Der kommerzielle Erfolg des stationären Internets hat für den Beginn eines neuen Informationszeitalters gesorgt. Täglich Emails zu empfangen und zu versenden ist für den Menschen des 21. Jahrhunderts genauso selbstverständlich geworden wie das Telefonieren. Er knöpft im Internet Kontakte, tätigt online Überweisungen und nutzt es als Einkaufsmöglichkeit oder Informationsmedium. Doch das Auffinden der für ihn relevanten Informationen oder die Produktauswahl in Online-Shops gerät in Anbetracht der im Vergleich zum realen Leben wesentlich größeren Produktpalette und der Informations- und Datenflut schnell zur Sisyphusarbeit. Das zentrale Problem des Information Overflows ist somit eines der grundlegenden der Informatik, die Nadel in einem exponentiell wachsenden Heuhaufen zu finden. In realen Geschäften stehen Fachverkäufer bereit, um individuelle Kaufempfehlungen auszusprechen oder den Informationsbedarf individuell zu befriedigen. Doch wer übernimmt diese Beratung in der Online-Welt? Und was genau sind individuell relevante Informationen? Welche Informationen sind gut und welche eher weniger und wie finde ich schließlich die qualitativ bessere und für das einzelne Individuum nützlichere Information? Hierfür bedienen sich Unternehmen und Dienstleister so genannter Empfehlungssysteme, die Suchenden Empfehlungen generieren, welche Informationen, welche Produkte oder welche Dienstleistungen für ihre Bedürfnisse am besten geeignet sind. Gleichzeitig werden diese Systeme von Unternehmen verwendet, ihre Kunden bei der Produktsuche zu unterstützen und ihr Angebot durch gezielte Werbung zu individualisieren und personalisieren, den Kunden an sich zu binden und in letzter Konsequenz den Unternehmensgewinn zu maximieren. Dieses Buch stellt die verschiedenen Arten und die zugrunde liegenden Algorithmen von Empfehlungssystemen dar und veranschaulicht diese anhand zahlreicher Praxisbeispiele. Ebenso wird die Geschichte des mobilen Internets beleuchtet und der Einzug von solchen Systemen auf Handys, Smartphones oder PDAs dargestellt. Insbesondere wird hierbei, bedingt durch die eingeschränkten technischen Möglichkeiten, auf die Transparenz von Empfehlungssystemen eingegangen. Der letzte Teil beschäftigt sich schließlich mit der Entwicklung eines Prototyps eines mobilen Empfehlungssystems einer sozialen Community.

