten einen Grund, wiederzukommen. Auf diese Weise sorgt Medium dafür, dass Sie auf Artikel klicken.

Wie man tatsächlich eines baut (Schritt für Schritt)

Hier ist eine praktische Roadmap, die Sie nicht überfordern wird:

Beginnen Sie damit, zu verfolgen, was Benutzer tun.Bevor Sie etwas empfehlen können, benötigen Sie Daten. Verfolgen Sie Klicks, Likes, Speicherungen, auf Seiten verbrachte Zeit, Käufe und alles, was für Ihre App sinnvoll ist. Sogar eine einfache Datenbanktabelle wieBenutzer_ID | item_id | Aktion | Zeitstempelist genug, um anzufangen.
Beginnen Sie mit dem einfachsten Ansatz.Springen Sie nicht direkt zum maschinellen Lernen. Beginnen Sie mit „Beliebteste Artikel“ oder „Benutzer, die X gekauft haben, haben auch Y gekauft“. Für eine kleine App können ein paar SQL-Abfragen zu überraschend guten Empfehlungen führen.
Wenn Sie dazu bereit sind, besuchen Sie eine Bibliothek.PythonsÜberraschungsbibliothekmacht kollaboratives Filtern zum Kinderspiel. Sie können ein funktionierendes Empfehlungsmodell in etwa 20 Codezeilen erstellen.TensorFlow-Empfehlerist großartig, wenn Sie tiefer gehen möchten.
Halten Sie es frisch.Empfehlungen werden schnell veraltet. Richten Sie einen wöchentlichen Job ein, um Ihr Modell mit neuen Daten neu zu trainieren. Der Geschmack eines Nutzers im Januar könnte im März völlig anders sein.

Wenn Sie es nicht selbst erstellen möchten, können Managed Services die schwere Arbeit übernehmen.AWS Personalizeermöglicht es Ihnen, Ihre Daten einzugeben und Empfehlungen über eine API zurückzuerhalten.Googles Empfehlungs-KImacht das Gleiche. Beide verfügen über kostenlose Kontingente, die großzügig genug für kleine Apps sind.

Erstellen Sie Ihr erstes Empfehlungssystem

Verfolgen Sie Benutzeraktionen

Protokollieren Sie Klicks, Likes, Käufe und die verbrachte Zeit

Fangen Sie einfach an

„Am beliebtesten“ oder „auch gekauft“ bei einfachen SQL-Abfragen

Fügen Sie eine Bibliothek hinzu

Verwenden Sie Python's Surprise oder TensorFlow Recommenders

Wöchentlich umschulen

Halten Sie die Empfehlungen aktuell, wenn sich der Geschmack der Benutzer ändert

Messen Sie, was funktioniert

Verfolgen Sie die Klickraten Ihrer Empfehlungen

Wichtige Erkenntnisse

Sie müssen kein Datenwissenschaftler sein.Eine einfache Abfrage „Personen, denen X gefallen hat, mochte auch Y“ kann bei einer kleinen App wahre Wunder bewirken.
Beginnen Sie mit dem, was Sie haben.Schon einfache Klickdaten reichen aus, um nützliche Empfehlungen zu geben.
Es gibt kostenlose Tools, die die schwere Arbeit erledigen.Bibliotheken wie Surprise und verwaltete Dienste wie AWS Personalize bieten kostenlose Kontingente an, die sich perfekt für Einzelentwickler eignen.
Halten Sie es frisch.Trainieren Sie Ihr Modell regelmäßig. Veraltete Empfehlungen sind schlimmer als keine Empfehlungen.
Messen Sie die Wirkung.Verfolgen Sie, ob Nutzer tatsächlich auf Ihre Empfehlungen klicken. Wenn dies nicht der Fall ist, passen Sie Ihren Ansatz an.

Abschluss

Empfehlungssysteme sind nicht nur etwas für Technologiegiganten mit riesigen Ingenieurteams. Als Solo-Entwickler können Sie mit etwas so Einfachem wie „Diese Woche am beliebtesten“ beginnen und sich nach und nach zu personalisierten Vorschlägen hocharbeiten, die auf echten Benutzerdaten basieren. Die Tools sind kostenlos, die Bibliotheken sind einsteigerfreundlich und die Auswirkungen auf das Benutzerengagement können enorm sein.

Der Schlüssel liegt darin, einfach anzufangen. Verfolgen Sie das Benutzerverhalten, probieren Sie einen einfachen Ansatz aus und iterieren Sie von dort aus. Ihre Benutzer werden den Unterschied bemerken.

Weitere Informationen finden Sie unterLeitfaden für Empfehlungssysteme von Google, AWS Personalize, und dieÜberraschende Bibliotheksdokumentation.