DE10247929A1

DE10247929A1 - Auslegen eines Empfehlungssystems zum Vorsehen von Anwender-zu-Anwender-Empfehlungen

Info

Publication number: DE10247929A1
Application number: DE10247929A
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: US20030149612A1

Abstract

Die vorliegende Erfindung betrifft ein rechnergestütztes Verfahren und entsprechende Mittel zum Bewerten einer Einheit in einem Empfehlungssystem. DOLLAR A Die vorliegende Erfindung benutzt ein Empfehlungsschema, in dem für jeden einer Vielzahl Anwender U und für jede einer Vielzahl Einheiten I ein Profil P (U, I) mindestens eine Bewertung enthält. Durch Bestimmen einer Teilmenge der Vielzahl von Anwendern aus dem Empfehlungsschema auf der Grundlage der Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl von Anwendern wenigstens im Hinblick auf die Bewertungen wird es möglich, die betreffende Teilmenge als die empfohlenen Anwender zu empfehlen.

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) zu empfehlen auf der Grundlage von Einheitenempfehlungen des gleichen sowie anderer Anwender des Systems. In weiteren Einzelheiten betrifft die vorliegende Erfindung eine Technologie zum Erweitern des Spektrums möglicher Empfehlungen in Empfehlungssystemen, die diesen Systemen das Vorsehen neuer Empfehlungstypen ermöglicht.

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 aus der Wechselwirkung des Anwenders mit dem System abgeleitet (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 derjeniger 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, das Spektrum möglicher Empfehlungen in Empfehlungssystemen zu erweitern, was es diesen Systemen ermöglicht, neue Empfehlungstypen vorzusehen.

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 ein rechnergestütztes Verfahren und entsprechende Mittel zum Bewerten einer Einheit in einem Empfehlungssystem.

Die vorliegende Erfindung benutzt ein Empfehlungsschema, in dem für jeden einer Vielzahl von Anwendern U und für jedes einer Vielzahl von Einheiten I ein Profil P(U,I) mindestens eine Bewertung enthält. Durch Bestimmen einer Teilmenge der Vielzahl Anwender aus dem Empfehlungsschema aufgrund der Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl von Anwendern, mindestens ausgedrückt in der Form als Bewertungen, wird es möglich, diese Teilmenge als die empfohlenen Anwender zu empfehlen.

Somit ermöglicht die vorliegende Erfindung das Vorsehen neuer Typen von Empfehlungen, insbesondere zum Empfehlen anderer Anwender an einen anfordernden ersten Anwender. Die vorgeschlagene Technologie erweitert daher das Spektrum möglicher Empfehlungen in Empfehlungssystemen, die es diesen Systemen ermöglichen, neue Typen von Empfehlungen vorzusehen. Am bedeutsamsten ist es, wie aus der nachstehenden Beschreibung hervorgeht, dass diese Vorzüge ohne Verändern des Empfehlungssystems selbst erzielt werden können, nur durch Strukturieren des Empfehlungsschemas, das in einem Empfehlungssystem als zu verarbeitende Eingabe auf neuartige Weise vorgesehen ist. Diese Art Empfehlungen können in Gemeinschaften oder auf Gemeinschaft beruhenden Systemen ausgewertet werden, um die Menschen einander näher zu bringen.

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 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 das Flussdiagramm einer ersten Ausführungsform der erfindungsgemäßen Methodik.
Fig. 5 zeigt ein erstes Beispiel für das Layout und die Struktur des Empfehlungssystems gemäß einer ersten Ausführungsform der vorliegenden Erfindung.
Fig. 6 zeigt ein zweites Beispiel für das Layout und die Struktur des Empfehlungssystems gemäß einer zweiten Ausführungsform der vorliegenden Erfindung.
Fig. 7 visualisiert das Flussdiagramm der allgemeinsten Ausführungsform der erfindungsgemäßen Methodik.

