Erfolgreich abgeschlossen: Projekt zu Next-Generation Empfehlungssysteme auf Basis von Deep Learning

12.07.2021|15:41 Uhr

Das Forschungsprojekt in Zusammenarbeit mit dem US-amerikanischen Start-Up Breinify über die „schlummernde Präferenz“ von Kunden in Onlineshops ist erfolgreich abgeschlossen.

Der Lehrstuhl für TMDT forschte und entwickelte zusammen mit Breinify (San Francisco, USA), einem führenden Softwareanbieter zur prädiktiven Personalisierung auf Kundenebene, ein Jahr lang an Deep Learning-basierten Empfehlungssystemen für Onlineshops. Im Rahmen verschiedener realer Anwendungsfälle wurden dabei wesentliche Fragestellungen moderner Empfehlungssysteme untersucht.

Welches Produkt interessiert den Nutzer?

Eine zentrale Herausforderung derartiger Systeme ist es, Nutzern entsprechend ihrer (bisher) unbekannten Präferenz die richtigen Produkte zu empfehlen. Um Ähnlichkeiten zwischen Produkten und Nutzerverhalten zu identifizieren, setzten die Forscher des TMDT auf KI-Modelle, die auf historischen Nutzeraktivitäten trainiert wurden. Dabei handelt es sich um Hybrid-Systeme bestehend aus künstlichen neuronalen Netzen und Algorithmen zur Bestimmung von Nutzer-Präferenz-Profilen.

Wann sind Produkte zu empfehlen?

Ein wesentlicher Faktor für den Erfolg einer Produktempfehlung ist ihr Zeitpunkt. Daher ist es nicht nur wichtig zu wissen, welches Produkt empfohlen werden soll, sondern auch, wann die Empfehlung ausgesprochen werden soll. Um dieser Frage nachzugehen, untersuchte das TMDT das Kaufverhalten von Nutzern in realen Marketing-Kampagnen und leitete daraus zeitabhängige Empfehlungssysteme ab, die den Empfehlungszeitpunkt für jeden Nutzer individuell bestimmen können.

Evaluierung in realen Tests

Für die Evaluierung und Bewertung der entwickelten Verfahren setzten das TMDT und Breinify die Systeme im Produktivbetrieb ein und führten regelmäßige und über mehrere Wochen andauernde Live-Tests mit Millionen Online-Nutzern durch. Die Ergebnisse zeigen einerseits das große Nutzenpotenzial der entwickelten Verfahren für Empfehlungssysteme, andererseits liefern sie wichtige Erkenntnisse für den Einsatz von Deep Learning-Verfahren im realen und komplexen Produktivbetrieb. Darüber hinaus wurden bereits zahlreiche Anknüpfungspunkte für weitere Forschungsarbeiten in dem Feld identifiziert.

Publikationen

Im Zuge der Forschungsarbeiten sind drei Publikationen entstanden, die auf wissenschaftlichen Konferenzen eingereicht und z.T. bereits veröffentlicht wurden:

• Evaluating a Session-based Recommender System using Prod2vec in a Commercial Application; Hasan Tercan et al.; ICEIS 2021; hier veröffentlicht
• When to Message: Investigating User Response Prediction with Machine Learning for Advertisement Emails; Christian Bitter et al.; eingereicht auf der AI4I Conference 2021
• A Filter is Better than None: Improving Deep Learning-Based Product Recommendation Models by Using an User Preference Filter; Miguel Alves Gomes et al.; eingereicht auf der ICMLA 2021