Recommendation Engines mit Spark ML implementieren

Inhaltsverzeichnis

Kunden, die dieses Produkt gekauft haben, kauften auch y. Jeder, der schon einmal online etwas bestellt hat, kennt diesen mehr oder weniger dezent eingeblendeten Hinweis. Auf Netflix und Amazon Prime werden Filme und Serien vorgeschlagen, die sich Kunden mit ähnlichen Vorlieben ebenfalls angeschaut haben. Spotify und Apple Music empfehlen neue Musik, die zu unseren bisherigen Vorlieben passt. Und in den Newsfeeds von Twitter oder Facebook steuern Algorithmen, welche Nachrichten wir von welchen Freunden zu Gesicht bekommen und welche Werbung eingeblendet wird.

Recommender-Systeme helfen Unternehmen, ihren Kunden passende Zusatzprodukte zu präsentieren. Mithilfe selbstlernender Algorithmen treffen solche Empfehlungsdienste Vorhersagen darüber, welche anderen Produkte den Interessen des Websitebesuchers auf der Basis seiner Vorlieben am ehesten entsprechen. Kollaborative Recommender-Systeme ziehen für ihre Empfehlungen das Kaufverhalten anderer Kunden mit ähnlichen Präferenzen heran. Content-basierte Systeme analysieren anhand der Beschreibung den Inhalt eines Produkts und vergleichen diesen mit anderen Produkten, um so zu einer Empfehlung zu kommen. Für noch bessere Ergebnisse lassen sich die Ansätze in einer Engine kombinieren.

Ohne Personalisierung geht nichts

Empfehlungsdienste sind allgegenwärtig. Sie bilden einen der Eckpfeiler des Erfolgs der großen Internetplattformen. Als Nutzer bekommt man sehr schnell das Gefühl, dass das jeweilige Angebot speziell auf einen selbst zugeschnitten ist. Im Idealfall sieht man dabei nur die Dinge, die einen wirklich als Nächstes interessieren. Bei dieser Art der Individualisierung von Internetdiensten spricht man demnach auch von Personalisierung.

Das war die Leseprobe unseres heise-Plus-Artikels "Recommendation Engines mit Spark ML implementieren". Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.