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. Rechnerprogramme im vorliegenden Kontext heißen 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 ausführt: a) Umwandlung in eine andere Sprache, Code oder Schreibweise; b) Wiedergabe in einer anderen materiellen Form.
Wie in der vorliegenden Beschreibung bereits angezogen, 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 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 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-Präferenzen des Anwenders von Samstag bis einschl. Donnerstag zeigt, und ein zweites Profil, das die Restaurant-Präferenzen 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 Auswählens von Filmen zeigt. Die Anwendung dieses Profils ermöglicht es, eine Filmempfehlung zu geben, der den unterschiedlichen Filmgeschmack der beiden Einzelpersonen berücksichtigt. 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 Speicher mit wahlfreiem Zugriff (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 speichern. 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 zugeordnet 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-Plattenalbum) 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 erfassen durch Überwachen 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 her 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 Annahme, dass der Anwender die Seite um so lieber sieht, je länger er sie anschaut. Alternativ kann ein System die Aktionen des Anwenders verfolgen, um eine Bewertung einer besonderen Einheit für diesen Anwender zu bestimmen. 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 dem Zuordnen der Bewertung durch den Anwender gegeben wurde, 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 auf diese Weise 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 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 eine Teilmenge 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 um so näher bei Null liegt, je stärker 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 vorläufigen 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 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 aktualisiert werden. 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 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 gegeben hätte, minimieren.
"Ähnlichkeitsfaktoren" zwischen Anwendern bezieht sich auf jede Größe, die den Grad der Übereinstimmung zwischen den zwei Anwenderprofilen 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 erzeugt haben 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 gegeben 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 durch beide Anwender bewerteten Einheiten 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, Einheiten nur am Tage zu bewerten, können die Anwender im bestimmten Maß als unähnlich angesehen werden, unabhängig von dem Umstand, dass sie einen identischen Satz Einheiten gleich bewertet haben können.
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, von 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 auf der Grundlage sowohl eines Schwellenwerts, der kleiner ist als L, als auch eines Vertrauensfaktors, der höher ist als ein zweiter vorbestimmter Schwellenwert, ausgewählt werden.
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 bestimmt 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, aktualisiert. 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 mit geringer Häufigkeit) 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 ständig 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 von einer Vielzahl identischer Datenstrukturen aufgebaut wird, die jeweils eine Anwender-Identifikation und eine Einheiten-Identifikation sowie einen entsprechenden Bewertungswert (potentiell vergrößert durch berechnete Ähnlichkeitsfaktoren) umfasst. Zwecks effizienter Anwendung des Rechnerspeichers sollte diese gemeinsame Datenstruktur der Größe nach beschränkt sein. Ein potentielles Layout dieser den Anwenderprofilen und den Einheitenprofilen gemeinsamen Datenstruktur ist in Fig. 2 dargestellt. Jeder Bewertungs- oder Nichtnull-Matrix-Eintrag wird durch ein Tupel dargestellt, 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 den 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 einem tieferen Einblick 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.
