Generative Recommender
Ein Generative Recommender ist ein Empfehlungssystem, das den nächsten Klick oder Kauf eines Nutzers vorhersagt, indem es die bisherige Nutzungshistorie wie einen Text fortschreibt. Statt fertige Vorschläge nach Ähnlichkeit zu bewerten, erzeugt es die Empfehlung Schritt für Schritt selbst.
Wenn du auf einer Video-Plattform ein Video anschaust, schlägt dir die Seite sofort das nächste vor. Solche Vorschläge kommen von einem Empfehlungssystem, also einem Programm, das aus deinem bisherigen Verhalten ableitet, was dich interessieren könnte. Ein Generative Recommender ist eine neuere Bauart solcher Systeme. Er behandelt deine Verlaufsliste wie einen Satz: erst Video A, dann B, dann C. Und so, wie Schreibprogramme das nächste Wort vorhersagen, sagt er den nächsten Eintrag in dieser Liste vorher. Er wählt also nicht aus einer Liste aus, sondern erzeugt die Antwort selbst.
Warum Plattformen ihre Empfehlungslogik umbauen
Klassische Empfehlungssysteme arbeiten in zwei Stufen. Zuerst suchen sie ein paar hundert Kandidaten heraus, die zu dir passen könnten. Danach bewertet ein zweites Modell jeden Kandidaten einzeln und sortiert sie. Das funktioniert, ist aber aufwendig, weil für jeden Kandidaten eine eigene Rechnung nötig ist.
Generative Recommender sparen diesen zweiten Durchgang teilweise ein. Sie liefern die wahrscheinlichsten nächsten Artikel direkt aus einem einzigen Durchlauf. Vor allem aber profitieren sie von einem Effekt, den man von Sprachmodellen kennt: Mehr Daten und mehr Rechenleistung machen sie zuverlässig besser. Bei den älteren Systemen flachte dieser Gewinn irgendwann ab.
Wirtschaftlich ist das ein großer Hebel. Bei Diensten wie Instagram, TikTok oder Amazon entsteht ein erheblicher Teil der Nutzungszeit und des Umsatzes über Empfehlungen. Meta hat 2024 mit einer Architektur namens HSTU gezeigt, dass ein generativer Ansatz die Klickzahlen deutlich steigern kann. Seitdem ist das Thema in Quartalsberichten und Tech-News regelmäßig präsent.
Von der Klickhistorie zur Vorhersage
Der erste Schritt ist, jedes Produkt oder Video in ein Kürzel zu übersetzen. Oft benutzt man dafür sogenannte semantische IDs: kurze Zahlenfolgen, die den Inhalt beschreiben. Zwei Kochvideos bekommen dann ähnliche Kürzel, ein Kochvideo und ein Rennspiel sehr verschiedene. Das ist wichtig, weil das System so auch mit neuen Artikeln umgehen kann, die noch niemand angeklickt hat.
Danach wird deine Historie zu einer Kette solcher Kürzel. Das Modell lernt aus Millionen fremder Verläufe, welche Kette typischerweise wie weitergeht. Zur Laufzeit erzeugt es dann Kürzel für Kürzel den nächsten Eintrag. Am Ende wird das erzeugte Kürzel wieder einem echten Produkt im Katalog zugeordnet.
Ein häufiger Irrtum ist, hier stecke ein Chatbot dahinter. Das stimmt nicht. Der Generative Recommender erzeugt keine Sprache, sondern Artikelkennungen. Er borgt sich nur die Bauweise der Sprachmodelle, nämlich die Vorhersage des jeweils nächsten Elements in einer Folge.
Wo generative Vorschläge schon im Einsatz sind
Am sichtbarsten ist die Technik in Feeds, die endlos weiterlaufen. Kurzvideo-Apps, Musik-Streaming und große Online-Shops sind die typischen Anwendungsfelder. Auffällig wird der Unterschied oft daran, dass Vorschläge schneller auf frisches Verhalten reagieren. Wer zwei Gitarrenvideos schaut, sieht das Thema teils schon im nächsten Bildschirm.
In Nachrichten begegnet dir der Begriff meist zusammen mit Meta, Google, ByteDance oder Netflix. Häufig geht es dabei um Investitionen in Rechenzentren, denn diese Modelle sind im Betrieb teuer. Ebenso oft geht es um Kritik: Systeme, die noch genauer auf kurzfristige Reize optimieren, verstärken möglicherweise Filterblasen und Suchtverhalten.
Für dich als Nutzer bleibt die Technik unsichtbar. Sichtbar sind nur die Folgen, also treffendere Vorschläge und mehr Zeit in der App. Genau deshalb lohnt es sich zu wissen, dass hinter dem nächsten Video kein Zufall steckt, sondern eine sehr gezielte Vorhersage.