Recommender-System

Ein Recommender-System ist ein Programm, das Vorschläge macht. Es beobachtet, was du bisher angeschaut, gekauft oder weggeklickt hast. Daraus schätzt es, was dich als Nächstes interessieren könnte. Wenn ein Streamingdienst dir eine Serie auf der Startseite anbietet, hat so ein System diese Auswahl getroffen. Der deutsche Begriff dafür lautet Empfehlungssystem, gemeint ist dasselbe. Wichtig ist: Das System kennt dich nicht persönlich, es rechnet nur mit deinem Verhalten und dem von Millionen anderen.

Wer die Startseite füllt, lenkt die Aufmerksamkeit

Das Angebot im Netz ist größer, als ein Mensch je durchsehen könnte. Ein großer Onlineshop führt hunderte Millionen Artikel. Eine Videoplattform bekommt pro Minute mehrere hundert Stunden neues Material. Ohne Vorauswahl wäre das unbenutzbar. Recommender-Systeme sind der Filter, der aus dieser Masse ein paar Dutzend Vorschläge macht.

Für Unternehmen hängt daran sehr viel Geld. Bei Streamingdiensten stammt ein Großteil der tatsächlich angesehenen Titel aus Empfehlungen und nicht aus der Suche. Bei Onlineshops steigern gute Vorschläge den Umsatz pro Besuch spürbar. Deshalb investieren Firmen wie Amazon, Spotify oder TikTok stark in diese Technik. TikTok gilt vielen sogar als Beispiel dafür, dass ein besonders gutes Empfehlungssystem allein ein Produkt erfolgreich machen kann.

Es gibt auch eine gesellschaftliche Seite. Wenn ein System vor allem Inhalte zeigt, die lange fesseln, kann es Aufregendes und Zugespitztes bevorzugen. Kritiker sprechen von Filterblasen: Man sieht immer mehr vom Gleichen. Deshalb schreibt die EU in ihrem Digitale-Dienste-Gesetz großen Plattformen vor, offenzulegen, nach welchen Kriterien empfohlen wird. Nutzer müssen dort außerdem eine Variante wählen können, die nicht auf ihr Profil zugeschnitten ist.

Von Nachbarn, Merkmalen und Klickwahrscheinlichkeiten

Der klassische Ansatz heißt kollaboratives Filtern. Die Idee dahinter ist einfach: Menschen mit ähnlichem Geschmack mögen ähnliche Dinge. Das System sucht also Nutzer, deren bisherige Bewertungen zu deinen passen. Was diese Nachbarn gut fanden und du noch nicht kennst, wird dir vorgeschlagen. Dafür muss niemand wissen, worum es in einem Film inhaltlich geht.

Der zweite Ansatz heißt inhaltsbasiertes Filtern. Hier beschreibt man jeden Artikel durch Merkmale, etwa Genre, Sprache, Erscheinungsjahr oder Preisklasse. Mochtest du drei skandinavische Krimiserien, bekommst du eine vierte. Beides zusammen ergibt in der Praxis die besten Ergebnisse. Moderne Systeme nutzen zusätzlich neuronale Netze, also lernfähige Rechenmodelle, die aus Rohdaten selbst passende Merkmale herausarbeiten.

Technisch läuft das meist in zwei Stufen. Zuerst wählt ein schneller Schritt aus Millionen Objekten einige hundert Kandidaten aus. Danach sortiert ein genaueres Modell diese Kandidaten nach geschätzter Klick- oder Kaufwahrscheinlichkeit. Ein bekanntes Problem heißt Kaltstart: Über neue Nutzer und neue Produkte gibt es noch keine Daten. Dann behilft man sich mit allgemeinen Trends oder wenigen Angaben aus der Anmeldung.

Vom Supermarktregal bis zur Nachrichten-App

Im Alltag begegnest du der Technik täglich, oft ohne Hinweis darauf. Die Reihenfolge deines Social-Media-Feeds, die Vorschlagsliste nach einem Video, der Abschnitt « Kunden kauften auch » im Shop: alles Empfehlungssysteme. Auch Musikdienste stellen damit wöchentliche Playlists zusammen. Manche Nachrichtenportale sortieren ihre Startseite auf dieselbe Weise.

In Wirtschaftsnachrichten taucht der Begriff meist in drei Zusammenhängen auf: bei Quartalszahlen von Plattformen, bei Regulierungsdebatten und bei Datenschutzfragen. Ein häufiger Irrtum ist, dass diese Systeme Gespräche mithören müssten, um so treffend zu raten. In Wirklichkeit reichen dafür Klicks, Verweildauer und Vergleiche mit Millionen ähnlicher Profile. Verwechseln sollte man Recommender-Systeme auch nicht mit Suchmaschinen: Bei der Suche formulierst du selbst einen Wunsch, bei der Empfehlung schätzt das System ihn ohne Frage.