Aus der obigen Beschreibung ergibt sich, dass Empfehlungssysteme Empfehlungsschemata benutzen, in denen für jeden einer Vielzahl Anwender U und für jedes einer Vielzahl Einheiten I ein Profil P(U,I) mindestens eine Bewertung enthält (cf. z. B. Fig. 3). Somit kann das Empfehlungsschema als Matrix P(U,I) betrachtet werden.
Ein ernstlicher Mangel für das kollaborative Filtern von Empfehlungssystemen auf dem Stand der Technik betrifft den Umstand, dass zwar Einheiten Objekte jeden Typs repräsentieren können, jedoch der Stand der Technik nicht zulässt, einem ersten Anwender eine Vielzahl von anderen Anwendern vorzuschlagen (was in der vorliegenden Spezifikation Anwender-Anwender-Empfehlung genannte wird). Die Hauptidee der vorliegenden Erfindung ist, die Erweiterung der Empfehlungstechnologie durch Unterstützen der Anwender-Anwender- Empfehlungen vorzuschlagen. Diese Art Empfehlungen können in Gemeinschaften oder auf Gemeinschaften basierenden Systemen ausgenutzt werden, um Leute zusammenzubringen. Die vorliegende Erfindung liefert Mechanismen zum Empfehlen eines oder einer Vielzahl von Anwendern einem bestimmten Anwender, der kollaborative Filtertechnologie benutzt.
Schon aus dem obengenannten Empfehlungsschema P(U,I) ist es offensichtlich, dass mit der Technologie auf dem jetzigen Stand der Technik nur Einheiten Anwendern vorgeschlagen werden können, jedoch nicht Anwender anderen Anwendern.
Gemäß einer ersten Beobachtung kann dieses Ziel erreicht werden durch Bestimmen einer Teilmenge der Vielzahl Anwender, auf die innerhalb des Empfehlungssystems auf der Grundlage der Ähnlichkeit zwischen einem ersten Anwender und einer Vielzahl Anwender, zum mindesten in Form der Bewertungen, aus dem Empfehlungsschema Bezug genommen wird. Dann wird vorgeschlagen zu empfehlen, dass dem ersten Anwender Teilmengen als diese empfohlenen Anwender empfohlen werden.
Diese grundlegende Idee wird in Fig. 7 visualisiert durch besondere Konzentration auf den Unterschied in der Situation auf dem Stand der Technik, der in Fig. 1 gezeigt wird. Gemäß dieser Idee besteht die spezifische Teilmenge der Anwender, die dem ersten Anwender empfohlen werden sollen, aus den benachbarten Anwendern des ersten Anwenders, bestimmt als Ähnlichkeit auf der Grundlage der Einheiten, die von diesen Anwendern bewertet wurden. Der wesentliche Unterschied zum Flussdiagramm in Fig. 1 besteht in Schritt 710, in dem direkt an den anfordernden ersten Anwender die benachbarten Anwender geliefert werden, anstatt der im Normalfall gelieferten Einheiten.
Die zweitwichtigste Beobachtung der vorliegenden Erfindung ist, dass eine Anwender-bewertete Einheit I_U vorhanden sein muss, um in der Lage zu sein, einen Anwender U einem bestimmten Anwender empfehlen zu können, wobei diese Anwenderbewertete Einheit den Anwender U in dem Empfehlungsschema als Einheit reflektiert (mit anderen Worten, den Anwender als eine Art "künstliche Einheit" darstellt). Zusätzlich muss mindestens eine Bewertung für die Anwender-bewertete Einheit I_U vorhanden sein, da nur Einheiten empfohlen werden können, die bewertet sind. Also schlägt die vorliegende Erfindung vor, dass jeder Anwender U die entsprechende Anwenderbewertete Einheit I_U mit einem vorgegebenen Bewertungswert S bewertet, damit U durch Empfehlen von I_U "sich selbst" empfehlen kann, wenn es als Nachbar für irgendeinen bestimmten Anwender ausgewählt wird. Gemäß diesem Weg werden die diagonalen Matrixelemente P(U,I_U) innerhalb des Empfehlungsschemas auf einen bestimmten vorgegebenen Wert S gesetzt.
Diese erweiterte Struktur des Empfehlungsschemas wird in Fig. 5 visualisiert. Die vertikale Dimension dieser Matrix bezeichnet die einzelnen Anwender, in diesem Fall die Anwender A bis D, während die horizontale Dimension die einzelnen Einheiten innerhalb des Empfehlungsschemas bezeichnet. Die neuen Anwender bewerteten Einheiten sind in dieser Figur als Einheiten I_A bis I_D wiedergegeben. Ferner sind die diagonalen, auf einen konstanten Wert S = 1 gesetzten Matrixelemente veranschaulicht; siehe z. B. 501.

