DE10247927A1

DE10247927A1 - Verbessertes Verfahren zum Bewerten von Einheiten innerhalb eines Empfehlungssystems auf der Grundlage zusätzlicher Kenntnisse über die Verknüpfung der Einheiten untereinander

Info

Publication number: DE10247927A1
Application number: DE10247927A
Authority: DE
Inventors: Frank Berghofer; Lars Gendner; Gerhard Schrimpf; Hermann Stamm-Wilbrandt; Michael Tsakonas
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2001-10-31
Filing date: 2002-10-15
Publication date: 2003-07-31
Also published as: US20030110056A1

Abstract

Die vorliegende Erfindung betrifft ein rechnergestütztes Verfahren und entsprechende Mittel zum Bewerten einer Einheit innerhalb eines Empfehlungssystems. Erfindungsgemäß wird vorgeschlagen, zusätzliche externe Kenntnisse über die Verknüpfung zwischen bewertbaren Einheiten zu benützen, um implizit von einer ersten EInheit, die explizit von einem bestimmten Anwender bewertet wird, implizite Bewertungen für Einheiten abzuleiten, die mit der explizit bewerteten Einheit verknüpft sind. DOLLAR A Daher werden, als Reaktion auf eine erste explizite Bewertung, eine erste Einheit die folgenden Schritte vorgeschlagen: DOLLAR A In einem Schritt (A), Bestimmen eines ersten Satzes einer oder eine Vielzahl verknüpfter Einheiten für die erste Einheit auf der Grundlage einer vordefinierten Einheiten-Verknüpfung, und DOLLAR A in einem Schritt (B), Speichern der ersten expliziten Bewertung der ersten Einheit im Empfehlungssystem, und DOLLAR A in einem Schritt (C), Speichern auch der ersten impliziten Bewertungen für den ersten Satz verknüpfter Einheiten im Empfehlungssystem.

Description

1. Der Erfindung zugrundeliegender allgemeiner Stand der Technik

1.1 Gebiet der Erfindung

Die vorliegende Erfindung betrifft Mittel und ein Verfahren zum Empfehlen von Einheiten (Items) an einen bestimmten Anwender auf der Grundlage von Einheitenempfehlungen des gleichen sowie anderer Anwender des Systems. In weiteren Einzelheiten betrifft die vorliegende Erfindung eine Technologie zum Verbessern der Qualität von Empfehlungen und zum Erweitern des Bereichs potentieller Empfehlungen.

1.2 Beschreibung und Nachteile des Standes der Technik

Ein neues technologisches Gebiet mit ständig zunehmender Bedeutung ist die Domäne "kollaboratives Filtern" oder "soziales Filtern" von Informationen. Diese Technologien stellen eine neue Lösung des Informationsfilterns dar, das sich nicht mehr auf den "Inhalt" der Objekte bezieht, wie es beim inhaltsbezogenen Filtern der Fall ist. Statt dessen verläßt sich das Filtern auf Meta-Daten "über" die Objekte. Diese Meta-Daten können entweder automatisch erfasst werden, d. h., die Daten werden abgeleitet aus der Wechselwirkung des Anwenders mit dem System (zum Beispiel auf die Zeit, die zum Lesen von Artikeln aufgewendet wird, als Indikator für das Interesse), oder die Daten müssen freiwillig von den Anwendern des Systems beigesteuert werden. Im wesentlichen ist der Hauptgedanke, den Prozess des "Word-of-Mouth" (Mund-zu- Mund-Propaganda) zu automatisieren, durch den Leute Produkte oder Dienstleistungen gegenseitig empfehlen. Wenn jemand unter einer Vielzahl von Optionen wählen muss, mit denen er keinerlei Erfahrung hat, verläßt er sich häufig auf die Meinungen anderer, die diese Erfahrungen haben. Wenn es jedoch Tausende oder gar Millionen von Optionen gibt, wie z. B. im Web, wird es praktisch für eine Einzelperson unmöglich, zuverlässige Sachverständige ausfindig zu machen, die über jede der Optionen einen Ratschlag geben können. Durch Überwechseln von einer Einzelperson zu einem kollektiven Empfehlungsverfahren kann das Problem leichter behandelt werden.

Anstatt jede Einzelperson um ihre Meinung zu fragen, könnte man versuchen, eine "durchschnittliche Meinung" für die Gruppe festzulegen. Das ignoriert jedoch eine besondere Meinung einer bestimmten Person, die sich von der Meinung der "Durchschnittsperson" unterscheiden kann. Man würde somit vorziehen, die Meinungen derjenigen Personen zu hören, die ähnliche Interessen haben wie man selber, das heißt, man würde eine Art "Arbeitsteilung" der Organisation vorziehen, in der Leute nur zu der Domäne beitragen, auf die sie spezialisiert sind.

Der grundlegende Mechanismus hinter den kollaborativen Filtersystemen ist wie folgt:

- die Präferenzen einer großen Gruppe von Leuten werden registriert;
- mit Hilfe einer Ähnlichkeitsmetrik wird eine Teilgruppe von Leuten ausgewählt, deren Präferenzen ähnlich denen der Person sind, die Rat sucht;
- ein (möglichst gewichteter) Durchschnitt der Präferenzen für diese Teilgruppe wird berechnet;
- die sich ergebende Präferenzfunktion wird benutzt, Optionen zu empfehlen, über die der Ratsuchende noch keine persönliche Meinung ausgedrückt hat.

Typische Ähnlichkeitsmetriken sind Pearson Korrelationskoeffizienten zwischen den Präferenzfunktionen der Anwender und (weniger häufig) Vektor-Abstände oder Skalarprodukte.

Wenn die Ähnlichkeitsmetrik allerdings Leute mit ähnlichem Geschmack ausgewählt hat, besteht eine große Wahrscheinlichkeit, dass die von diesen Leuten hoch bewerteten Optionen auch vom Ratsuchenden gewürdigt werden. Die typische Anwendung ist die Empfehlung von Büchern, Musik-CDs oder Filmen. Allgemeiner gesagt, das Verfahren kann benutzt werden zur Auswahl von Schriftstücken, Dienstleistungsprodukten jeder Art oder im allgemeinen von Hilfsmitteln jeder Art. In der Welt vor dem Internet, können Bewertung und Empfehlungen sogar von Diensten erbracht werden, wie:

- Zeitungen, Magazine, Bücher, die von ihren Redakteuren oder Herausgebern bewertet werden, die Informationen auswählen, von denen sie annehmen, dass ihre Leser sie haben wollen.
- Verbraucherorganisationen und Handelsmagazine, die Produkte beurteilen und bewerten.
- Veröffentlichte Übersichten über Bücher, Musik, Theater, Filme usw.
- Gleichberechtigte Rezessionsverfahren zur Auswahl von Vorlagen an wissenschaftliche Journale.

Beispiele für diese Technologien sind zum Beispiel die Lehren von John B. Hey, System and Method of Predicting Subjective Reactions, US-Patent 4870579, oder John B. Hey, System and Method for Recommending Items, US-Patent 4996642, beide übertragen an Neonics Inc., sowie Christopher B. Bergh, Max E. Metral, David Henry Ritter, Jonathan Ari Sheena, James J. Sullivan, Distributed System for Facilitating Exchange of User Information and Opinion using Automated Collaborative Filtering, US-Patent 6,112,186, übertragen an Microsoft Corporation.

Trotz aller dieser Fortschritte, und besonders aufgrund der steigenden Bedeutung des Internet, das die Zugriffstechnologie und Kommunikations-Infrastruktur für Empfehlungssysteme vorsieht, besteht im Fachgebiet weiterhin ein Bedarf nach Verbesserung.

1.3 Aufgabe der Erfindung

Die Erfindung gründet sich auf die Aufgabe, die Qualität der individuellen Empfehlungen von Empfehlungssystemen zu verbessern, ohne die Leistung zu verschlechtern.

Eine weitere Aufgabe der vorliegenden Erfindung ist es, die offensichtliche Reluktanz der meisten Anwender zu kompensieren, zu viel Informationen preiszugeben, sei es wegen der Auslastung oder aus privaten Erwägungen.

