Collaborative Filtering (CLF)

Das Collaborative Filtering bilded zusammen mit dem Content-Based Filtering (CBF) die technologische Basis für fast alle Recommender Systeme (RS). Sie berechenen Produktempfehlungen basierend auf statistischen Nutzungsdaten.

Anders als beim Content Based Filtering erhält der Entscheider beim Collaborative Filtering keine Empfehlung für ein seinen Eingaben ähnliches Element. Stattdessen werden beim CLF Elemente hervorgehoben, die andere Teilnehmer in einer ähnlichen Situation gewählt haben. Das RS, dass einen collaborativen Filter verwendet, ermittelt also zunächst ähnliche Nuzterprofile für seine Empfehlung. Zur Ermittlung der Ähnlichkeiten zwischen den Nutzerprofilen werden vergangene Entscheidungen der Teilnehmer (Kaufentscheidungen und/ oder Bewertungen) herangezogen.

Der Vorteil eines CLF gegenüber einem CBF-System ist, dass es dem Entscheider auch Alternativen anbieten kann, die seinen bekannten Elementen nicht ähneln, da Nutzerprofile über sämtliche Produkte hinweg verglichen werden und nicht nur ähnliche Alternativen zu einem Produkt. Der Empfehlungsraum ist also größer beim CLF Recommender System. Es gibt jedoch zwei Probleme bei der Verwendung von CLF:

  • 1. "Cold-Start-Problematik" (oder auch "First-Rater-Problem")

    Sie besagt, dass ein neues Element, dass noch von keinem Teilnehmer getestet bzw. bewertet wurde, praktisch nicht empfehlbar ist.

  • 2. Qualifizierungsproblem der Entscheider

    Die Qualität der Empehlungen ergibt sich aus der Qualität der berechneten Nutzerprofile. Um gute Empfehlungen zu geben, müssen die Handlungen der Nutzer möglichst gut bekannt sein, d.h. die Teilnehmer müssen sich an dem System selbst aktiv durch Käufe bzw. Bewertungen beteiligen. Erst wenn genügend Nutzerdaten vorhanden sind, können daraus trennscharfe Nutzerprofile bestimmt werden.

Collaborative Filtering wird in sogenannten hybriden Systemen auch zusammen mit Content Based Filtering eingesetzt, um das auf Nutzungsdaten-Analyse basierende Collaborative Filtering um inhaltliche Ähnlichkeiten zwischen den Produkten anzureichern. Siehe dazu auch die weiteren Ausführungen in Content Based Filtering.

Siehe dazu auch den Glossar-Eintrag zu Recommender-Systemen.


Wir freuen uns von Ihnen zu hören!

Haben Sie noch Fragen zu unseren Product Guides, Guided Selling oder unseren Services?
Dann schreiben Sie uns eine E-Mail. Wir freuen uns darauf, Ihre Fragen zu beantworten.

* Eingabe erforderlich