DE10247928A1

DE10247928A1 - Auslegen von Empfehlungssystemen, so dass sie allgemeine Eigenschaften im Empfehlungsprozess behandeln

Info

Publication number: DE10247928A1
Application number: DE10247928A
Authority: DE
Inventors: Franz Berghofer; Lars Gendner; 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: 2003-05-28
Also published as: US20030088480A1

Abstract

Die vorliegende Erfindung betrifft Empfehlungssysteme, die in der Lage sind, einem bestimmten Anwender Einheiten auf der Grundlage von Empfehlungen des gleichen Anwenders oder anderer Anwender des Systems zu empfehlen. DOLLAR A Auf den Stand der Technik sind Empfehlungssysteme nur in der Lage, Einheiten innerhalb des Empfehlungsprozesses vorzuschlagen. Die vorliegende Erfindung macht es möglich, dass auch nicht bewertete, das heißt allgemeine Eigenschaften von Anwendern oder Einheiten, die durch willkürliche Eigenschaftswerte gekennzeichnet sind, am Empfehlungsprozess teilnehmen können, um die Empfehlungsqualität zu verbessern.

Description

1. Der Erfindung zugrundeliegender allgemeiner Stand der Technik

1.1 Gebiet der Erfindung

Die vorliegende Erfindung betrifft Empfehlungssysteme, die in der Lage sind, einem bestimmten Anwender Einheiten (Items) auf der Grundlage von Einheiten-Empfehlungen des gleichen Anwenders oder anderer Anwender des Systems zu empfehlen. Insbesondere betrifft die vorliegende Erfindung eine verbesserte Technologie für Empfehlungssysteme, die diese so auslegen, dass sogar Nicht-Bewertungen, d. h. allgemeine Eigenschaften der Anwender oder Einheiten, an dem Empfehlungsprozess beteiligt sind.

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 Informationsfiltern 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.
Empfehlungssysteme auf dem derzeitigen Stand der Technik sind nur in der Lage, innerhalb des Empfehlungsprozesses Bewertungen von Einheiten zu berücksichtigen. Nicht-Bewertungen, d.i. allgemeine Eigenschaften von Anwendern oder Einheiten, die gekennzeichnet sind durch willkürliche Eigenschaftswerte, können innerhalb des Empfehlungsprozesses nicht teilnehmen. Einfache Beispiele für solche allgemeine Eigenschaften sind z. B. das Alter eines Anwenders, sein Wohnort oder seine Anschrift, oder Eigenschaften von Einheiten, die diese Einheiten in weiteren Details präzisieren, und dergleichen.

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, Empfehlungssysteme so auszulegen, dass sogar Nicht-Bewertungen, d. h. allgemeine Eigenschaften von Anwendern oder Einheiten, die durch willkürliche Eigenschaftswerte gekennzeichnet sind, am Empfehlungsprozess beteiligt sind, um die Qualität der Empfehlung zu verbessern.