Noch eine weitere Aufgabe ist es, den Bereich für potentielle Empfehlungen zu erweitern, der durch die Technologie auf dem augenblicklichen Stand der Technik begrenzt ist, weil die Anwender nur durch die individuelle Bewertung durch eben diese Anwender gekennzeichnet sind.

2. Zusammenfassung und Vorteile der Erfindung

Die Aufgaben der Erfindung werden durch die unabhängigen Ansprüche gelöst. Weitere vorteilhafte Anordnungen und Ausführungsformen der Erfindung werden in den entsprechenden Unteransprüchen dargelegt.

Die vorliegende Erfindung betrifft Mittel und ein Rechnergestütztes Verfahren zum Bewerten einer Einheit in einem Empfehlungssystem. Erfindungsgemäß wird vorgeschlagen, zusätzliche externe Kenntnisse über die Verknüpfungen zwischen den bewertbaren Einheiten auszuwerten, um aus der ersten Einheit, die explizit von einem bestimmten Anwender bewertet wird, implizit Bewertungen für Einheiten abzuleiten, die mit der explizit bewerteten Einheit verknüpft sind.

Somit werden als Reaktion auf ein erstes explizites Bewerten für eine erste Einheit die folgenden Schritte vorgeschlagen:
In einem Schritt (A) für die erste Einheit Bestimmen eines ersten Satzes einer oder einer Vielzahl verknüpfter Einheiten auf der Grundlage einer vordefinierten Verknüpfung, und
in einem Schritt (B) Speichern der ersten expliziten Bewertung der ersten Einheit innerhalb des Empfehlungssystems, und
in einem Schritt (C) Speichern auch der ersten impliziten Bewertungen für den ersten Satz verknüpfter Einheiten innerhalb des Empfehlungssystems.

Somit ermöglicht die vorliegende Erfindung den Zugriff auf zusätzliche implizite Bewertungsinformationen, die in einer einzigen Empfehlung eingeschlossen sind, die ein erster Anwender empfängt. Die implizite externe Kenntnis über die Verknüpfungen von Einheiten, die am Empfehlungssystem beteiligt sind, ermöglichen die Charakterisierung eines bestimmten Anwenders, der eine spezifische, individuelle Einheit bewertet hat, durch weitere implizite oder abgeleitete Bewertungen zusätzlicher Einheiten, die eine vordefinierte Verknüpfung mit der konkret bewerteten Einheit aufweisen. Das ergibt ein genaueres "Bild" eines jeden individuellen Anwenders, auch in Fällen, in denen Anwender zögern, explizite Bewertungen für Einheiten abzugeben. Die Tatsache, dass die vorgeschlagene Technologie zu einer extensiveren Charakterisierung eines einzelnen Anwenders führt, ist von signifikantem Vorteil bei der Bestimmung ähnlicher Anwender, die innerhalb des Empfehlungssystems angezogen werden; mit anderen Worten, die Ähnlichkeitsbestimmung zieht einen signifikanten Nutzen aus der impliziten Beurteilung von Bewertungsinformationen. Der Umstand, dass man in der Lage ist, Anwender zu bestimmen, die einem bestimmten Anwender ähnlicher sind, hat den Vorteil, dass ein signifikant erweiterter Umfang potentieller Empfehlungen bestimmt werden kann. Letztlich, und am bedeutsamsten, ermöglichen diese Techniken die beträchtliche Verbesserung der Qualität der individuellen Empfehlung.

3. Kurze Beschreibung der Zeichnungen

Fig. 1 gibt eine Übersicht über die Konzepte der Empfehlungssysteme.
Fig. 2 bezeichnet das erfindungsgemäß bevorzugte Layout der Datenstruktur, das Anwenderprofilen und Einheiten-Profilen gemeinsam ist.
Fig. 3 zeigt beispielhaft die Kombination von Anwender- Profilen und Einheiten-Profilen, die die zweidimensionale Verknüpfung widerspiegeln.
Fig. 4 visualisiert eine Ausführungsform einer vorgegebenen Verknüpfung zwischen Einheiten in der Form einer Hierarchie.
Fig. 5 widerspiegelt innerhalb eines beispielhaften Anwender-/Einheiten-Profils explizite Bewertungen von Einheiten, die von einem Anwender explizit bewertet wurden, sowie die entsprechenden verknüpften Einheiten, die auf der Grundlage des Beispiels der vordefinierten Verknüpfungen bestimmt wurden, die in Fig. 4 visualisiert sind, und ferner die entsprechenden abgeleiteten impliziten Bewertungen.
Fig. 6 visualisiert 2 unterschiedliche Ausführungsformen (eine sogenannte nicht-additive und eine additive Ausführungsform), die das Problem behandeln, wie zwei Sätze verknüpfter Einheiten, die aus zwei unterschiedlichen, explizit bewerteten Einheiten hervorgehen, zu einer resultierenden Bewertung innerhalb der Anwender-/Einheiten- Profile kombiniert werden können.
Fig. 7 zeigt die Hauptschritte der vorgeschlagenen Methodik der Ableitung implizierter Bewertungen für Einheiten, die mit einer explizit bewerteten Einheit verknüpft sind.

4. Beschreibung der bevorzugten Ausführungsform

In den Zeichnungen und Spezifikationen wurde eine bevorzugte Ausführungsform der Erfindung dargelegt, und obwohl spezifische Ausdrücke benutzt werden, verwendet die so gegebene Beschreibung die Terminologie nur in einem allgemeinen und beschreibenden Sinn und nicht für die Zwecke einer Einschränkung. Es ist jedoch offensichtlich, dass verschiedene Modifikationen und Änderungen verwendet werden können, ohne von Umfang und Wesensart der Erfindung abzuweichen, die in den anhängigen Ansprüchen dargelegt sind.
Die vorliegende Erfindung kann als Hardware, Software oder in einer Kombination von Hardware und Software verwendet werden. Jede Art Rechnersystem - oder ein sonstiges Gerät, das zum Ausführen der hier beschriebenen Methoden ausgelegt ist, ist dafür geeignet. Eine typische Kombination von Hardware und Software könnte ein allgemeines Rechnersystem sein, mit einem Rechnerprogramm, das durch Laden und Ausführung das Rechnersystem so steuert, dass es die hier beschriebenen Methoden ausführt. Die vorliegende Erfindung kann auch in ein Rechnerprogrammprodukt eingebettet sein, das alle Merkmale enthält, die die Implementierung der hier beschriebenen Methoden ermöglicht, und das - nach dem Laden auf ein Rechnersystem - diese Methoden ausführen kann.
Rechnerprogramm bedeutet bzw. Rechnerprogramm im vorliegenden Kontext bedeutet jeder Ausdruck in jeder Sprache, Code oder Schreibweise eines Anweisungssatzes, der bewirken soll, dass ein System, das eine Informationsverarbeitungsfähigkeit hat, eine bestimmte Funktion entweder direkt oder nach einem oder nach beiden der folgenden Schritte durchführt: a) Umwandlung in eine andere Sprache, Code oder Schreibweise; b) Wiedergabe in einer anderen materiellen Form.
Wie in der vorliegenden Beschreibung bereits angezögen, können zu empfehlende Einheiten (Items) Objekte jeder Art sein; wie bereits oben erwähnt, kann sich eine Einheit auf jede Art Quelle oder Ressource beziehen, die man sich nur denken kann.