4.3 Eine erste Ausführungsform der vorliegenden Erfindung

In einer ersten Ausführungsform wird der Empfehlung von Anwendern erzielt durch eine Änderung des Empfehlungsverfahrens, wie bereits im Flussdiagramm der Fig. 1 diskutiert wurde. Nehmen wir Bezug auf Fig. 4 für diese neue Betrachtungsmöglichkeit. Die bedeutsame Änderung ist, dass Schritt 110 auf dem Stand der Technik durch zwei neue Schritte ersetzt wird, Schritt 410 und Schritt 412. In Schritt 410 wird der Satz der empfohlenen Einheiten bestimmt. Aber infolge der spezifisch erweiterten Struktur des Empfehlungsschemas enthält dieser Satz empfohlener Einheiten auch Anwender-bewertete Einheiten. Somit wurde es möglich, dass man Schritt 412 die Anwender bewerteten Einheiten aus diesem Satz auswählen lässt und diesen Schritt die betreffenden Anwender als Ergebnissatz der empfohlenen Anwender ausgeben lässt. Da Anwender-bewertete Einheiten den Anwendern in einem Eins-zu-Eins-Verhältnis entsprechen, empfiehlt das Empfehlungsschema einem ersten anfordernden Anwender in der Tat einen oder eine Vielzahl von Anwendern.
Somit macht die Methodik zum Vorschlagen von Anwendern einem ersten anfordernden Anwender auf der Grundlage der sehr spezifischen Natur des oben eingeführten erweiterten Empfehlungsschemas die folgenden Schritte:
Einen Schritt (A) zum Bestimmen einer Teilmenge der Vielzahl von Anwendern aus dem Empfehlungsschema als benachbarte Anwender N des ersten Anwenders. Diese Bestimmung gründet sich auf die Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl Anwender, wenigstens was die Bewertungen betrifft, die diese Anwender in das System eingegeben haben;
einen Schritt (B) zum Bestimmen einer oder einer Vielzahl von Einheiten aus dem Empfehlungsschema als empfohlene Einheiten, wiederum auf der Grundlage der Ähnlichkeit mit den benachbarten Anwendern N und auf der Grundlage der Bewertung der Einheiten der benachbarten Anwender N;
einen Schritt (C) zum Empfehlen von Anwender bewerteten Einheiten, enthalten in den empfohlenen Einheiten (bestimmt in schritt B) als die empfohlenen Anwendungen.
Das einfache Beispiel der Fig. 5 illustriert die obige Lehre der ersten Ausführungsform. Unter Bezugnahme auf Fig. 5 hat Anwender B drei Einheiten bewertet, eine Anwender-bewertete Einheit I_B 501 (die in Wirklichkeit ihn selber repräsentiert), und zwei "normale" Einheiten <Vertigo> 502 und <Fußball> 503. Seit der speziellen Bewertung der Anwender und ihrer entsprechenden Anwender bewerteten Einheiten werden die benachbarten Anwender nur auf der Grundlage von Bewertungen von Nicht-Anwender bewerteten Einheiten bestimmt. In diesem einfachen Beispiel sind die Nachbarn von B A und C. Die Gründe dafür sind zweifach: erstens, die Bewertungsfaktoren von B und D stehen senkrecht aufeinander; zweitens zeigen die Bewertungsvektoren von A und B eine Überlappung in den Profilen 510 und 502, und ferner zeigen die Bewertungsvektoren der Anwender B und C eine Überlappung in den Profilen 503 und 511. Damit ist der Gesamtsatz der Einheiten, der in Schritt 410 bestimmt wird

{I_A, <Marathon>, I_C, <Basketball>}.
Schließlich gibt Schritt 412 die Anwender bewerteten Einheiten nur dieses Satzes zurück, d. h. {I_A, I_C}. Somit werden die Anwender A und C dem Anwender B in einer Anwender-zu- Anwender-Empfehlung empfohlen. Die Einzelheiten der Ähnlichkeitsberechnungen werden hier zwecks Klarheit der wichtigsten Schritte dieser Ausführungsform weggelassen.
Die Pfeile im unteren Teil der Fig. 5 zeigen, wie die empfohlenen Einheiten für den anfordernden Anwender B bestimmt werden können. Das Verfahren beginnt entlang den waagrechten Pfeilen, die sich auf den Anwender B beziehen, durch Bestimmen aller Nichtnull-Bewertungswerte. Sobald diese bekannt sind, ermöglicht das Prüfen des Empfehlungsschemas in vertikaler Richtung dieser Nichtnull-Bewertungswerte das Bestimmen anderer Anwender, auch unter Vorsehen von Nichtnull- Bewertungswerten für diese Einheiten. Diese Anwender definieren die benachbarten Anwender des Anwenders B. Im nächsten Schritt werden diese benachbarten Anwender in der horizontalen Dimension des Empfehlungsschemas analysiert zum Bestimmen dieser bewerteten Einheiten, die nicht vom ersten Anwender bewertet wurden. Die Gesamtheit dieser Einheiten repräsentiert den Satz der Einheiten-Kandidaten für die Empfehlung.

