Empfehlungssystem
Ein Empfehlungssystem ist ein Computerprogramm, das aus dem bisherigen Verhalten vieler Menschen ableitet, welche Filme, Produkte oder Beiträge einer einzelnen Person gefallen könnten. Es steckt hinter dem Startbildschirm von Netflix, dem Feed von TikTok und den Produktvorschlägen von Amazon.
Ein Empfehlungssystem ist ein Computerprogramm, das aus riesigen Mengen an Nutzungsdaten Vorschläge berechnet. Es beobachtet, was du bisher angeklickt, gekauft oder zu Ende geschaut hast. Daraus schätzt es, was dich als Nächstes interessieren könnte. Der Grundgedanke ist einfach: Menschen mit ähnlichem Verhalten mögen oft ähnliche Dinge. Wer dieselben fünf Serien geschaut hat wie du, hat vermutlich auch bei der sechsten einen brauchbaren Tipp für dich. Das System sortiert dann aus Millionen Möglichkeiten die wenigen heraus, die es dir zeigt.
Warum die Reihenfolge über den Erfolg entscheidet
Große Plattformen haben ein Mengenproblem. Auf YouTube werden pro Minute mehrere hundert Stunden Video hochgeladen. Kein Mensch kann dieses Angebot durchsuchen. Ohne Sortierung wäre so ein Dienst praktisch unbenutzbar. Das Empfehlungssystem übernimmt genau diese Vorauswahl.
Für die Anbieter geht es dabei um sehr viel Geld. Netflix hat öffentlich erklärt, dass ein großer Teil der angesehenen Inhalte über Empfehlungen gefunden wird und nicht über die Suche. Bei Amazon hängt ein erheblicher Anteil des Umsatzes an den Vorschlagsleisten. Wer die Reihenfolge kontrolliert, kontrolliert also, was verkauft und gesehen wird.
Deshalb sind solche Systeme auch politisch umstritten. Wenn ein Feed vor allem das zeigt, was lange festhält, kann er aufregende oder einseitige Inhalte bevorzugen. Der Digital Services Act der EU verpflichtet große Plattformen deswegen, die wichtigsten Kriterien ihrer Empfehlungen offenzulegen. Nutzer müssen zudem eine Ansicht wählen können, die nicht auf ihr persönliches Profil zugeschnitten ist.
Von Nachbarn, Merkmalen und Rückkanälen
Das klassische Verfahren heißt kollaboratives Filtern. Das System sucht Nutzer, deren bisherige Bewertungen deinen ähneln. Was diese Gruppe mochte und du noch nicht kennst, wird dir vorgeschlagen. Deine eigenen Vorlieben muss dabei niemand beschreiben, sie ergeben sich aus dem Vergleich. Der Nachteil: Bei einem völlig neuen Nutzer fehlen die Vergleichsdaten. Dieses Startproblem nennt man Kaltstart.
Die zweite Familie arbeitet mit Eigenschaften der Inhalte selbst, etwa Genre, Sprache, Länge oder Autor. Hat dir ein Science-Fiction-Hörbuch gefallen, schlägt das System weitere aus demselben Bereich vor. Moderne Dienste kombinieren beide Wege und ergänzen sie um neuronale Netze, also lernfähige Rechenmodelle nach dem Vorbild von Nervenzellen. Diese Modelle wandeln Nutzer und Inhalte in lange Zahlenreihen um. Liegen zwei solcher Zahlenreihen nah beieinander, gelten sie als ähnlich.
Fast immer läuft die Auswahl in zwei Stufen. Zuerst filtert ein schnelles Verfahren einige hundert Kandidaten aus dem Gesamtangebot. Danach bewertet ein genaueres Modell nur noch diese Auswahl und bringt sie in eine Reihenfolge. Anschließend misst das System, ob du wirklich geklickt hast. Diese Rückmeldung fließt ins nächste Training ein. Genau daraus entsteht ein bekannter Fehler: Was oben steht, wird häufiger angeklickt und wirkt dadurch beliebter, als es ist. Fachleute sprechen von einer Rückkopplungsschleife.
Vom Netflix-Startbildschirm bis zur Kreditvergabe
Im Alltag begegnen dir Empfehlungssysteme ständig, meist ohne Hinweis. Die Startseite von Netflix ist für jeden Haushalt anders zusammengestellt, teils bis hin zu den Vorschaubildern. Spotify baut daraus wöchentliche Playlists. TikTok gilt als das Beispiel, bei dem fast der gesamte Feed aus solchen Vorhersagen besteht, ohne dass du jemandem folgen musst.
In Wirtschaftsnachrichten tauchen diese Systeme oft indirekt auf. Wenn eine Plattform von steigender Verweildauer oder besserer Conversion berichtet, steckt fast immer ein verbessertes Empfehlungsmodell dahinter. Auch Onlinehändler, Nachrichtenportale und Stellenbörsen setzen sie ein. Selbst Banken nutzen ähnliche Technik, um passende Produkte anzubieten.
Ein verbreiteter Irrtum ist, dass ein Empfehlungssystem deine Interessen kennt. Es kennt nur Muster in Daten und rechnet Wahrscheinlichkeiten aus. Es weiß nicht, warum du ein Video zu Ende geschaut hast. Es weiß nur, dass du es getan hast, und dass ähnliche Nutzer sich ähnlich verhielten.