4.1 Konzepte für Empfehlungssysteme

Hier nachfolgend siehe eine kurze Übersicht über die grundlegenden Konzepte von Empfehlungssystemen.
Nehmen wir jetzt bezug auf Fig. 1, ein Verfahren für Empfehlungseinheiten beginnt mit dem Speichern von Anwender- und Einheiten-Informationen in Profilen.
Eine Vielzahl von Anwender-Profilen wird in einem Speicher gespeichert (Schritt 102). Für jeden Anwendern kann ein Profil erstellt werden oder für einen Anwender können auch mehrere Profile erstellt werden, um diesen Anwender über mehrere Domänen darzustellen. Alternativ kann ein Anwender auch in einer Domäne durch mehrfache Profile dargestellt werden, wobei jedes Profil die Neigungen eines Anwenders in einem gegebenen Satz Umstände angibt. Zum Beispiel, ein Anwender, der Restaurants für eßbare Meerestiere an Freitagen, aber nicht an anderen Wochentagen meidet, könnte ein Profil haben, das die Restaurant-Prioritäten des Anwenders von Samstag bis einschl. Donnerstag zeigt, und ein zweites Profil, das die Restaurant-Prioritäten des Anwenders an Freitagen zeigt. In einigen Ausführungsformen zeigt ein Profil mehr als einen Anwender. Zum Beispiel läßt sich ein Profil erstellen, das eine Frau und ihren Ehemann zum Zweck des Auswählend von Filmen zeigt. Die Anwendung dieses Profils ermöglicht es, die Empfehlung für einen Film zu geben, der die Filmgeschmäcke der beiden Einzelpersonen zeigt. Zwecks Bequemlichkeit benutzt der Rest dieser Spezifikation den Ausdruck "Anwender", um auf einzelne Anwender des Systems sowie auch auf "zusammengesetzte Anwender" hinzuweisen. Speicher kann sein jeder im Fachgebiet bekannte Speicher, der in der Lage ist, Anwender-Profildaten abzuspeichern und das Aktualisieren der Anwender-Profile zuläßt, wie z. B. ein Plattenlaufwerksystem oder ein wahlfreier Zugriffsspeicher (RAM).
Jedes Anwenderprofil assoziiert Einheiten mit den Bewertungen, die diesen Einheiten vom Anwender gegeben werden. Jedes Anwenderprofil kann auch Informationen zusätzlich zu den Bewertungen des Anwenders abspeichern. In einer Ausführungsform speichert das Anwenderprofil Informationen über den Anwender, z. B. Namen, Anschrift oder Alter. In einer anderen Ausführungsform speichert das Anwenderprofil Informationen über die Bewertung, wie z. B. Zeit und Datum, wann der Anwender die Bewertung für diese Einheit eingegeben hat. Anwenderprofil kann jede Datenkonstruktion sein, die diese Assoziationen unterstützt, wie z. B. eine Matrix, obwohl vorzugsweise Anwenderprofile als verteilte Vektoren von n-Tupeln vorgesehen werden. Jedes n-Tupel enthält mindestens einen Identifikator, der die bewertete Einheit repräsentiert, und einen Identifikator, der die Bewertung repräsentiert, die der Anwender der Einheit zugeteilt hat, und kann jede Anzahl zusätzlicher Informationseinheiten enthalten, die die Einheit, die Bewertung oder beides betreffen. Einige der zusätzlichen in einem Anwenderprofil gespeicherten Informationsstücke können berechnet werden auf der Grundlage anderer Informationen im Profil, z. B. kann eine Durchschnittsbewertung für eine besondere Auswahl von Einheiten (z. B. Heavy Metal Plattenkassetten) berechnet und im Anwenderprofil gespeichert werden. In einigen Ausführungsformen sind die Profile als geordnete n-Tupel vorgesehen.
Wenn immer ein Anwenderprofil erstellt wird, kann eine Anzahl von Anfangsbewertungen für Einheiten vom Anwender eingeholt werden. Das kann gemacht werden durch Versorgen des Anwenders mit einem bestimmten Einheiten-Satz zum Bewerten entsprechend einer bestimmten Einheitengruppe. Gruppen sind Gattungen von Einheiten und werden nachstehend in weiteren Einzelheiten diskutiert. Andere Verfahren zum Einholen von Bewertungen vom Anwender, können sein: Manuelle Eingabe von Einheiten- Bewertungspaaren, in denen der Anwender einfach eine Liste von Einheiten und diesen zugeordnete Bewertungen eingibt; Anfordern von Bewertungen durch Datum des Eintrags in das System, d. h., Auffordern des Anwenders, die neuesten Einheiten zu bewerten, die dem System zugeführt wurden; Auffordern der Eingabe von Bewertungen für Einheiten, die die meisten Bewertungen haben; oder durch Zulassen, dass ein Anwender Einheiten bewertet, die ähnlich einer ersten Einheit sind, die vom Anwender ausgewählt wurde. In noch weiteren Ausführungsformen kann das System eine Anzahl Bewertungen verlangen durch Verfolgen der Umgebung des Anwenders. Zum Beispiel kann das System annehmen, dass Web-Sites, für die der Anwender "Bookmarks" erstellt hat, von diesem Anwender gern gesehen werden, und kann diese Sites als Ersteinträge im Anwenderprofil annehmen. Eine Ausführungsform benutzt alle oben beschriebenen Verfahren und überläßt es dem Anwender, die bestimmte Methode auszuwählen, die sie anzuwenden wünschen.
Bewertungen für Einheiten, die von Anwendern erhalten wurden, können jede Form annehmen, die es den Anwendern gestattet, subjektive Eindrücke von Einheiten auf der Grundlage ihrer Erfahrung mit der Einheit aufzunehmen. Zum Beispiel können Einheiten in alphabetischer Reihenfolge bewertet werden ("A" bis "F") oder nach einer numerischen Skala (1 bis 10). In einer Ausführungsform sind Bewertungen in Ganzzahlen von 1 (unterste) bis 7 (höchste) dargestellt. Jede Technik kann zum Eingeben dieser Bewertungen in ein Rechnersystem angewandt werden. Bewertungen können sogar von dem System aus dem Anwendungsmuster des Anwenders abgeleitet werden. Zum Beispiel kann das System verfolgen, wie lange der Anwender eine bestimmte Web-Seite anschaut und in das Anwenderprofil dieses Anwenders eine Anmerkung einspeichern, dass der Anwender diese Seite gerne sieht, unter der Anannahme, dass der Anwender die Seite um so lieber sieht, je länger er sie betrachtet. Alternativ kann ein System die Aktionen des Anwenders verfolgen, um eine Bewertung einer besonderen Einheit für diesen Anwender festzustellen. Zum Beispiel kann das System schließen, dass ein Anwender eine Einheit besonders gern hat, die der Anwender an viele Leute mailt, und kann in das Profil des Anwenders eine Angabe eintragen, dass dem Anwender diese Einheit gefällt. Mehr als ein Aspekt des Anwenderverhaltens kann überwacht werden, um Bewertungen für diesen Anwender abzuleiten, und in einigen Ausführungsformen, kann das System einen höheren Vertrauensfaktor für eine Bewertung haben, die durch die Überwachung mehrfacher Aspekte des Anwenderverhaltens erschlossen wird. Vertrauensfaktoren werden nachstehend in näheren Einzelheiten diskutiert.
Profile für jede Einheit, die von mindestens einem Anwender bewertet wurden, können ebenfalls im Speicher gespeichert werden. Jedes Einheiten-Profil verzeichnet, wie bestimmte Anwender diese bestimmte Einheit bewertet haben. Jedes Datenkonstrukt, das der Einheit zugeordnete Bewertungen dem Anwender zuordnet, der die Bewertung zuordnet, kann benutzt werden. Bevorzugt ist, Einheitenprofile als Verteilervektor für n-Tupel vorzusehen. Jedes n-Tupel enthält wenigstens einen Identifikator, der mindestens einen bestimmten Anwender repräsentiert, und einen Identifikator, der die Bewertung repräsentiert, die Anwender der Einheit gegeben haben, und es kann weitere Informationen enthalten, wie oben im Zusammenhang mit den Anwenderprofilen beschrieben wurde.