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 erläutert.
Die vorliegende Erfindung betrifft Empfehlungssysteme, die in der Lage sind, einem bestimmten Anwender Einheiten auf der Grundlage von Einheiten-Empfehlungen des gleichen und anderer Systemanwender vorzuschlagen. Derzeitige Empfehlungssysteme auf dem Stand der Technik sind in der Lage, im Rahmen des Empfehlungsprozesses nur Bewertungen von Einheiten zu erwägen. Die vorliegende Erfindung macht es möglich, dass sogar Nicht-Bewertungen, d. h. allgemeine Eigenschaften von Anwendern oder Einheiten, die durch beliebige Eigenschaftswerte gekennzeichnet sind, für den Empfehlungsprozess zur Verbesserung der Empfehlungsqualität erfasst werden können.
Empfehlungssysteme gemäß der vorliegenden Erfindung beinhalten ein Empfehlungsschema, in dem für jeden einer Vielzahl von Anwendern U und für jedes einer Vielzahl von Einheiten I ein Profil P(U,I) wenigstens eine Bewertung enthält.
Gemäß der vorliegenden Erfindung wird vorgeschlagen, das Empfehlungssystem zu erweitern
durch mindestens eine Eigenschafts-Einheit, die die genannte Eigenschaft als mindestens eine Einheit innerhalb des Empfehlungsschemas implementiert, und
durch Implementieren eines bestimmten Eigenschaftswerts Y als Eigenschaftsbewertung dieser Eigenschafts-Einheit, wobei die Eigenschaftsbewertung von dem Abstand zwischen dem bestimmten Eigenschaftswert Y und einem ausgewählten Eigenschaftswert X abhängt.
Auf diese Weise ermöglicht die vorliegende Erfindung das Bereitstellen eines komplett neuen Informationstyps, der für die Beteiligung im Empfehlungsprozess zur Verfügung steht. Eigenschaftswerte, die eine bestimmte Eigenschaft eines Anwenders oder einer Einheit in näheren Einzelheiten beschreiben, können für ähnliche Berechnungen benutzt werden. 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 Konzepte von Empfehlungssystemen.
Fig. 2 bezeichnet das erfindungsgemäß bevorzugte Layout der Datenstruktur, das Anwender-Profilen 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 erste Ausführungsform der vorliegenden Erfindung, in der Eigenschafts-Einheiten auf der Grundlage einer bewertbaren Funktion realisiert sind; die Funktionswerte sind Werte der Bewertung, die einen beliebigen Eigenschaftswert X im Hinblick auf seine Ähnlichkeit mit dem tatsächlich spezifizierten Eigenschaftswert beurteilen (modellieren) und dabei einen bestimmten Anwender und/oder eine Einheit charakterisieren.
Fig. 5 visualisiert eine zweite Ausführungsform der vorliegenden Erfindung, in der jede Eigenschafts-Einheit durch eine oder eine Vielzahl von Eigenschaft-Einheiten realisiert wird; jede dieser Eigenschafts-Einheiten repräsentiert einen gewissen ausgewählten Eigenschaftswert der betreffenden Eigenschaft, und der jeder Eigenschafts-Einheit zugeordnete Bewertungswert beurteilt (modelliert) die Ähnlichkeit seines entsprechenden Eigenschaftswerts im Vergleich zu dem tatsächlich spezifizierten Eigenschaftswert, der einen bestimmten Anwender und/oder eine Einheit charakterisiert.

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 Methode 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 bestimmten 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.
Soweit in der vorliegenden Beschreibung angezogen, können zu empfehlende Einheiten (Items) Objekte eines jeden beliebigen Typs sein; wie bereits oben erwähnt, kann sich eine Einheit auf jede beliebige denkbare Ressource beziehen.
Soweit sich die nachstehende Beschreibung auf den Begriff Eigenschaft bezieht, ist das zu verstehen als ein Merkmal, ein Charakteristikum, ein Attribut und dergleichen, die einen Anwender oder eine Einheit mit einem Eigenschafts-Wert bezeichnet.