4.4 Eine zweite Ausführungsform der vorliegenden Erfindung

In einer zweiten Ausführungsform kann die Empfehlung von Anwendern ausgeführt werden durch die bereits bekannte Methodik gemäß Fig. 1 in Anwendung auf ein Empfehlungsschema, das im Vergleich zu dem in Fig. 5 noch stärker erweitert ist. Die wichtigste Ausführung, im Widerspruch zum Stand der Technik, ist, dass durch die Anwender zu bewertende Objekte nicht mehr als Einheiten im Empfehlungsschema dargestellt sind. Die einzigen Einheiten in dieser Ausführungsform sind die Anwender bewerteten Einheiten, wie sie in der vorstehenden ersten Ausführungsform umrissen wurden. Andererseits müssen aber die zu bewertenden Objekte irgendwie dargestellt werden. Zu diesem Zweck wird vorgeschlagen, dass das Empfehlungsschema für jedes Objekt I, das von der genannten Vielzahl von Anwendern bewertet werden kann, einen Einheitbewerteten Anwender U_I enthält, wobei dieser Einheit-bewertete Anwender das Objekt wie ein Anwender innerhalb des Empfehlungsschemas widerspiegelt (wobei er eine Einheit wie eine Art "künstlicher Anwender" darstellt). Für jedes Bewerten eines Anwenders U für ein Objekt I während der Laufzeit wird diese Bewertung jetzt im Profil P(U_I,I_U) (nicht mehr im Profil P(U,I), das in dieser Ausführungsform nicht mehr existiert) gespeichert. Die empfohlenen Einheiten sind ausschließlich Anwender-bewertete Einheiten, da laut Konstruktion zu bewertende Objekte nicht als Einheiten reflektiert werden sondern nur als Einheit-bewertete Anwender. Da Anwenderbewertete Einheiten den Anwendern in einem Eins-zu-Eins- Verhältnis entsprechen, empfiehlt dieses Empfehlungsschema in Wirklichkeit einen oder eine Vielzahl von Anwendern einem bestimmten Anwender.
Das einfache Beispiel aus Fig. 6 illustriert die Lehre dieser zweiten Ausführungsform. Der Anwender B hat drei Einheiten bewertet, eine Anwender-bewertete Einheit IB und zwei "normale" Einheiten <Vertigo> und <Fußball>, die als Einheitenbewertete Anwender dargestellt sind. Wegen der Sonderbehandlung von Anwendern und ihre entsprechenden Einheitenbewertete Anwender werden die benachbarten Anwender bestimmt als Teilmenge der Anwender bewerteten Einheiten, die ein anfordernder Anwender bereits bewertet hat. Aufgrund der Tatsachen, dass die bewertenden Vektoren in P(U,I) für die Anwender A bis D senkrecht stehen, werden sie als "nicht ähnlich" behandelt. Daher wird die Nachbarschaft des Anwenders B von den Einheiten-bewerteten Anwendern <Vertigo> und <Fußball> aufgebaut. Schließlich ist die empfohlene Einheit des Einheiten-bewerteten Anwenders <Vertigo> I_A, und die des Einheiten-bewerteten Anwenders <Fußball> ist I_C. Daher werden die Anwender A und C dem Anwender B als Anwender-an-Anwender- Empfehlung empfohlen. Die Einzelheiten der Ähnlichkeitsberechnung werden hier zwecks Klärung der wichtigen Schritte der vorliegenden Ausführungsform weggelassen.
Die Pfeile im unteren Teil der Fig. 6 zeigen, wie die empfohlenen Einheiten (im vorliegenden Fall nur für die Anwenderbewerteten Einheiten) für den anfordernden Anwender B bestimmt werden können. Das Verfahren beginnt entlang dem waagrechten Pfeil, der sich auf den Anwender B bezieht, durch Bestimmen aller Nichtnull-Bewertungswerte. Sobald diese bekannt sind, ermöglicht das Prüfen dieser Nichtnull-Bewertungswerte durch das Empfehlungsschema in senkrechter Richtung das Bestimmen weiterer Anwender sowie auch das Vorsehen von Nichtnull-Bewertungswerten für diese Einheiten. Diese Anwender definieren die benachbarten Anwender des Anwenders B. Im nächsten Schritt werden diese benachbarten Anwender (Einheiten-bewertete Anwender) in der horizontalen Dimension des Empfehlungsschemas analysiert zum Bestimmen dieser bewerteten Einheiten, die nicht vom ersten Anwender bewertet wurden. Die Gesamtheit dieser Einheiten repräsentiert den Satz der Einheiten-Kandidaten (Anwender-bewertete Einheiten) für die Empfehlung.

