Deep Learning für Empfehlungsdienste – ein neuer Trend?
Im Rahmen seiner Masterarbeit hat sich Mitarbeiter Jörg mit dem Thema Deep Learning für Empfehlungsdienste auseinandergesetzt.
Spannend finden auch wir, und möchten Sie daher in einer kurzen Zusammenfassung über die erlangten Kenntnisse informieren.
Zunächst was bedeutet Deep Learning?
Deep Learning ist Teil des Machine Learnings und nutzt neuronale Netze, sowie große Datenmengen. Durch Analyse der Daten, werden neue Informationen verknüpft und das System lernt – ähnlich dem menschlichen Gehirn.
Jörg: „Anstatt mathematischen Regeln von menschenhand zu folgen,
greifen diese Algorithmen auf ihre selbst erlernten / definierten Methoden zurück. Diese sind für Menschen oft nicht nachvollziehbar.
Theoretisch können diese Algorithmen mit jeglicher Art von Daten umgehen, was sie so Interessant macht. Allerdings wird Deep Learning bisher überwiegend für Einsatzgebiete wie Gesichtserkennung oder Spracherkennung verwendet.“
Wie entstand die Idee Deep Learning für Empfehlungsdienste näher zu betrachten?
Jörg: „Empfehlungsdienste erlangen immer mehr an Beliebtheit. Viele große Firmen,
vor allem jene, die ihren Hauptgewinn über Onlineportale erzielen, so wie YouTube,
Netflix, Spotify oder Amazon, setzen diese Systeme ein, um ihren Service zu
verbessern. Dies ist der immer weiter anwachsenden Menge an Daten und
Informationen geschuldet. Ein weiteres Forschungsgebiet, das sich in den letzten
Jahren gut entwickelt hat, ist die der Untersuchung von Deep Learning Verfahren.
Da diese Algorithmen gut mit vielen Daten umgehen können stellt sich die Frage, ob
man Deep Learning für Empfehlungsdienste verwenden kann.“
Welche Vor- und Nachteile bietet das Deep Learning in Bezug auf Empfehlungsdienste?
Klarer Vorteil: Das System lernt selbstständig, was den Aufwand manueller Datenpflege quasi einstellt. Es kann Zusammenhänge erkennen, Objekte erkennen und Informationen extrahieren.
Mögliches Beispiel: Den Wetterbericht mit in das System einfließen lassen. das System würde wahrscheinlich nach einiger Lernzeit zum Wetter passende Produkte vorschlagen, z.B. Sonnencreme.
Der Nachteil an Deep Learning ist, dass es wirklich sehr sehr viele Daten benötigt, um lernen zu können.
Zudem ist die Konfiguration nicht ganz einfach. Wenn es aber läuft, läuft es ausgesprochen gut.
Fazit:
„Aktuell gibt es noch keine bekannten Projekte mit Deep Learning für Empfehlungsdienste. Die daraus resultierenden Ergebnisse wären aber sicher spannend und auch aufschlussreich. Allerdings wird sich diese Methode nur bei sehr großen Shops mit einem hohen Kundenanteil, sehr vielen Produkten und sehr vielen Bestellungen durchsetzen können.“
FDI wird dieses zukunftsorientierte Thema natürlich weiter verfolgen.
Weiterlesen