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 Anwender 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 Mehrfach-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-Preferenzen des Anwenders von Samstag bis einschl. Donnerstag zeigt, und ein zweites Profil, das die Restaurant-Preferenzen des Anwenders an Freitagen zeigt. In einigen Ausführungsformen zeigt ein Anwenderprofil mehr als einen Anwender. Zum Beispiel lässt sich ein Profil erstellen, das eine Frau und ihren Ehemann zum Zweck des Auswählens 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 Plattenlaufwerk 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 jedes Datenkonstrukt sein, das 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 zwecks 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 übernehmen 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 den Anwendern, 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, in 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 Bewertungen zuordnet, die der Einheit mit der Zuordnung des Anwenders zugeordnet werden, kann benutzt werden. Vorzugsweise sind Einheitsprofile als verteilter Vektor von n-Tupeln vorgesehen. Jedes n-Tuple 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 festzusetzen. 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 Einheitensatz 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 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 Werten-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 Vergleichen 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 neu-bewertenden 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, was zu einer Matrix-ähnlichen Struktur führt. 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. Andererseits liefern die Anwender eine Menge Informationen, die nicht von der Art eines Bewertungswerts sind und die daher im Empfehlungsprozess nicht ausgewertet werden können. Zum Beispiel sind Anwender gewillt, während des Eintragvorgangs eines bestimmten Anwenders in ein Empfehlungssystem eine Vielzahl Registrierungsinformationen zum Aufbau ihres Profils in das Empfehlungssystem eintragen. Solche Registrierungsinformationen können Name, Anschriftinformationen, Beruf, Höhe ihres monatlichen Einkommens usw. betreffen. Diese Art Informationstyp ist wie eine Eigenschaft, die durch einen bestimmten Eigenschaftswert charakterisiert wird. Solche Eigenschaftssituationen kommen auch bei Einheiten vor. Denken wir z. B. an einen bestimmten Anwender, der angibt, dass er/sie vorzieht, den Urlaub an einem bestimmten geographischen Ort zu verbringen. Als ein weiteres Beispiel könnte man an Systeme denken, die einer ersten Person ermöglichen, eine zweite Person zu finden, um eine persönliche Beziehung, die sogar bis zur Heirat gehen könnte, aufzubauen. Solche Probleme liegen außerhalb des Bereichs von Empfehlungssystemen, weil das voraussetzen würde, gewünschte Eigenschaften potentieller Partner als "Einheiten" mit Eigenschaftswerten zu modellieren (wie z. B. Größe, Haarfarbe, Gehalt, Bildung, . . .).
Die fundamentale Beobachtung der vorliegenden Erfindung ist, dass es möglich ist, solche Eigenschaften in einen Empfehlungsprozess aufzunehmen, wenn diese Eigenschaften im Empfehlungsschema als Einheiten, nachstehend Eigenschafts- Einheiten genannt, modelliert werden. Wenn ein bestimmter Anwender einen gewissen Eigenschaftswert Y für eine solche Eigenschafts-Einheit modelliert, wird vorgeschlagen, dass für dieses Faktum ein Bewertungswert berechnet wird, der die folgenden Punkte berücksichtigt:

a) Annahme eines ausgewählten Eigenschaftswerts X der vorab definierten berücksichtigten Eigenschaften;
b) dann kann ein Bewertungswert mit dem bestimmten konkreten Eigenschaftswert Y zugeordnet werden durch Beurteilung der Ähnlichkeit des tatsächlichen spezifizierten Eigenschaftswerts Y mit seinem ihm entsprechenden ausgewählten Eigenschaftswert X. Auf diese Weise werden alle beliebigen Eigenschaftswerte Y vergleichbar durch Beurteilung aller dieser Werte aus einer ausgewählten Perspektive, nämlich dem ausgewählten Eigenschaftswert X. Der vorgeschlagene Bewertungswert misst in der Tat den "Abstand" zwischen einem Anwenderspezifizierten Wert Y im Hinblick auf den ausgewählten Eigenschaftswert X. Der Begriff Abstand hängt ab von der konkreten Eigenschaft, die zu bewerten ist, und kann jedes Maß sein, das es zulässt, dass zwei Eigenschaftswerte dieser Eigenschaft Verglichen werden. Zum Beispiel, wenn die Eigenschaft die Wohnadresse, und die individuellen Eigenschaftswerte der Name der Stadt und der Straße sind, dann könnte der erwähnte Abstand zwischen X und Y die Reiseentfernung zwischen X und Y in Meilen sein.

Für das obige Konzept sind zwei weitere konkrete Ausführungsformen möglich.

Ausführungsform 1

In einer ersten Ausführungsform kann man sich vorstellen, dass der ausgewählte Eigenschaftswert X eine Variable ist. In diesem Fall ist der Bewertungswert für einen konkreten Eigenschaftswert Y nicht nur eine einfache Zahl, sondern vielmehr eine Funktion F. Diese Funktion F, die Bewertungsfunktion, würde den "Abstand" zwischen dem konkreten Eigenschaftswert Y und dem gewählten Eigenschaftswert X, der eine Variable ist, beurteilen; als genauerer mathematischer Ausdruck könnte das geschrieben werden als