4.5 Eine dritte Ausführungsform der vorliegenden Erfindung

In einer dritten Ausführungsform werden die Verknüpfungen zwischen Anwendern zum Generieren der Empfehlung benutzt. Beide vorstehenden Ausführungsformen beinhalten Anwenderbewertete Einheiten, aber bisher wurden nur Bewertungen auf der Hauptdiagonalen der quadratischen Teilmatrix bestehend aus den Anwendern und Anwender bewerteten Einheiten benutzt. Die Idee ist jetzt die Benutzung der außerhalb der Diagonalen liegenden Einträge (cf. z. B. 504, 601) in dieser quadratischen Teilmatrix für Anwender-zu-Anwender-Bewertungen. Die Möglichkeit, dass ein erster Anwender einen zweiten Anwender bewerten kann, ist nur aufgrund der fundamentalen Idee der vorliegenden Erfindung möglich, auch Anwender als Einheiten, sogenannte Anwender-bewertete Einheiten, zu modellieren.
Beispiele für diese Art von Bewertungen sind Aktivitäten eines bestimmten Anwenders U auf einer gemeinsamen Plattform:

- Anwender U öffnet die Homepage eines anderen Anwenders U'
- Anwender U sendet an Anwender U' eine Email
- Anwender U setzt Anwender U' auf seine Überspring-Liste

Diese Aktionen können im Empfehlungssystem durch Speichern der geeigneten Werte im Profil P(U,U') erkannt werden. Hier könnte die Bewertung in ersten Fall leicht positiv, im zweiten Fall positiv, und im dritten Fall negativ sein. Diese Möglichkeiten sind die weiteren Hauptvorteile des Einführens von Anwender bewerteten Einheiten in kollaborative Filterungs-Empfehlungssysteme.

Claims

1. Ein rechnergestütztes Verfahren zum Empfehlen eines Satzes aus einem oder einer Vielzahl von empfohlenen Anwendern an einen ersten Anwender,
wobei das Verfahren ein Empfehlungsschema benutzt, in dem für jeden einer Vielzahl von Anwendern U und für jede einer Vielzahl von Einheiten I ein Profil P(U,I) mindestens eine Bewertung enthält, und
das Verfahren aus diesem Empfehlungsschema eine Teilmenge der Vielzahl von Anwendern auf der Grundlage der Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl von Anwendern mindestens im Hinblick auf diese Bewertungen bestimmt, und die Teilmenge als die empfohlenen Anwender empfiehlt.