Die jedem Einheit-bewertenden Paar zugeordnete zusätzliche Information kann vom System für verschiedene Zwecke benutzt werden, z. B. für das Zuordnen der Gültigkeit der Bewertungsdaten. Zum Beispiel, wenn das System Zeit und Datum aufzeichnet, an dem die Bewertung eingegeben oder aus der Umgebung des Anwenders abgeleitet wurde, kann es das Alter einer Bewertung für eine Einheit bestimmen. Eine Bewertung, die sehr alt ist, kann damit anzeigen, dass die Bewertung weniger gültig ist als eine erst kürzlich eingegebene Bewertung, zum Beispiel kann sich der Geschmack des Anwenders verändern oder im Lauf der Zeit "driften". Eines der Felder des n-Tupel kann darstellen, ob die Bewertung vom Anwender eingegeben wurde oder vom System abgeleitet wurde. Bewertungen, die das System selbst abgeleitet hat, können als weniger gültig angenommen werden, als Bewertungen, die der Anwender selbst eingegeben hat. Weitere Informationseinheiten können gespeichert werden und jede Kombination oder ein Teilsatz zusätzlicher Informationen kann benutzt werden, um eine Bewertungsgültigkeit zu beurteilen. In einigen Ausführungsformen kann diese Gültigkeits-Metrik als ein Vertrauensfaktor dargestellt werden, d. h. die kombinierte Wirkung von ausgewählten Informationsstücken, die im n-Tupel gespeichert sind, können als eine Zahl quantifiziert werden. In einigen Ausführungsformen kann diese Zahl als Prozentsatz, der die Wahrscheinlichkeit darstellt, dass die zugeordnete Bewertung falsch ist, oder als eine erwartete Abweichung der vorausgesagten Bewertung vom "richtigen" Wert ausgedrückt werden.
Auf Anwenderprofile wird zugegriffen zur Berechnung eines Ähnlichkeitsfaktors für jeden bestimmten Anwender im Hinblick auf alle anderen Anwender (Schritt 104). Ein Ähnlichkeitsfaktor stellt den Grad der Übereinstimmung zwischen zwei beliebigen Anwendern im Hinblick auf den Satz Einheiten dar. Die durchzuführende Berechnung kann so gewählt werden, dass der Ähnlichkeitsfaktor desto näher bei Null liegt, je näher zwei Anwender übereinstimmen.
Wenn immer eine Bewertung von einem Anwender eingeht oder von vom System aus dem Verhalten des Anwenders abgeleitet wird, kann auch das Profil dieses Anwenders sowie auch das Profil der bewerteten Einheit aktualisiert werden. Profil-Aktualisierungen können an einer einstweiligen Speicherstelle gespeichert und zu geeigneter Zeit eingegeben werden, oder Profile können aktualisiert werden, wenn eine neue Bewertung für diesen Anwender eingegeben oder abgeleitet wird. Profile können aktualisiert werden durch Anhängen eines neuen Werte-n-Tupel an den Satz der bereits existierenden n-Tupel im Profil, oder wenn die neue Bewertung eine Veränderung einer existierenden Bewertung ist, durch Überschreiben des entsprechenden Eintrags im Anwenderprofil. Das Aktualisieren eines Profils erfordert auch eine Neuberechnung aller Profileinträge, die sich auf andere Informationen im Profil gründen. Insbesondere immer dann, wenn ein Anwenderprofil mit dem neuen Bewertungseinheit-n-Tupel aktualisiert wird, müssen neue Ähnlichkeitsfaktoren zwischen dem Anwender und anderen Anwendern dieses Systems berechnet werden. In anderen Ausführungsformen werden Ähnlichkeitsfaktoren periodisch oder, ausgelöst durch ein anderes Stimulans, wie z. B. eine Veränderung eines Profils eines benachbarten Anwenders, neu berechnet. Die Ähnlichkeitsfaktoren für einen Anwender werden durch Verglichen des Profils dieses Anwenders mit dem Profil jedes anderen Anwenders im System berechnet. Das ist mit hohem Rechenaufwand verbunden, da die Reihenfolge der Berechnungen zum Berechnen von Ähnlichkeitsfaktoren auf diese Weise n² beträgt, wobei n die Anzahl der Anwender in diesem System ist. Es ist möglich, den rechnerischen Aufwand, der mit der Neuberechnung der Ähnlichkeitsfaktoren zusammenhängt, in Ausführungsformen, die Einheitenprofile abspeichern, durch zunächst Abrufen der Profile der neubewerteten Einheit und Bestimmen, welche anderen Anwender diese Einheit bereits bewertet haben, zu reduzieren. Die Ähnlichkeitsfaktoren zwischen dem neubewertenden Anwender und den Anwendern, die die Einheit bereits bewertet haben, sind die einzigen aktualisierten Ähnlichkeitsfaktoren. Im allgemeinen sollte ein Verfahren zum Berechnen von Ähnlichkeitsfaktoren zwischen Anwendern die Abweichung zwischen einer vorhergesagten Bewertung für eine Einheit und der Bewertung, die ein Anwender der Einheit wirklich geben würde, minimieren.
"Ähnlichkeitsfaktoren" zwischen Anwendern bezieht sich auf jede Größe, die den Grad der Übereinstimmung zwischen den Profilen zweier Anwender für einen bestimmten Satz Einheiten ausdrückt. Die nachstehenden Verfahren zum Berechnen des Ähnlichkeitsfaktors sind beispielhaft und keinesfalls erschöpfend zu verstehen. Je nach der Einheitendomäne erzeugen verschiedene Methoden optimale Ergebnisse, da Anwender in unterschiedlichen Domänen unterschiedliche Erwartungen für die Bewertungsgenauigkeit oder Empfehlungsschnelligkeit haben. Unterschiedliche Verfahren können in ein und derselben Domäne benutzt werden, und in einigen Ausführungsformen ermöglicht es das System den Anwendern, die Methode auszuwählen, nach der sie ihre Ähnlichkeitsfaktoren erzeugen wollen.
In der nachstehenden Beschreibung von Methoden repräsentiert D_xy den Ähnlichkeitsfaktor, der zwischen den zwei Anwendern x und y berechnet wurde. H_ix ist die Bewertung, die der Anwender x der Einheit i gegeben hat, I stellt alle Einheiten in der Datenbank dar, und C_ix ist eine Boole'sche Größe, die 1 beträgt, wenn der Anwender x die Einheit i bewertet hat, und 0, wenn der Anwender x diese Einheit nicht bewertet hat.
Ein Verfahren zum Berechnen der Ähnlichkeit zwischen einem Anwenderpaar ist das Berechnen des Mittelwerts der Quadrate der Differenz zwischen ihren Bewertungen für gegenseitig bewertete Einheiten. Somit wird also der Ähnlichkeitsfaktor zwischen den Anwendern x und y berechnet durch Subtrahieren der Bewertung, die einer Einheit von Anwender y gegebene wird, von der Bewertung, die der gleichen Einheit vom Anwender x gegeben wird, und Quadrieren der Differenz, für jede Einheit, die von beiden Anwendern bewertet wird. Die Quadrate der Differenzen werden summiert und durch die Gesamtanzahl aller bewerteten Einheiten dividiert. Dieses Verfahren wird mathematisch durch den folgenden Ausdruck wiedergegeben:
Ein ähnliches Verfahren zum Berechnen des Ähnlichkeitsfaktors zwischen einem Anwenderpaar ist das Dividieren der Summe der Quadrate der Bewertungsdifferenzen durch die Anzahl der bewerteten Einheiten durch beide Anwender hoch eine Zahl. Dieses Verfahren wird durch die folgende mathematische Formel ausgedrückt:

wobei |c_xy| die Anzahl der Einheiten ist, die von beiden Anwendern bewertet werden.
Ein drittes Verfahren zum Berechnen des Ähnlichkeitsfaktors zwischen Anwendern versucht, in die Berechnung den Grad des Profil-Überlappens als Faktor einzuführen, d. h. die Anzahl der Einheiten, die von beiden Anwendern bewertet werden, im Vergleich zur Gesamtanzahl der Einheiten, die von dem einen oder vom anderen Anwender bewertet werden. Dabei wird für jede Einheit, die von beiden Anwendern bewertet wird, die Bewertung, die einer Einheit vom Anwender y gegeben wird, von der Bewertung subtrahiert, die der gleichen Einheit vom Anwender x gegeben wird. Diese Differenzen werden quadriert und dann summiert. Die Größe der Profilüberlappung wird berücksichtigt durch Dividieren der Summe der quadrierten Bewertungsdifferenzen durch eine Größe gleich der Anzahl der Einheiten, die wechselseitig von den Anwendern bewertet werden, subtrahiert von der Summe der Anzahl der Einheiten, die von Anwender x bewertet werden, und der Anzahl der Einheiten, die von den Anwendern y bewertet werden. Dieses Verfahren wird mathematisch ausgedrückt durch:

dabei ist |c_xy| die Anzahl der von den Anwendern x und y wechselseitig bewerteten Einheiten.
In einer weiteren Ausführungsform ist der Ähnlichkeitsfaktor zwischen zwei Anwendern ein Pearson r Korrelationskoeffizient. Alternativ kann der Ähnlichkeitsfaktor durch Eingrenzen des Korrelationskoeffizienten mit einem vorgegebenen Bewertungsmittelwert A berechnet werden. Durch Benutzen der Eingrenzungsmethode kommt man auf den Korrelationskoeffizienten, der D_xy, repräsentiert, auf folgende Weise. Für jede Einheit, die von beiden Anwendern bewertet wird, wird A subtrahiert von der Bewertung, die die Einheit von Anwender x erhalten hat, und von der Bewertung, die die gleiche Einheit vom Anwender y erhalten hat. Diese Differenzen werden dann multipliziert. Das summierte Produkt der Bewertungsdifferenzen wird dividiert durch das Produkt von zwei Summen. Die erste Summe ist die Summe der quadrierten Differenzen des vordefinierten Bewertungsmittelwertes A und der Bewertung, die jeder Einheit vom Anwender x gegeben wird. Die zweite Summe ist die Summe der quadrierten Differenzen des vordefinierten Mittelwerts A und der Bewertung, die jeder Einheit vom Anwender y gegeben wurde. Diese Verfahren wird mathematisch ausgedrückt durch:

wobei U_x alle Einheiten repräsentiert, die von x bewertet werden, U_y alle Einheiten repräsentiert, die von y bewertet werden, und C_xy alle Einheiten repräsentiert, die sowohl von x als auch von y bewertet werden.
Die zusätzliche Information, die im n-Tupel enthalten ist, kann auch beim Berechnen des Ähnlichkeitsfaktors zwischen zwei Anwendern herangezogen werden. Zum Beispiel kann die Information gesondert betrachtet werden, um zwischen Anwendern zu unterscheiden, z. B. wenn ein Anwender dazu neigt, Einheiten nur in der Nacht zu bewerten, und ein anderer Anwender dazu neigt, Einheiten nur am Tage zu bewerten, können die Anwender im bestimmten Grad als unähnlich angesehen werden, unabhängig von dem Umstand, dass sie einen identischen Satz Einheiten gleich bewertet haben.
Unabhängig von, dem Verfahren, das benutzt wird, um sie zu generieren, oder ob die zusätzlichen im Profil enthaltenen Informationen benutzt werden, werden die Ähnlichkeitsfaktoren benutzt, um eine Vielzahl Anwender auszuwählen, die eine hochgradige Übereinstimmung mit einem Anwender haben (Schritt 106). Diese Anwender heißen "benachbarte Anwender" eines Anwenders. Ein Anwender kann als benachbarter Anwender gewählt werden, wenn der Ähnlichkeitsfaktor im Vergleich zum anfordernden Anwender besser ist als ein vorgegebener Schwellenwert L. Der Schwellenwert L kann auf jeden Wert gesetzt werden, der die Voraussagefähigkeit des Verfahrens verbessert. Im allgemeinen verändert sich der Wert L in Abhängigkeit von dem für die Berechnung des Ähnlichkeitsfaktors benutzten Verfahren, der Einheiten-Domäne, der Menge der Bewertungen, die eingegeben werden. In einer anderen Ausführungsform wird eine vorgegebene Anzahl Anwender aus den Anwendern ausgewählt, die einen besseren Ähnlichkeitsfaktor aufweisen als L, z. B. die oberen fünfundzwanzig Anwender. Bei Ausführungsformen, in denen Vertrauensfaktoren für jeden Anwender-Anwender-Ähnlichkeitsfaktor berechnet werden, können die benachbarten Anwender ausgewählt werden auf der Grundlage sowohl eines Schwellenwerts, der kleiner ist als L, als auch eines Vertrauensfaktors, der höher ist als ein zweiter vorgegebener Schwellenwert.
Der Benachbarte-Anwender-Satz eines Anwenders sollte jedesmal aktualisiert werden, wenn eine neue Bewertung von diesem Anwender eingegeben wird bzw. für diesen Anwender abgeleitet wird. Das setzt voraus, dass die Identität der benachbarten Anwender sowie alle Ähnlichkeitsfaktoren zwischen diesem bestimmten Anwender und seinen benachbarten Anwendern festgelegt wird. Ferner muss aufgrund der Aktualisierung einer bestimmten Bewertung eines ersten Anwenders der Satz der benachbarten Anwender eine Vielzahl von anderen Anwendern geändert werden. So kann z. B. dieser erste Anwender als Mitglied des Satzes benachbarter Anwender anderer Anwender eingefügt oder daraus entfernt werden müssen; es braucht nicht darauf hingewiesen zu werden, dass auch die betroffenen Ähnlichkeitsfaktoren neu berechnet werden müssen. Mit der zunehmenden Anzahl Anwender und den steigenden Auswertungen von Empfehlungssystemen wird diese Voraussetzung der ständigen Neuberechnung von vorberechneten benachbarten Anwendern und ihrer Ähnlichkeitsfaktoren eine echte Bearbeitungslast für solche Systeme. Daher ist es in vielen Anwendungen erwünscht, die Menge der Berechnungen zu verringern, die nötig sind, den richtigen Satz benachbarter Anwender beizubehalten, durch Begrenzung der Anzahl Anwenderprofile, die befragt werden müssen, um den Satz benachbarter Anwender zu erstellen. In einer Ausführungsform werden anstatt Aktualisieren der Ähnlichkeitsfaktoren zwischen einem bewertenden Anwender und jedem anderen Anwender des Systems (was eine Berechnungsgrößenordnung von n² ergibt), nur mehr die Ähnlichkeitsfaktoren zwischen den bewertenden Anwendern und den Nachbarn der bewertenden Anwender, sowie die Ähnlichkeitsfaktoren zwischen dem bewertenden Anwender und den Nachbarn der Nachbarn des bewertenden Anwenders, zu aktualisieren. Das begrenzt die Zahl der Anwenderprofile, die verglichen werden müssen, auf m² minus einen Grad einer Anwenderüberlappung zwischen den Nachbarsätzen, wobei m eine Zahl kleiner als n ist.
