Warum KI keine besseren Produktvorschläge liefert

Wenn Sie an ungewöhnlichen Dingen interessiert sind, gibt es zwei Gründe, warum Ihre Suchanfragen nach Artikeln und Produkten wahrscheinlich weniger mit Ihren Interessen zu tun haben als die Ihrer “Mainstream”-Mitbewerber; entweder sind Sie ein Monetarisierungs-“Randfall”, dessen Interessen nur dann berücksichtigt werden, wenn Sie auch in den oberen Kategorien der wirtschaftlichen Kaufkraft sind (z. B. Produkte und Dienstleistungen im Zusammenhang mit “Vermögensverwaltung”); oder die Suchalgorithmen, die Sie verwenden, nutzen Collaborative Filtering (CF), das den Interessen der Mehrheit den Vorzug gibt.

Da collaborative Filtering billiger und etablierter ist als andere möglicherweise leistungsfähigere Algorithmen und Frameworks, ist es möglich, dass beide Fälle zutreffen.

CF-basierte Suchergebnisse priorisieren Artikel, die als bei “Menschen wie Ihnen” beliebt wahrgenommen werden, so gut das Host-System verstehen kann, was für eine Art von Verbraucher Sie sind.

Wenn Sie sich scheuen, Datenprofiling-Informationen an das Host-System zu liefern – zum Beispiel nicht geneigt, die “Like”-Schaltflächen in Netflix und anderen Videoinhaltsdiensten zu drücken -, werden Sie wahrscheinlich in Ihren frühen Interaktionen mit dem System sehr allgemein klassifiziert, und die Vorschläge, die Sie erhalten, werden die beliebtesten Trends widerspiegeln.

Auf einer Streaming-Plattform könnte dies bedeuten, dass Ihnen empfohlen wird, was gerade “heiß” ist, wie Reality-TV und forensische Morddokumentationen, unabhängig von Ihrem Interesse an diesen. Ebenso für Buchempfehlungsplattformen, die tendenziell aktuelle und kürzliche Bestseller anbieten, anscheinend willkürlich.

In der Theorie sollten auch datensparsame Benutzer aufgrund der Art und Weise, wie sie das System verwenden und nach Dingen suchen, letztendlich bessere Ergebnisse von solchen Systemen erhalten, da die meisten Suchframeworks den Benutzern eine begrenzte Möglichkeit bieten, ihre Nutzungshistorie zu bearbeiten.

Jede Farbe, die Ihnen gefällt, solange sie schwarz ist

Jedoch zeigt eine neue Studie aus Österreich, dass die Vorherrschaft der collaborativen Filtering über Content-basierte Filtering (die versucht, Beziehungen zwischen Produkten herzustellen, anstatt nur die aggregierte Popularität zu berücksichtigen) und andere alternative Ansätze, die Suchsysteme zu langfristiger Popularitätsverzerrung neigt, bei der offensichtlich beliebte Ergebnisse an Endbenutzer geschoben werden, die unwahrscheinlich von ihnen begeistert sein werden.

Die Studie zeigt, dass Benutzer, die an beliebten Artikeln nicht interessiert sind, “erheblich schlechtere” Empfehlungen erhalten als Benutzer mit mittlerem oder hohem Interesse an Popularität, und (vielleicht tautologisch) dass beliebte Artikel häufiger empfohlen werden als unbeliebte Artikel. Die Forscher kommen auch zu dem Schluss, dass Benutzer mit geringem Interesse an beliebten Artikeln tendenziell größere Benutzerprofile haben, die potenziell die Empfehlungssysteme verbessern könnten – wenn nur die Systeme ihre Sucht nach “Herden”-Metriken überwinden könnten.

Vergleich von Beliebtheit und Komplexität von Benutzerprofilen zeigt, dass “Rand”-Benutzer, die an Mainstream-Inhalten nicht interessiert sind, tatsächlich mehr potenzielle Inhalte für Empfehlungssysteme haben; aber da diese Benutzer nicht den Trends entsprechen, scheint es eine verlorene Gelegenheit zu sein. Quelle: https://arxiv.org/pdf/2203.00376.pdf

Die Studie trägt den Titel Popularitätsverzerrung in Collaborative-Filtering-basierten Multimedia-Empfehlungssystemen und stammt von Forschern der jetzt-Center GmbH in Graz und der Technischen Universität Graz.

Abgedeckte Bereiche

Basierend auf vorherigen Arbeiten, die einzelne Sektoren (wie Buchempfehlungen) untersuchten, untersucht die neue Studie vier Bereiche: digitale Bücher (über das BookCrossing-Datensatz); Filme (über MovieLens); Musik (über Last.fm); und Animes (über MyAnimeList).

Die Studie wendete vier beliebte Multimedia-Empfehlungssysteme (MMRS) Collaborative-Filtering-Algorithmen auf Datensätze geteilt in drei Benutzergruppen an, entsprechend ihrer Neigung, “beliebte” Ergebnisse zu akzeptieren: LowPop, MedPop und HighPop. Die Benutzergruppen wurden auf 1000 gleich große Gruppen gefiltert, basierend auf der geringsten, durchschnittlichen und höchsten Neigung, “beliebte” Ergebnisse zu bevorzugen.

