Inhaltsbasiertes Filtern

Inhaltsbasiertes Filtern empfiehlt Items, die den Items ähneln, die ein Benutzer bereits bevorzugt hat, und stützt sich dabei auf die eigenen Features der Items (Text, Genre, Tags). Anders als kollaboratives Filtern benötigt es keine anderen Benutzer und umgeht daher das Kaltstartproblem für Items.

Die Grundidee: Wandeln Sie jedes Item in einen numerischen Vektor um, der seinen Inhalt beschreibt, und messen Sie anschließend die Ähnlichkeit zwischen den Vektoren. Für Textbeschreibungen ist TF-IDF das klassische Verfahren, um solche Vektoren zu erstellen.

TF-IDF (Term Frequency-Inverse Document Frequency) gewichtet Wörter danach, wie häufig sie in einem Item vorkommen, und reduziert gleichzeitig das Gewicht von Wörtern, die in allen Items häufig sind. Seltene, charakteristische Wörter erhalten hohe Gewichte und erfassen so, was ein Item einzigartig macht.

scikit-learn wandelt eine Liste von Item-Beschreibungen in zwei Zeilen in eine TF-IDF-Matrix um.

Die tfidf_matrix hat die Form (n_items, n_terms): eine Zeile pro Item und eine Spalte pro eindeutigem Wort im Vokabular. Sie ist dünn besetzt, da die meisten Items nur einen Bruchteil aller Wörter verwenden.

Nützliche Parameter sind: stop_words entfernt häufige Wörter, max_features begrenzt die Größe des Vokabulars und ngram_range=(1,2) schließt für umfangreichere Features auch Zweiwort-Phrasen ein.

Berechnen Sie die paarweise Ähnlichkeit zwischen allen Items. Das Ergebnis ist eine n_items x n_items-Matrix, deren Zellen angeben, wie ähnlich die Beschreibungen zweier Items sind.

Da TF-IDF-Vektoren standardmäßig L2-normalisiert sind, liefert linear_kernel dasselbe Ergebnis wie die Kosinusähnlichkeit, ist aber schneller. Das ist eine gängige Optimierung für große Kataloge.

Um ein Item anhand seines Namens nachzuschlagen, erstellen Sie einen umgekehrten Index, der Titel auf Zeilenpositionen abbildet.

Übergeben Sie einen Titel, rufen Sie die zugehörige Ähnlichkeitszeile ab, sortieren Sie sie absteigend, überspringen Sie das Item selbst und geben Sie die ähnlichsten Treffer zurück.

Stärken: Funktioniert auch für ganz neue Items, und die Empfehlungen sind erklärbar („weil diese Wörter übereinstimmen“).

Grenzen: Das Verfahren bleibt auf die bekannten Vorlieben eines Benutzers beschränkt (Überspezialisierung) und kann keine überraschenden, genreübergreifenden Treffer entdecken, wie es kollaboratives Filtern kann.

Testen Sie Ihr Wissen über inhaltsbasiertes Filtern.

Sie haben inhaltsbasiertes Filtern aufgebaut: TfidfVectorizer wandelt Beschreibungen in eine (n_items, n_terms)-Matrix um, cosine_similarity vergleicht Items und get_recommendations gibt die ähnlichsten Items zurück (wobei das Item selbst übersprungen wird). Das Verfahren bewältigt das Kaltstartproblem, birgt aber das Risiko einer Überspezialisierung. Als Nächstes folgen hybride Systeme und Evaluierungsmetriken.