Sobald ein Satz benachbarter Anwender gewählt ist, wird jedem der benachbarten Anwender eine Gewichtung zugeteilt (Schritt 108). In einer Ausführungsform werden die Gewichtungen durch Subtrahieren des Ähnlichkeitsfaktors, der für jeden benachbarten Anwender aus dem Schwellenwert berechnet wurde, und Dividieren durch den Schwellenwert zugeordnet. Das gibt eine Anwendergewichtung, die höher ist, d. h. näher an 1 liegt, wenn der Ähnlichkeitsfaktor zwischen zwei Anwendern kleiner ist. Somit werden ähnliche Anwender höher gewichtet als andere, weniger ähnliche Anwender. In anderen Ausführungsformen kann der Vertrauensfaktor als Gewichtung für benachbarte Anwender benutzt werden. Natürlich können auch viele andere Wege gewählt werden, um benachbarten Anwendern auf der Grundlage der Ähnlichkeitsfaktoren Gewichtungen zuzuweisen.
Sobald den benachbarten Anwendern Gewichtungen zugewiesen sind, wird einem Anwender eine Einheit empfohlen (Schritt 110). Für Anwendungen, in denen positive Einheitenempfehlungen gewünscht sind, werden Einheiten empfohlen, wenn die benachbarten Anwender des Anwenders die Einheit ebenfalls hoch eingestuft haben. Für eine Anwendung, die Anwender von Einheiten abraten soll, werden Einheiten als abzuraten angezeigt, wenn die benachbarten Anwender des Anwenders der Einheit ebenfalls schlechte Bewertungen gegeben haben.
Wie bereits oben erwähnt, sind Empfehlungssysteme, die eine große Anzahl Anwender mit einer entsprechend hohen Aktualisierungsfrequenz für ihre Bewertungswerte bedienen, eine signifikante Rechnerbelastung für die Zuteilung der vorberechneten Ähnlichkeitsfaktoren und benachbarte Anwender. Auf dem Stand der Technik wird daher vorgeschlagen, dass die Ähnlichkeitsfaktoren nur periodisch neu berechnet werden oder nur als Reaktion auf irgendein anderes Stimulans neu berechnet werden. Dieser Weg wird in Fig. 1 dargelegt, wobei gezeigt wird, dass die Schritte 102 bis 110 zum Berechnen der vorberechneten benachbarten Anwender (einschließlich Ähnlichkeitsfaktoren, Gewichtungen und die benachbarten Anwender selbst) nur einmal ausgeführt werden (oder wenigstens nicht oft) und eine solide Grundlage zum Bearbeiten einer großen Vielzahl von individuellen Empfehlungsanforderungen im Schritt 111 vorsehen.
Die kritischsten Punkte beim Generieren von Anpassungen und/oder Empfehlungen sind die Effizienz, oder mit anderen Worten, die Leistung eines solchen Systems. Dieser Effizienz- Aspekt macht sich dem Anwender im Laufe seiner Erfahrung als Latenz des Systems bemerkbar, d. h. die erforderliche Bearbeitungszeit für die Empfehlungsanforderung eines Anwenders. Aus der Perspektive der Empfehlungssysteme selbst steht der Effizienz-Aspekt im Verhältnis zu der Häufigkeit, mit der Empfehlungsanforderungen in die Empfehlungssysteme zur Bearbeitung eingegeben werden. Für Online-Geschäfte ist die Latenz im nachgeordneten Bereich ein Muss.
In der europäischen Patentanmeldung mit der Anmeldungsnummer 01111407.1 von IBM als Anmelder ist ein anderer Typ eines Empfehlungssystems geoffenbart, der die Voraussetzung der Erstellung und Beibehaltung statischer, vorberechneter Ähnlichkeitsfaktoren, die konstant gespeichert werden, vermeidet. Gemäß dieser Lehre wird vorgeschlagen, auf zeitweiliger Basis nur für jede individuelle Empfehlungsanforderung eines bestimmten Anwenders, die Ähnlichkeitsfaktoren, die die Ähnlichkeit zwischen diesem Anwender und der Vielzahl Anwender misst, zu berechnen. Solche Techniken können auch auf die vorliegende Erfindung angewandt werden, da die vorliegende Erfindung unabhängig von der spezifischen Technik ist, wie und wann Ähnlichkeitsfaktoren berechnet werden.
Ein Beispiel einer potentiell stärker detaillierten Struktur der verschiedenen Profile (Anwenderprofile, Einheitenprofile) wird als nächstes diskutiert.
In dieser beispielhaften Ausführungsform wird vorgeschlagen, dass die Kombination von Anwenderprofilen und Einheitenprofilen aufgebaut wird von einer Vielzahl identischer Datenstrukturen, die jeweils eine Anwender-Identifikation und eine Einheiten-Identifikation sowie einen entsprechenden Bewertungswert (potentiell vergrößert durch berechnete Ähnlichkeitsfaktoren) besteht. Zwecks effizienter Anwendung des Rechnerspeichers sollte diese gemeinsame Datenstruktur der Größe nach beschränkt sein. Ein potentielles Layout dieser Datenstruktur, die gemeinsam Anwenderprofile und Einheitenprofile verarbeitet, ist in Fig. 2 dargestellt. Jeder Bewertungs- oder Nichtnull-Matrix-Eintrag wird dargestellt durch ein Tupel, das mindestens die folgenden Datenelemente enthält:
User-id: als Identifikation eines bestimmten Anwenders;
Item-id: als Identifikation einer bestimmten Einheit;
Next-user: als Link zu einer identischen Datenstruktur, das den nächsten Anwender in der Reihenfolge der User-ids kennzeichnet;
Next-item: als Link zu einer identischen Datenstruktur, das die nächste Einheit in einer Folge gemäß der Item-ids kennzeichnet;
Rating-value: Der Bewertungswert der durch ein Item-id gekennzeichneten Einheit, der von einem durch ein User-id gekennzeichneten Anwender eingegeben wird.
Diese Liste kann natürlich durch Ähnlichkeits-Faktoren noch erweitert werden, die durch Vergleichen der Bewertungen der verschiedenen Anwender berechnet werden.
Um das leichte Durchsuchen dieser Datenstrukturen durch das Rechnersystem zu ermöglichen, werden sie in zwei Dimensionen verknüpft, die zu einer Matrix-ähnlichen Struktur führen.
Fig. 3 zeigt ein Beispiel der Kombination von Anwender- Profilen und Einheiten-Profilen, die diese zweidimensionale Verknüpfung wiedergeben. Die erste Dimension 320 verknüpft alle Datenstrukturen mit der gleichen Anwender-Identifikation in einer Folge gemäß den Einheiten-Identifikationen (Anwender-Profil). Die zweite Dimension 330 verknüpft alle Datenstrukturen mit der gleichen Einheiten-Identifikation in einer Folge gemäß den Anwender-Identifikationen (Einheiten- Profil). Nehmen wir Bezug auf Fig. 3; Beispiele der Basis- Datenstruktur sind gekennzeichnet mit 301, 302, 310, 311. In der waagrechten Dimension sind diese elementaren Datenstrukturen so verknüpft, dass jede Reihe das Anwender-Profil darstellt. In der senkrechten Dimension sind diese elementaren Datenstrukturen so verknüpft, dass jede Spalte ein Einheiten-Profil darstellt.