Bewertungswert : = F (Abstand (X,Y)).
Nach Eingang eines konkreten Eigenschaftswerts Y von einem Anwender generiert das Empfehlungssystem die oben definierte Funktion als einen bewertbaren Ausdruck, der als Bewertungswert im Profil als Teil des Bewertungsschemas gespeichert wird. Während der Laufzeit zum Berechnen der Ähnlichkeiten zwischen verschiedenen Anwendern wird diese Funktion rechnerisch ermittelt zum Bestimmen der Unterschiede der Bewertungswerte von zwei unterschiedlichen Anwendern. Wenn Y1 und Y2 die expliziten Eigenschaftswerte darstellen, die von Anwender 1 und Anwender 2 spezifiziert werden, dann stellen die nachstehenden Lösungen Beispiele dar, wie die Funktion F vom Empfehlungssystem zum Bestimmen der Unterscheide im Hinblick auf die Bewertungswerte benutzt werden kann: oder ob ein Satz unterschiedlicher gewählter Eigenschaftswerte X

Differenz der Bewertungswerte = ∫[F(X,Y1)-F(X,Y2)]dX

oder ein Satz unterschiedlicher Eigenschaftswerte X_i

Differenz der Bewertungswerte = ≙[F(X_i,Y1)-F(X_i,Y2)]

benutzt wird.

Ausführungsform 2

In einer zweiten Ausführungsform wird vorgeschlagen, einen oder eine Vielzahl von ausgewählten Eigenschaftswerten Xi, i = 1, . . ., n mit einem vordefinierten numerischen Wert einzuführen. In diesem Fall wird für jedes Xi eine gesonderte Eigenschafts-Einheit eingeführt; jede dieser Eigenschafts- Einheiten kann als den Anwender-spezifizierten Eigenschaftswert A unter einem Gesichtswinkel Xi messend betrachtet werden. Wenn während der Laufzeit ein bestimmter Anwender den Eigenschaftswert Y spezifiziert, berechnet das Empfehlungssystem für jedes Xi den entsprechenden Bewertungswert

Bewertungswert : = F (Abstand (Xi,Y))

und speichert ihn innerhalb des entsprechenden Profils des Empfehlungsschemas. Mit dieser Ausführungsform kann die Ähnlichkeitsberechnung ausgeführt werden, wie auf dem Stand der Technik bekannt ist.

4.3 Einheiten-Eigenschaften bewertet durch Bewertungs- Funktionen gemäß Ausführungsform 1

In Empfehlungssystemen wird die Ähnlichkeit zwischen einem einzelnen Anwender und anderen Anwendern berechnet, entweder jedesmal wenn eine Empfehlung für einen Anwender angefordert wird, oder diese Ähnlichkeitsfaktoren werden an regelmäßigen Punkten in der Zeit neu berechnet (z. B. wenn eine bestimmte Anzahl neuer Bewertungen im Empfehlungsschema gespeichert werden muss).
Eine Erweiterung für diese Art eines Empfehlungssystems ist, dass die Ähnlichkeitswerte nicht nur berechnet werden, wie z. B. die skalierte Summierung der Quadrate der Differenzen der numerischen Bewertungswerte, z. B. in dem folgenden Ausdruck:

in dem jeder individuelle Bewertungswert H_ix nur eine Zahl ist. Wie oben für Eigenschaft-Einheiten beschrieben, kann man an Funktionen als Bewertungswerte denken anstatt als reine Zahlen, wobei diese Funktion abhängt von einer Variablen, die jeden potentiellen Wert von innerhalb der Domäne der potentiellen Eigenschaftswerte annehmen kann. Dann muss spezifiziert werden, wie die Differenz der Bewertungsfunktionen, die jetzt eine Differenz von Funktionen ist, für die Eigenschafts-Einheit i und die Anwender x und y bewertet werden muss.
Die neuen Möglichkeiten können illustriert werden an einem Beispiel für die Eigenschaft Einheit <Alter> in der Domäne F = {0, 1, 2, . . ., 199}. Mann könnte die unscharfe Funktion A_b(a): = min{0, 10-|a-ba|} als Bewertungswert, um genauer zu sein, als Bewertungsfunktion im Sinn der obigen Beschreibung, der Eigenschafts-Einheit <Alter> für jeden Anwender des Alters b definieren. In diesem Fall würde "b" das konkrete Alter (oder in allgemeinen Ausdrücken, den konkreten Eigenschaftswert), wie von einem bestimmten Anwender spezifiziert, repräsentieren. "a" würde die Variable repräsentieren, die jeden Wert von innerhalb der Domäne der Eigenschaftswerte der Eigenschaft <Alter> annehmen könnte. Dieser Aspekt wird in Fig. 4 visualisiert. Der obere Teil der Fig. 4 zeigt das Empfehlungsschema wie eine matrixartige Struktur von Profilen, die vertikale Dimension 401 zeigt die verschiedenen Anwender innerhalb des Empfehlungsschemas, während die horizontale Dimension die verschiedenen Einheiten anzeigt, die am Empfehlungsschema beteiligt sind. Die Eigenschaft-Einheit <Alter> 403 wird realisiert durch die vorgeschlagenen Bewertungsfunktionen anstatt durch nur Bewertungswerte. Der untere Teil von Fig. 4 zeigt zwei Bewertungsfunktionen, eine für ein Anwenderspezifiziertes Alter b = 35, und die andere für ein Alter b = 40. Diese Bewertungsfunktion gleicht großen Werten für nahezu ähnliche Werte wie b, das Maximum 10 für den Alterswert b, und 0 für vollkommen unähnliche Alterswerte. In diesem Fall sind die Bewertungswerte H_ix in Wahrheit Bewertungsfunktionen und die Differenz der zwei Funktionen könnte ausgedrückt werden als eine weitere Summierung (gemäß der obigen Beschreibung); somit ist die Summierung der quadrierten Differenzen über die Eigenschaftswert-Domäne V eine gute Wahl:
Ein weiteres Beispiel für eine Eigenschafts-Einheit könnte die <Heimatanschrift> der Anwender sein. Auch Anwender des Internet, insbesondere Anwender von Gemeinschaftsplattformen, treffen sich gern in der wirklichen Welt und daher ist die Aufnahme der Heimatanschrift ein wichtiger Aspekt für Gemeinschaftsaspekte in Empfehlungssystemen. Die Eigenschafts- Einheit-Domäne <Heimatanschrift> ist zum Beispiel W = {Berlin, Hamburg, Heidelberg, London, . . .}, d.i. alle Städte auf der Welt [oder vielleicht ein Teilsatz als Spezifikation von "regionalen Zentren"]. Für die Bewertungsfunktion könnte man in diesem Fall definieren:

ist(Ab): = geographic_dist between a and b in km

und die unscharfe Funktion

L_b(a): = min{0, 100-dist(Ab)}

als Bewertungsfunktion der Eigenschafts-Einheit <Heimatanschrift> für jeden beliebigen Anwender mit einer Anwender-spezifizierten Heimatanschrift b, d.i. a ist die Variable der Bewertungsfunktion. Diese Funktion ähnelt großen Werten für nahezu b-ähnlichen Werten, das Maximum ist 100 für den Heimatanschriftwert b, und 0 für total unähnliche Heimatanschriftwerte. In diesem Fall sind wieder die Bewertungswerte H_ix in Wirklichkeit Bewertungsfunktionen, und die Differenz der zwei Funktionen könnte ausgedrückt werden als eine weitere Summierung (in Übereinstimmung mit der obigen Beschreibung); somit ist die Summierung der quadrierten Differenzen über die Eigenschaftswert-Domäne W eine gute Wahl:
Auf der Grundlage dieser Erweiterung der Empfehlungssysteme einschließlich Eigenschafts-Einheiten arbeitet das Szenario zur Bereitstellung einer Empfehlung, das jetzt auf Bewertungsfunktionen anstatt nur auf Bewertungswerten beruht, wie folgt (cf. Beispiel in Fig. 4):
~ X ist 35 Jahre alt, hat die Heimatanschrift Berlin, und ist interessiert an den Filmen "Vertigo" und "Der vierte Mann"
~ Y ist 40 Jahre alt, hat die Heimatanschrift Heidelberg, und ist interessiert an den Filmen "Vertigo" und "Der vierte Mann" und unterscheidet sich nur ganz leicht
Für die Berechnung von D_xy sind die folgenden Werte aus der Tabelle der Fig. 4 bedeutsam:

~ C_Vertigo,X = 1, C_{Der 4. Mann,x} = 1, C_Alter,X = 1, C_{Heimatanschrift,x} = 1

~ C_Vertigo,X = 5, H_{Der 4. Mann,x} = 4, H_Alter,X = A₃₅, H_{Heimatanschrift,x} = L_Berlin