In einem Kommentar zu den Ergebnissen sagen die Autoren:

‘[Wir] finden, dass die Wahrscheinlichkeit, dass ein Multimedia-Element empfohlen wird, stark mit seiner Beliebtheit korreliert [und] dass Benutzer, die an beliebten Artikeln nicht interessiert sind, “erheblich schlechtere” Multimedia-Empfehlungen erhalten als Benutzer mit mittlerem oder hohem Interesse an Popularität…

‘Unsere Ergebnisse zeigen, dass Benutzer mit geringem Interesse an beliebten Artikeln tendenziell größere Benutzerprofile haben, die potenziell die Empfehlungssysteme verbessern könnten – wenn nur die Systeme ihre Sucht nach “Herden”-Metriken überwinden könnten.’

Unter den ausgewerteten Algorithmen befanden sich zwei K-Nearest-Neighbors (KNN)-Varianten, UserKNN und UserKNNAvg. Die erste davon generiert keine Durchschnittsbewertung für den Zielbenutzer und das Ziel-Element. Eine nicht-negative Matrix-Faktorisierung (NMF) wurde ebenfalls getestet, zusammen mit einem CoClustering-Algorithmus.

Das Evaluierungsprotokoll betrachtete die Empfehlungsaufgabe als Vorhersageherausforderung, gemessen durch die Forscher in Bezug auf den mittleren absoluten Fehler (MAE), gegenüber einem fünffachen Kreuzvalidierungsprotokoll, das den üblichen 80/20-Split zwischen Trainings- und Testdaten übertrifft.

Die Ergebnisse zeigen eine nahezu garantierte Popularitätsverzerrung unter collaborativer Filtering. Die Frage ist, ob dies als Problem von den multi-milliardenschweren Unternehmen wahrgenommen wird, die derzeit CF in ihre Suchalgorithmen integrieren.

Über alle vier untersuchten Datensätze hinweg, über vier beliebte Collaborative-Filtering-Empfehlungen, zeigt jedes Ergebnis, dass beliebte Medienartikel eher empfohlen werden als unbeliebte Angebote.

Der “leichte” Weg

Obwohl collaborative Filtering zunehmend als nur ein Teil einer umfassenderen Suchalgorithmik-Strategie verwendet wird, hat es einen starken Anteil am Suchsektor und seine Logik und potenzielle Rentabilität sind attraktiv einfach zu verstehen.

An sich selbst überlädt collaborative Filtering die Aufgabe, den Wert von Inhalten zu bewerten, an die Endbenutzer und nutzt deren Akzeptanz der Inhalte als Index ihres Wertes und ihrer potenziellen Attraktivität für andere Kunden. Analog dazu ist es im Wesentlichen eine Karte von “Wasser-Kühler-Gerüchten”.

Content-basierte Filtering (CBF) ist schwieriger, aber könnte potenziell relevantere Ergebnisse liefern. Im Bereich der Computer-Vision wird derzeit eine zunehmende Menge an Forschung aufgewendet, um Videoinhalte zu kategorisieren und zu versuchen, Domänen, Merkmale und hochrangige Konzepte durch Analyse von Audio und Video in Film- und Fernsehproduktionen abzuleiten.

Eines von vielen Forschungsprojekten der letzten fünf Jahre, das versucht, semantische Merkmale aus dem Inhalt von Filmen abzuleiten, um intelligentere “adjazente” Empfehlungen zu generieren. Quelle: https://arxiv.org/pdf/1701.00199.pdf

Jedoch ist dies ein relativ neues Unterfangen und eng mit dem aktuellen, allgemeineren Kampf verbunden, um hochrangige Konzepte und Merkmale in Domänenwissen zu quantifizieren, zu isolieren und auszunutzen.

Wer verwendet collaborative Filtering?

Zum Zeitpunkt des Schreibens bleibt der häufig kritisierte Empfehlungs-Engine von Netflix auf verschiedene collaborative-Filtering-Ansätze fixiert, indem er eine Vielzahl von adjunct-Technologien in laufenden Versuchen anwendet, um benutzerrelevantere Empfehlungen zu generieren.

Der Suchalgorithmus von Amazon entwickelte sich von seiner frühen Übernahme von benutzerbasiertem collaborativem Filtering zu einem item-item-Collaborative-Filtering-Verfahren, das einen größeren Schwerpunkt auf die Kaufhistorie des Kunden legt. Natürlich kann dies zu verschiedenen Arten von Ungenauigkeiten führen, wie Filter-Blasen oder Überbetonung von spärlichen Daten. In letzterem Fall kann es passieren, dass ein seltener Amazon-Kunde einen “unüblichen” Kauf tätigt, wie zum Beispiel eine Sammlung von Operetten für einen opernliebenden Freund, und es möglicherweise nicht genug alternative Käufe gibt, die die Vorlieben des Kunden widerspiegeln, um diesen Kauf daran zu hindern, einen Einfluss auf die eigenen Empfehlungen des Kunden zu haben.

Collaborative Filtering wird auch von Facebook, in Verbindung mit anderen Ansätzen, und auch von LinkedIn, YouTube und Twitter umfassend verwendet.

Erstveröffentlicht am 2. März 2022.