2. Ein rechnergestütztes Verfahren zum Empfehlen gemäß Anspruch 1, in dem
das Empfehlungsverfahren für jeden der Anwender U auch eine Anwender-bewertete Einheit I_U enthält, die Anwender-bewertete Einheit, die den Anwender U reflektiert, auch eine Einheit innerhalb der Vielzahl von Einheiten aufweist, und jedes Profil P(U,I_U) entsprechend einem Anwender U und seiner ihm zugeordneten Anwender bewerteten Einheit 10 des Anwenders U als Bewertung einen vordefinierten Bewertungswert S speichert, und
das Verfahren die folgenden Schritte umfasst,
einen Schritt (A) des Bestimmens einer Teilmenge der Vielzahl von Anwendern aus dem Empfehlungsschema als benachbarte Anwender N des ersten Anwenders auf der Grundlage der Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl von Anwendern, wenigstens im Hinblick auf die Bewertungen, und
einen Schritt (B) des Bestimmens einer oder einer Vielzahl von Einheiten aus dem Empfehlungsschema als empfohlene Einheiten auf der Grundlage der Ähnlichkeit mit den benachbarten Anwendern N und auf der Grundlage des Bewertens der Einheiten der benachbarten Anwender N, und
einen Schritt (C) des Empfehlens Anwender-bewerteter Einheiten, die innerhalb der empfohlenen Einheiten als die empfohlenen Anwender enthalten sind.

3. Ein rechnergestütztes Verfahren zum Empfehlen gemäß Anspruch 2, in dem das Empfehlungsschema für jedes Objekt, das von den Anwendern bewertet werden kann, eine Einheit umfasst.

4. Ein rechnergestütztes Verfahren zum Empfehlen gemäß Anspruch 2, in dem
das Empfehlungsschema für jedes Objekt, das durch die Vielzahl von Anwendern bewertet werden kann, einen Einheit-bewerteten Anwender U₁ umfasst, wobei der Einheit-bewertete Anwender das Objekt als ein Anwender innerhalb der Vielzahl der Anwender U reflektiert, und
das Empfehlungsschema eine Bewertung mindestens eines Anwenders U für ein Objekt umfasst, wobei das Objekt als Einheit-bewerteter Anwender U₁ reflektiert wird und die Bewertung innerhalb eines Profils P(U₁, I_U) enthalten ist, wobei das Profil dem Einheit-bewerteten Anwender U₁ und der Anwender-bewerteten Einheit I_U des Anwenders U entspricht.

5. Ein rechnergestütztes Verfahren zum Empfehlen gemäß Anspruch 3 oder 4, in dem das Empfehlungsschema eine Bewertung von mindestens einem zweiten Anwender U2 auf einem dritten Anwender U3 in einem Profil P(U2,I_U3) umfasst, und das Profil dem zweiten Anwender U2 entspricht, und eine Anwenderbewertete Einheit I_U3 dem dritten Anwender U3 entspricht.

6. Ein rechnergestütztes Verfahren zum Empfehlen gemäß Anspruch 1, in dem
das Verfahren die folgenden Schritte umfasst,
einen Schritt (A) zum Bestimmen einer Teilmenge der Vielzahl von Anwendern vom Empfehlungsschema als benachbarte Anwender N des ersten Anwenders aufgrund der Ähnlichkeit zwischen dem ersten Anwender und der Vielzahl von Anwendern mindestens im Hinblick auf die Bewertungen, und
einen Schritt (D) des Empfehlens der benachbarten Anwender N als empfohlene Anwender.

7. Ein System zum Empfehlen einer Einheit an einen bestimmten Anwender, wobei die Einheit von dem Anwender noch nicht bewertet ist, das Mittel enthält, die zum Durchführen der Schritte des Verfahrens gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 6 ausgelegt sind.

8. Ein Datenverarbeitungsprogramm zur Ausführung in einem Datenverarbeitungssystem, enthaltend Software-Codeteile zur Durchführung eines Verfahrens gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 6, wenn das Programm auf dem Rechner gefahren wird.

9. Ein Rechnerprogrammprodukt, gespeichert auf einem von einem Rechner benutzbaren Medium, enthaltend rechnerlesbare Programmittel zum Bewirken, dass ein Rechner ein Verfahren gemäß einem beliebigen der vorstehenden Ansprüche 1 bis 6 ausführt, wenn das Programm auf dem Rechner gefahren wird.