Recommendation-Engine von Folge 3
Schwarm-Intelligenz. Empfehlungen bilden mit einer Recommendation Engine.
- “Interessantes Thema! Welche Artikel behandeln ähnliche Themen?”
- “Ich habe Rindfleisch, Zitronengras und Kardamom. Was passt dazu?”
- “Diese Wohnung gefällt mir ganz gut. Was gibt es an vergleichbarem?
Solche und ähnliche Fragen lassen sich mit unserer Recommendation Engine beantworten.
Empfehlungsarten
Die Software bildet die folgenden Arten von Empfehlungen:
- Produktempfehlungen
Das ist die gut bekannte Funktion “Wer sich für dieses Produkt interessiert hat, interessierte sich auch für die Folgenden”. Die Empfehlungen basieren auf den anonymisierten Bewegungsmustern der Site-Besucher. Was ein “Produkt” ist, ist nur durch die Vorstellungskraft eingeschränkt. Wir empfehlen bereits jetzt Bücher, Nachrichten-Artikel, Bilder, Universitäten, Studiengänge, Rezepte
- Unterstützes Auswählen
In komplexen Eingabemasken werden Benutzer durch Realtime-Empfehlungen geleitet. Sobald die Benutzerin zwei oder drei Kriterien ausgewählt hat, werden ihr weitere Kriterien empfohlen.
- Matching / Unscharfes Suchen
Wenn Sie ihren Benutzer “Erweiterte Suchen” anbieten, also Suchmasken, in denen sich die Suche auf bestimmte Eigenschaften ihrer “Produkte” einschränken lässt, dann können Sie die Recommendation Engine benutzen, um diese Suchen unscharf durchzuführen. Unscharfe Suchen oder Matching finden den best fit, also auch Artikel, die nur einigen der Kriterien 100%ig entsprechen.
- Profil-basierte Empfehlungen
Diese Empfehlungen werden auf Basis der Ähnlichkeit von Benutzern untereinander gebildet. Im Gegensatz zu den vorherigen Methoden benutzt dieses Verfahren nicht die impliziten Bewegungsmustern sondern basiert auf Profil-Informationen, die zu einem Benutzer gespeichert sind.
Über die Recommendation Engine
Die Empfehlungs-Engine ist eine Software von Folge 3. Wie alle Recommendation-Ansätze versucht sie, semantisch bedeutsame Relationen zu entdecken und führt dazu statistische Analysen in Tracking-Daten durch.
Die Datenbestände müssen nicht riesig sein, um aussagekräftige Empfehlungen zu bilden. In einem einigermaßen homogenen Umfeld reichen um die zweitausend Tracking-Datensätze pro Tag aus.
Die Empfehlungs-Engine ist in Java implementiert und benötigt als Backend eine relationale Datenbank (Postgres, MySQL, Oracle).
Sie basiert auf Mahout, einem weiteren exzellenten Projekt aus dem Apache-Lucene-Dunstkreis.
Sie kann entweder als Bibliothek in bestehende Anwendungen integriert werden. Oder sie läuft als eigenständiger Server, der über eine REST-API Tracking-Daten entgegennimmt und Empfehlungen ausliefert.