Textprobe: Kapitel 3.4, Selektion des Inhalts transparenter Empfehlungen: Kontext- und situationsabhängig variiert der Informationsgehalt von Erklärungen in einem Empfehlungssystem. In welchem Ausmaß welche Informationen (über das Zustandekommen einer Empfehlung) preisgegeben werden, ist abhängig von der Art des zugrunde liegenden Systems sowie von der Entscheidung der Anbieter inwieweit Informationen über den Empfehlungsprozess veröffentlich werden sollen. Dieser Abschnitt beschreibt, welche Informationen Erklärungen grundsätzlich beinhalten können. Abstrakte Beschreibung des Algorithmus: Eine Möglichkeit Transparenz zu implementieren, die bei allen Empfehlungssystemen gleich ist, ist die Offenlegung der Technik, welche vom System zur Empfehlungsgenerierung verwendet wird. In einfachen und verständlichen Worten wird dem Nutzer beschrieben wie das System grundsätzlich arbeitet und welche Informationen dabei verarbeitet werden um Empfehlungen auszusprechen. Informationen über Eigenschaften eines Objektes: Die Angabe der Eigenschaften, die über formular- oder regelbasierte Systeme zur Generierung einer Empfehlung verwendet werden, erhöht die Transparenz von Empfehlungen, die mittels dieser Technik erstellt wurden. So ist es sinnvoll und für den Nutzer besser nachzuvollziehen warum er ein bestimmtest Objekt empfohlen bekommt, wenn die entsprechenden Eigenschaften explizit aufgelistet sind. Eigenschaften und ihre Ausprägungen bestehen beispielsweise aus Öffnungszeiten oder Entfernungen zu einem bestimmten Objekt oder anderen Eigenschaften, welche der Anwender vorher im formular- oder regelbasierten System angegeben hat. Je nach Situation und Kontext können dies z.B. Eigenschaften eines Restaurants (Entfernung, Öffnungszeiten, Küche, Ambiente etc), eines aktuellen Kinofilms (Standort des Kinos, Startzeiten des Films, Darsteller, Genre etc.) oder auch eines Produktes (LCD-TV, 699,- Euro, 2x HDMI, 42`` Bildschirm, usw.) sein. Informationen über Ratings und Bewertungen anderer Nutzer: Zu einem empfohlenen Produkt, einer empfohlenen Dienstleistung oder Information zusätzlich den Mittelwert aller für dieses Objekt bisher abgegeben Bewertung anzuzeigen ist eine weitere Option die Empfehlung zu begründen. Insbesondere bei Empfehlungen der ‘Top-N-Items’ oder des ‘Most-Popular-Items’ einer Kategorie erhöht diese Information die Transparenz der Empfehlung. Weitere Informationen in diesem Kontext, welche die Transparenz erhöhen, sind Angaben über die Anzahl aller bisher abgegebenen Ratings für ein Objekt, das Hinzufügen von ‘Kundenrezensionen’ oder ‘Kritiken’ oder Informationen über gewonnene Preise oder Awards. Informationen über ähnliche Objekte: Systeme, die mittels Attribute-Based Filtering Empfehlungen generieren, erhöhen die Transparenz einer ausgesprochenen Empfehlung, indem Nutzern angezeigt wird, welche anderen Objekte j zu einer spezifischen Empfehlung geführt haben. Vertiefend ist es möglich auch die Eigenschaften i der Objekte darzustellen, die speziell zu einer bestimmten Empfehlung beigetragen haben. Informationen über ähnliche Nutzer: Basiert eine Empfehlung auf der Technik des Collaborative Filtering, können Informationen über ähnliche Nutzer veröffentlicht werden um die Transparenz der Empfehlung zu erhöhen. Dem aktiven Nutzer a kann beispielsweise angezeigt werden, wie ähnliche Nutzer (Mentoren) ein bestimmtes Objekt bewertet haben. Zusätzlich kann der aktive Nutzer sich auch die einzelnen Profile der Mentoren anzeigen lassen um zu verstehen welche Präferenzen zur Empfehlungsgenerierung verwendet wurden. Kombination verschiedener Erklärungen: Durch Kombinieren verschiedener Informationen über das Zustandekommen einer Empfehlung kann deren Transparenz aus Anwendersicht erhöht werden. So ist es beispielsweise möglich vor der Empfehlungsgenerierung eine abstrakte Erklärung des zu Grunde liegenden Algorithmus darzustellen und je nach System weitere der oben dargestellten Informationen einzeln oder in Kombination zu implementieren. Wie diese Informationen in Empfehlungssystemen visualisiert werden können und welche Visualisierungsmöglichkeiten mehr oder weniger geeignet sind um dem Anwender die Erklärung verständlich darzustellen ist Thema des nächsten Abschnitts. Selektion der Visualisierungsmöglichkeiten transparenter Empfehlungen: Visualisierung der abstrakten Beschreibung des Algorithmus: Erklärt ein Empfehlungssystem dem Anwender das Zustandekommen einer Empfehlung mittels Beschreibung der grundlegenden Funktionsweise des Systems, wird auf textbasierte Visualisierung zurückgegriffen. Darstellungen anderer Art sind weniger denkbar, da eine Erklärung der Funktionsweise mittels anderer Methoden wie z.B. einer Graphik ohne textbasierte Beschreibung für den Laien nicht verständlich wäre. Visualisierung der Informationen über Eigenschaften eines Objektes: Kontextabhängig können Eigenschaften und Eigenschaftsausprägungen eines Objektes unterschiedlich visualisiert werden. Handelt es sich um produktspezifische Angaben wie beispielsweise die technischen Angaben bei einem Personal Computer, so werden diese Ausprägungen (Preis, Festplattengröße, Arbeitsspeicher, Laufwerk, Betriebssystem, Grafikkarte, Mainboard, Netzwerkanschluss, Software, usw.) numerisch und textbasiert dargestellt. Ist ein Objekt durch binäre Eigenschaften beschrieben, ist die Visualisierung mittels einfacher Icons möglich. Beispielsweise könnte die ‘Verfügbarkeit’ von Tickets in einem Empfehlungssystem für Kinofilme oder Konzerte durch ein rotes bzw. grünes Symbol visualisiert werden. Visualisierung der Informationen über Ratings und Bewertungen anderer Nutzer: Einzelne oder durchschnittliche Ratingwerte eines Objektes lassen sich mittels numerischer oder graphischer Visualisierung darstellen. Die Darstellung eines Ratingwertes bei numerischer Visualisierung erfolgt in der expliziten Angabe der (gerundeten) Werte im Vergleich zum Maximalwert (z. B.: ‘4.3/5’). Bei graphischer Visualisierung dieser Information werden Skalen, Diagramme oder Histogramme genutzt. In der Praxis greift man hauptsächlich auf die numerische Angabe oder, bei graphischer Visualisierung, auf eine Balken- oder Sternenskala zurück und verbindet diese mit der zusätzlichen Angabe der insgesamt für dieses Objekt abgegebenen Ratings.

• Empfehlungssysteme

• Transparenz

• E-Commerce

• soziale Netzwerke

• Visualisierung

• mobil

Marcus Stolzenberger, Diplom-Kaufmann, Studium der Betriebswirtschaft an der Johann Wolfgang Goethe-Universität in Frankfurt am Main. Abschluss 2008 als Diplom-Kaufmann. Derzeitig tätig als Berater im Personalmanagement.