4.2 Fundamentale Beobachtungen und grundlegende Lösung

Die folgenden Beobachtungen führen zu einer tieferen Einsicht in die Probleme, die auf dem Stand der Technik auftreten, diese Beobachtungen enthüllen ferner die wirkliche Ursache für diese Probleme und tragen dazu bei, in einem Prozess Schritt für Schritt die von der vorliegenden Erfindung vorgeschlagene Lösung auszuarbeiten.
Ein ernstlicher Mangel auf dem Stand der Technik betrifft die Empfehlungsqualität, was darauf zurückzuführen ist, dass nicht so viele Bewertungsinformationen von Anwendern eingeholt werden, als es möglich wäre. Sie berücksichtigt daher das Zögern der meisten Menschen, zu viele Informationen zu geben, entweder wegen Arbeitsbelastung oder aus privaten Gründen. In anderen Fällen sind sich die Anwender nicht bewußt, welche Art Information von einem Empfehlungssystem angefordert wird, um zur Verbesserung der Empfehlungsqualität beizutragen.
Die grundlegende Beobachtung der vorliegenden Erfindung ist, dass mit jeder expliziten Bewertung einer bestimmten Einheit, die ein Anwender empfängt, in Wirklichkeit zusätzliche implizite Informationen geliefert werden, weil jede Einheit in bestimmten Beziehungen zu anderen Einheiten steht. Somit ist es beim Eingang einer expliziten Bewertung einer bestimmten Einheit möglich, damit verknüpfte Einheiten in Abhängigkeit von ihren Beziehungen zur explizit bewerteten Einheit implizit zu bewerten. Ferner wird vorgeschlagen, dass der Wert dieser impliziten Bewertung von der Nähe der explizit bewerteten von der implizit bewerteten Einheit abhängt; oder, mit anderen Worten, es hängt von der Abstandsnähe gemäß der vordefinierten Beziehungen ab, die die Vielzahl der bewertbaren Einheiten strukturieren.
Nur um hier ein erstes Beispiel zu geben: Die Einheiten, die jeweils einen Eintrag in ein News Forum repräsentieren, stehen zueinander in hierarchischer Beziehung. Obenan steht das Nachrichtensystem als Ganzes. In der nächsten Schicht stehen die verschiedenen Nachrichtengruppen. Unter jeder Nachrichtengruppe sind die verschiedenen Diskussions-Verkettungen angegeben und unter jedem Diskussionseintrag können null oder auch mehrere Antworten stehen, wobei jeder Eintrag möglicherweise seine eigenen Anworten hat . . .. Damit sind im vorliegenden Beispiel die Einträge eines Nachrichtensystems Teil einer Hierarchie.
Ein zweites Beispiel bezieht sich auf Einheiten, die Attribute repräsentieren, die die Anwender auswählen können, um ihre Interessen zu spezifizieren. Für solche Einheiten widerspiegelt die Verknüpfung, die definiert werden kann, die Strukturierung einer mehr allgemeinen Einheit gegenüber einer stärker spezifizierten Einheit. Eine solche Verknüpfung führt zu einer Vielzahl von Hierarchien, oder in technischen Begriffen ausgedrückt, zu einer Vielzahl von "Bäumen" oder sogenannten "Wäldern". Dieses Muster ist z. B. in Fig. 4 wiedergegeben. Nehmen wir an, ein bestimmter Anwender beurteilt explizit die Einheit 〈Fußball〉 401, dann wird gemäß den vordefinierten Verknüpfungen in Fig. 4 ein Satz verknüpfter Einheiten aus den folgenden Einheiten bestehen: 〈Ballsport〉 402, 〈Sportarten〉 403, 〈Erholung & Sport〉 404. Wenn man z. B. eine maximale Abstandsnähe 2 in Betracht zieht, würden nur die zwei am nächsten liegenden Einheiten gemäß der Verknüpfung den Satz der verknüpften Einheiten der explizit bewerteten Einheit bilden; im vorgegebenen Beispiel würde der Satz der verknüpften Einheiten nur aus 〈Ballsport〉 und 〈Sport〉 bestehen.
Sobald erst gefunden wurde, dass auf die implizite Information, die in einer expliziten Bewertung einer bestimmten Einheit enthalten ist, durch Bestimmen des Satzes der verknüpften Einheiten für diese bestimmte Einheit gemäß einer vordefinierten Beziehung zugegriffen werden kann, offenbart die folgende Methode, wie diese implizite Information zum impliziten Bewerten des Satzes der verknüpften Einheiten ausgenutzt werden kann. Dieses Verfahren wird durch das Flussdiagramm, das in Fig. 7 dargestellt ist, näher beschrieben. Bei Empfang einer ersten expliziten Bewertung für eine erste Einheit werden die folgenden Schritte vorgeschlagen:
bestimme in einem Schritt 702 für die erste Einheit einen ersten Satz aus einer oder einer Vielzahl verknüpfter Einheiten auf der Grundlage einer vordefinierten Einheiten- Verknüpfung;
berechne in einem Schritt 704 implizite Bewertungen für die verknüpften Einheiten in Abhängigkeit von der Abstandsnähe zwischen der ersten Einheit und jeder der verknüpften Einheiten sowie in Abhängigkeit von der expliziten Bewertung der ersten Einheit;
speichere in einem Schritt 706 innerhalb des Empfehlungssystems die erste explizite Bewertung der betreffenden ersten Einheit, und
speichere in einem Schritt 706 innerhalb des Empfehlungssystems auch die impliziten Bewertungen für den Satz der verknüpften Einheiten.
Hier muss darauf hingewiesen werden, dass jeder beliebige Typ einer vordefinierten Beziehung für die Einheiten des Empfehlungssystems innerhalb der vorliegenden Lehre benutzt werden kann; die Fälle einer Hierarchie oder allgemein eines gerichteten azyklischen Graphs sind nur spezifische Beispiele.
Auf der Grundlage des Beispiels der vordefinierten Verknüpfung, die in Fig. 4 visualisiert wird, wird ein Beispiel für die explizite Bewertung und die abgeleiteten impliziten Bewertungen in Fig. 5 visualisiert. Zwecks besserer Lesbarkeit wurden die Reihen und Spalten der Fig. 5 gegenüber der Fig. 3 vertauscht. Fig. 5 reflektiert innerhalb eines beispielhaften Anwender-/Einheit-Profils die explizite Bewertung 501 für die Einheit 〈Fußball〉 mit einer expliziten Bewertung 10000. Die verknüpften Einheiten 〈Ballsport〉, 〈Sport〉, 〈Erholung & Sport〉 erhalten in Ausdrücken der vordefinierten Beziehung implizite Bewertungen 502, 503, 504. Die impliziten Werte der Bewertung hängen ab von dem Wert der expliziten Bewertung sowie von der Abstandsnähe zwischen den explizit bewerteten Einheiten und jeder der implizit bewerteten Einheiten. Da die explizit bewertete Einheit die höchsten Vertrauenshöhe hat, nehmen die berechneten impliziten Bewertungen mit zunehmendem Abstand ab.
Auf der Grundlage dieser Erklärung kann der Rest der Matrixelemente in Fig. 5 durch folgenden Bewertungsaussagen zusammengefasst werden:
Anwender A ist interessiert an Fußball;
Anwender B ist interessiert an Basketball;
Anwender C ist interessiert an Marathonlauf;
Anwender D ist interessiert an 100 m Lauf;
Anwender E ist interessiert an Vertigo.

4.3 Weitere Einzelheiten über die Auswertung von Einheitenverknüpfungen

Wie oben bereits gesagt, verbessert die vorliegende Erfindung die Empfehlungsqualität. Das tut sie durch Verwenden einer externen Verknüpfung der zu bewertenden Einheiten. Durch Anwenden einer Abstandsnähe auf die Verknüpfung der Einheit ist es möglich, alle Einheiten zu bewerten, die mit der von einem Anwender ausdrücklich bewerteten Einheit durch einen impliziten Bewertungswert in Abhängigkeit von der Abstandsnähe der zwei Einheiten sowie des ausdrücklichen Bewertungswerts des Anwenders in Beziehung stehen.
Da häufig nicht alle verknüpften Einheiten für eine Zunahme der Qualität des Empfehlungssystems wichtig sind, ist die Begrenzung der Einheiten mit einem Abstandsnähe-Schwellenwert nützlich. Oft treten die Verknüpfungen in der Form von Graphen auf, oder genauer gesagt, in der Form von Hierarchien wie in den beiden obengenannten Beispielen (Nachrichten, Attribute). Hier entsprechen die Einheiten des Empfehlungssystems den Knoten in der Hierarchie. Die Einführung von Abständen, befestigt an den Pfeilen und die Abstandsnähe zwischen zwei Einheiten als die Länge des (kürzesten) Weges in der Hierarchie definierend, falls vorhanden, ermöglicht die leichte Beschreibung der Abstandsnähe zwischen den Einheiten. Unter Verwendung dieses Begriffs sind die implizit bewertbaren Einheiten für eine gegebene explizite Einheit die Vorgänger der gegebenen expliziten Einheit in der Hierarchie nach oben, bis ein vordefinierter Näheschwellenwert erreicht ist.
Eine Motivation dafür ist, dass das explizite Interesse für Fußball (Fig. 4) sicher auch etwas Interesse an Ballsportarten, Sport, . . . bedeutet. Es hängt ab von der Abstandsdefinition, welche Vorgänger zum Satz der verknüpften Einheiten gehören, und die dann in das implizite Bewertungsverfahren einzubauen sind.
Wenn die Hierarchie in Fig. 4 als ein einziger, gerichteter Baum mit einem weiteren Wurzelknoten 〈Knoten〉 und unmittelbaren Nachfolgern 〈Unterhaltung〉 und 〈Erholung & Sport〉, . . ., entworfen worden wäre, dann würde die Beschränkung, den Wurzelknoten nicht durch den Näheschwellenwert einzuschließen, sinnvoll sein, weil andererseits jeder beliebige Anwender, der mindestens ein Interesse daran hätte, für das Empfehlungssystem irgendwie ähnlich werden (weil die neue Einheit 〈Wurzel〉 implizite Bewertungen erhalten würde), was definitiv für reale Systeme nicht beabsichtigt ist.
Der (einfache) Weg zum Bestimmen des Werts der Bewertung für implizit oder explizit bewertete Einheiten, die im Beispiel der Fig. 5 ausgenutzt werden, gründet sich auf die Formel

"Wert der Bewertung" = 10 ** Ebene

wobei sich "Ebene" bezieht auf die Ebene der zu bewertenden Einheit innerhalb der Hierarchie der vordefinierten Verknüpfung.
Das ist natürlich nur ein Beispiel; jede allgemeine Funktion der Form

