Recommender-Systeme unter der Haube – mit Sebastian Klatt (METRO.digital)

„Für dich empfohlen“: Wundert ihr euch auch manchmal, wie passend die Musikvorschläge des Streamingdienstes eures Vertrauens sind?

Sebastian Klatt von der METRO.digital zeigt in dieser Folge, wie so genannte „Recommender-Systeme“ unter der Haube aussehen: Welche Kriterien spielen dabei eine Rolle? Wie geht man vor, wenn man noch gar nichts über den User weiß (Stichwort: Coldstart-Problem)? Was sind erste Schritte zum eigenen Recommender-System? Und wie hole ich mir am besten Feedback von meinen Nutzern?

Fest steht: Empfehlungsmechanismen sind in der heutigen App- und E-Commerce-Welt ein Überlebenskriterium. Und: „Recommender-Systeme sind nur so gut, wie sie von Usern angenommen werden.“ (Sebastian).

Kapitel:

(00:00:00) Vorstellung Sebastian Klatt

(00:01:07) Einführung in Recommender-Systeme. Collaborative Filtering, Content-Based Filtering

(00:05:00) Coldstart-Problem und hybrider Ansatz

(00:12:30) Architekturen & Kontext

(00:13:55) Erste Schritte zum eigenen Recommender-System

(00:17:45) TensorFlow Recommenders

(00:18:31) Explizites & implizites Feedback

(00:20:44) Wichtige Aspekte bei der Erstellung von Recommender-Systemen

(00:26:20) Learnings