~ C_Vertigo,Y = 1, C_{Der 4. Mann,Y} = 1, C_Alter,Y = 1, C_{Heimatanschrift,Y} = 1

~ H_Vertigo,Y = 6, H_{Der 4. Mann,Y} = 7, H_Alter,Y = A₄₀, H_{Heimatanschrift,Y} = L_Heidelberg
Die Bewertungsfunktionen A₃₅ und A₄₀ sind im Diagramm der Fig. 4 graphisch dargestellt. Ihre Differenz errechnet sich für A₃₅ und A₄₀ durch:

(L_Berlin-L_Heidelberg) = 0 wegen d ist (Berlin, Heidelberg) >100.
Die Ähnlichkkeitsberechnung ist gegeben durch:
Unter dem gleichen Szenario wird auf der Grundlage einer anderen Ausführungsform der vorliegenden Erfindung jedoch der gleiche Ähnlichkeitswert diskutiert.
Eine Ähnlichkeitsberechung zwischen Anwendern (z. B. Skalarprodukt) in Abhängigkeit von Zeit (einfachstes Beispiel: Tag/Nacht oder Wochentag/Wochenende) ist in diesem Szenario möglich einfach durch Bewerten mit zeitabhängigen Funktionen als Eigenschaft-Einheit-Bewertungen; das stellt eine weitere Erweiterung im Hinblick auf den Stand der Technik für Empfehlungssysteme dar.

4.4 Einheiten-Eigenschaften bewertet durch Bewertungs- Funktionen gemäß Ausführungsform 2

Im Fall, dass die technischen Hindernisse für die Erweiterung eines existierenden Empfehlungssystems, die es in die Lage versetzen würde, Bewertungsfunktionen zusätzlich zu einfachen Bewertungswerten zur Berechnung von Ähnlichkeitsfaktoren zu bearbeiten, zu wichtig sind, ist die nachstehende zweite Ausführungsform eine weitere Realisierung der vorliegenden Erfindung.
Wie bei dem obigen Beispiel wird eine Eigenschaft <Alter> mit einer Domäne V = {0, 1, 2, . . ., 199} angenommen.
Um die Einführung einer Bewertungsfunktion zu vermeiden, wird vorgeschlagen, die bestimmte Eigenschaft <Alter> nicht durch eine einzige Eigenschafts-Einheit einzuführen, sondern durch einen Satz Eigenschafts-Einheiten. Auf diese Weise werden die speziellen Eigenschafts-Einheiten I_Alter = {Alter₀, Alter₁, Alter₂, . . ., Alter₁₉₉} erzeugt, um alle möglichen menschlichen Alterswerte abzudecken; diese Erweiterung des Empfehlungsschemas ist visualisiert im oberen Teil der Fig. 5, die im Hinblick auf die anderen Layout-Aspekte des Empfehlungsschemas identisch ist mit dem Beispiel der Fig. 4. Jede dieser Eigenschafts-Einheiten misst den Anwenderspezifizierten Eigenschaftswert b aus einer bestimmten Perspektive i; d. i. aus der Perspektive der Basispunkte I_Alter. Damit gelangt man für jeden beliebigen Anwender U mit einem konkreten Anwender-spezifischen Alter b zu den folgenden Bewertungswerten der neuen Eigenschafts-Einheiten:

Bewertung (U, Alter_i) = A_b(i) für alle i ∈V.
Beim Berechnen der Ähnlichkeitswerte, zum Beispiel gemäß dem obengenannten Ausdruck D_xy, ist die Differenz der Bewertungen der Eigenschafts-Einheit <Alter>, (H_ix-H_iy), in Wirklichkeit eine Summe von Differenzen über die Eigenschafts- Einheiten-Domäne V:

eine gute Wahl. Mit einer leichten Änderung der Definition
von

für die Eigenschafts-Einheit i an Domäne V führt das zu genau den gleichen Ähnlichkeitswerten wie im Alters- Szenario des Beispiels für Ausführungsform 1.
Auch das obengenannte Eigenschafts-Beispiel bezüglich einer Eigenschaft <Heimatanschrift> der Anwender kann mit der zweiten Ausführungsform realisiert werden. Dieses Beispiel führt in den folgenden speziellen Eigenschafts-Einheiten L = {Ort_Berlin, Ort_Heidelberg, Ort_Hamburg, Ort_London, . . .} zum Abdecken aller möglichen Heimatanschriften. Dann sind die Bewertungswerte für die einzelnen Eigenschafts-Einheiten für die individuellen Basispunkte L für jeden beliebigen Anwender U der Heimatanschrift b gleich:

Bewertung (U, Ort_i) = L_b(i) für alle i∈W.
In diesem Fall ist die Summierung der Wurzeln der quadrierten Differenzen über die Eigenschaftswert-Domäne W,

eine gute Wahl, weil zusätzlich zu einer kleinen Veränderung der Definition von

für die Eigenschafts-Einheiten i in der Domäne W das genau zu den gleichen Ähnlichkeitswerten führt wie das <Heimatanschrift>-Szenario mit der ersten Ausführungsform der Erfindung, wie oben beschrieben.
Auf der Grundlage dieser Erweiterungen der Empfehlungssysteme einschließlich einer Vielzahl von Eigenschafts-Einheiten zum Behandeln einer einzigen Eigenschaft arbeitet das Szenario der Bereitstellung einer Empfehlung, die jetzt auf einer Vielzahl von Bewertungswerten beruht, wie folgt (siehe Beispiel in Fig. 5).
Für die Berechnung von D_xy sind die folgenden Werte aus der Tabelle der Fig. 5 bedeutsam:
Die Funktionen A₃₅ und A₄₀ sind im Schaubild der Fig. 5 graphisch dargestellt. Damit führt die Ähnlichkeitsberechnung zum folgenden Ergebnis:
Somit ergeben sich in beiden Ausführungsformen beim gleichen Beispiel identische Ähnlichkeitsfaktoren.

Claims

1. Ein rechnergestütztes Empfehlungssystem, das so ausgelegt ist, dass eine durch einen Eigenschaftswert kennzeichenbare Eigenschaft an einer Empfehlung beteiligt wird,
wobei das Empfehlungssystem ein Empfehlungsschema beinhaltet, in dem für eine Vielzahl von Anwendern U und für jede der Vielzahl von Einheiten I ein Profil P(U,I) mindestens eine Bewertung enthält,
wobei das Empfehlungssystem dadurch gekennzeichnet ist, dass es
mindestens eine Eigenschafts-Einheit umfasst, die die Eigenschaft mindestens als eine Einheit innerhalb des Empfehlungsschemas implementiert, und
einen bestimmten Eigenschaftswert Y als Eigenschafts- Bewertung der Eigenschafts-Einheit implementiert, wobei die Eigenschafts-Bewertung von dem Abstand zwischen dem bestimmten Eigenschaftswert Y und einem ausgewählten Eigenschaftswert X abhängt.

2. Ein rechnergestütztes Empfehlungssystem gemäß Anspruch 1, in dem die Eigenschafts-Bewertung eine Funktion und der gewählte Eigenschaftswert X eine Variable ist.

3. Ein rechnergestütztes Empfehlungssystem gemäß Anspruch 2, in dem die Funktion als bewertbarer Ausdruck für Ähnlichkeitsbestimmung zwischen Anwendern implementiert ist.

4. Ein rechnergestütztes Empfehlungssystem gemäß Anspruch 1, in dem die Eigenschaft als N Eigenschafts-Einheiten implementiert ist und jede Eigenschaftsbewertung der N Eigenschafts-Einheiten von einem anderen gewählten Eigenschafts-Wert Xi, i = 1, . . ., N abhängt.

5. Ein rechnergestütztes Empfehlungssystem gemäß einem beliebigen der vorstehenden Ansprüche,
in dem die Eigenschaft eine Eigenschaft der Anwender ist, oder
in dem die Eigenschaft eine Eigenschaft eines Objekts ist, das mit dem Anwender verknüpft ist.

6. Ein rechnergestütztes Empfehlungssystem gemäß Anspruch 5,
in dem die Eigenschaft das Alter der Anwender ist, und/oder
in dem die Eigenschaft der geographische Ort dieser Anwender ist, und/oder
in dem die Eigenschaft die Anschrift der Anwender ist.