"Wert der Bewertung der impliziten Einheit I" = F ("Abstandsnähe I", "Wert der Bewertung der expliziten Einheit E")

könnte benutzt werden.
Fig. 5 ist festgelegt auf den Fall, in dem bei mehrfachen expliziten Bewertungen jeder Prozess des Berechnens und Speicherns der entsprechenden expliziten und impliziten Bewertungen unabhängig voneinander ausgeführt wird. Dieser Lösungsweg wird genannt "Atomares Bewerten" individueller Bewertungsanforderungen.
Im Gegensatz dazu diskutiert Fig. 6 verschiedene Ausführungsformen, wie unabhängige explizite Bewertungsanforderungen sich überlappen können und mit unterschiedlichen Ergebnissen für die explizit bewerteten Einheiten sowie für die implizit bewerteten Einheiten kombiniert werden können.
Gemäß einer ersten Ausführungsform, wenn immer eine gewisse implizit bewertbare Einheit bereits von einer ersten expliziten Bewertungsanforderung bewertet wurde, wird angenommen, dass genügend Informationen verfügbar sind; wenn eine zweite explizite Bewertungsanforderung zu einem Satz verknüpfter Einheiten, enthaltend diese bestimmte implizit bewertete Einheit führen würde, dann wird die entsprechende Bewertung dieser Einheit beim Bearbeiten dieser zweiten expliziten Bewertungsanforderung nicht verändert.
Die Ergebnisse dieser ersten Ausführungsform widerspiegeln sich im linken Teil der Fig. 6. Nehmen wir z. B. die Bewertungen des Anwenders A in ihrer Visualisierung in Fig. 5 an (die anzeigen: Anwender A ist interessiert an 〈Fußball〉). Nehmen wir ferner an, dass Anwender A dann Interesse an 〈Basketball〉 zeigt. Dann würde, weil der Satz der verknüpften Einheiten der Einheit 〈Fußball〉 und der von 〈Basketball〉 identisch sind, keine weitere implizite Bewertung in die Profile gespeichert, da alle verknüpften Einheiten bereits innerhalb der Bewertungsanforderung von 〈Fußball〉 bewertet wurden. Unter Berücksichtigung dieser Interpretation widerspiegelt der linke Teil von Fig. 6 die folgenden Anforderungen:
Anwender A ist interessiert an Fußball, Basketball und Marathon;
Anwender B ist interessiert an 100 m Lauf und Marathon;
Anwender C ist interessiert an 100 m Lauf und Vertigo.
Innerhalb einer weiteren Ausführungsform der vorliegenden Erfindung "überschreibt" eine explizite von einem Anwender eingegebene Bewertung eine vorherige implizite Bewertung des gleichen Anwenders.
Noch eine weitere Ausführungsform gründet sich auf die Lösung, dass jede Einheit, die ein Glied des Satzes der verknüpften Einheiten einer mehrfachen expliziten Bewertungsanforderungen ist, durch Akkumulieren der impliziten Bewertungen der individuellen expliziten Bewertungsanforderungen wiedergegeben werden sollte. Diese Ausführungsform wird durch den rechten Teil in Fig. 6 dargestellt. Zum Beispiel verdoppelt die explizite Bewertungsanforderung der Einheit 〈Basketball〉 durch den Anwender A die impliziten Bewertung der Einheit 〈Ballsport〉 601, da die letztere sowohl ein Glied des Satzes verknüpfter Einheiten von 〈Basketball〉 als auch von 〈Fußball〉 ist. Die explizite Bewertungsanforderung der Einheit 〈Marathon〉 durch Anwender A verdreifacht die implizite Bewertung der Einheit 〈Sport〉 602, da die letztere ein Glied des Satzes der verknüpften Einheiten 〈Basketball〉, 〈Marathon〉, sowie auch 〈Fußball〉 ist.
Wenn die Funktion für die Berechnung des "Werts für die Bewertung einer impliziten Einheit I" ausgedrückt wird als eine Funktion F in Abhängigkeit vom "Abstand der Einheit I von der Wurzel" der vordefinierten Verknüpfung, dann stellte sich heraus, dass es günstig ist, wenn die Funktion F mit dem "Abstand der Einheit I von der Wurzel" monoton zunimmt. So eine Lösung wird im Normalfall zu einer Situation führen, dass die expliziten Bewertungswerte von impliziten Bewertungswerten nicht überschritten werden.

Claims

1. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit innerhalb eines Empfehlungssystems,
wobei das Verfahren anspricht auf eine erste explizite Bewertung für eine erste Einheit
durch Bestimmen (702) eines ersten Satzes eines oder einer Vielzahl von damit verknüpften Einheiten auf der Grundlage einer vordefinierten Verknüpfung in einem Schritt (A) für die erste Einheit, und
durch Speichern (704, 706) der ersten expliziten Bewertung der ersten Einheit in dem Empfehlungssystem in einem Schritt (B), und
durch Speichern (704, 706) auch erster impliziter Bewertungen für den ersten Satz verknüpfter Einheiten in dem Empfehlungssystem in einem Schritt (C).

2. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 1,
in dem die erste explizite Bewertung einen ersten expliziten Bewertungswert enthält, und
in dem im Schritt (A)

1. das Verfahren aus der vordefinierten Einheitsverknüpfung für jede Einheit in dem ersten Satz der verknüpften Einheiten eine Abstandsnähe zur ersten Einheit bestimmt (702), und

2. das Verfahren die ersten impliziten Bewertungen durch Berechnen eines ersten impliziten Bewertungswerts in Abhängigkeit von dem ersten expliziten Bewertungswert und der Abstandsnähe durch Berechnung für eine Einheit in dem ersten Satz verknüpfter Einheiten bestimmt (702).

3. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 2,
in dem im Schritt (C)

1. das Verfahren den ersten impliziten Bewertungswert nur dann abspeichert, wenn die Abstandsnähe unter einem Abstandsnähe-Schwellenwert liegt.

4. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 3, in dem die Einheits-Verknüpfung als ein gerichteter, azyklischer Graph definiert ist, wobei die erste Einheit in dem Graph als Knoten dargestellt ist, und Knoten der ersten Einheit vorausgehen, die den ersten Satz der verknüpften Einheiten darstellen.

5. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 4, in dem die Abstandsnähe als Abstand innerhalb des Graphen definiert ist.

6. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 5, in dem in dem Graph Pfeile einem Abstandswert zugeordnet sind.

7. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 6, in dem der Graph eine Hierarchie darstellt.

8. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß einem beliebigen der vorstehenden Ansprüche,
wobei das Verfahren auf eine zweite explizite Bewertung einer zweiten Einheit durch Durchführen des Verfahrens mit einem entsprechenden zweiten Satz verknüpfter Einheiten und zweiter impliziter Bewertungen anspricht
mit der Abweichung, dass in Schritt (B) die zweite explizite Bewertung nur dann gespeichert wird, wenn sich die zweite Einheit von der ersten Einheit unterscheidet, und
mit der Abweichung, dass in Schritt (C) die zweite implizite Bewertung nur für solche Einheiten gespeichert wird, denen keine vorherige Bewertung zugeordnet ist.

9. Ein rechnergestütztes Verfahren zum Bewerten einer Einheit gemäß Anspruch 8,
mit der weiteren Abweichung in Schritt (B), dass die Bewertung der ersten Einheit um die zweite explizite Bewertung inkrementiert wird, wenn die zweite Einheit und die erste Einheit gleich sind, und
mit der weiteren Abweichung, dass für jede Einheit der zweiten verknüpften Einheiten, der eine frühere Bewertung zugeordnet ist, diese frühere Bewertung inkrementiert um die zweite implizite Bewertung dieser Einheit im Schritt (C) gespeichert wird.

10. Ein Empfehlungssystem zum Bewerten einer Einheit, das Mittel umfasst, die zum Ausführen der Schritte des Verfahrens gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 9 ausgelegt sind.

11. Ein Datenverarbeitungsprogramm zur Abarbeitung in einem Datenverarbeitungssystem enthaltend Code-Teile zum Ausführen eines Verfahrens gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 9, wenn das Programm auf dem Rechner gefahren wird.

12. Ein Rechnerprogrammprodukt, das auf einem in einem Rechner anwendbaren Medium gespeichert ist, enthaltend Rechner-lesbare Programm-Mittel zum Bewirken, dass ein Rechner ein Verfahren gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 9 ausführt, wenn das Programm auf dem Rechner gefahren wird.