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