Kollaboratives Filtern
Definition
Kollaboratives Filtern empfiehlt Inhalte aus Ähnlichkeiten im Verhalten vieler Nutzer oder Objekte.
Das Verfahren nutzt Interaktionsmuster wie Bewertungen, Käufe oder Klicks, ohne zwingend detaillierte Inhaltsmerkmale zu benötigen. Häufige Varianten sind user-based, item-based und Matrixfaktorisierung.
Einfach erklärt
Wie zu sagen: Menschen mit ähnlichem Verhalten mochten auch diese Dinge.
Warum das im Alltag wichtig ist
Relevant für Empfehlungen in Shops, Portalen und Wissenssystemen mit genügend Interaktionsdaten.
Beispiel aus dem Mittelstand
Ein B2B-Portal empfiehlt Dokumente anhand ähnlicher Nutzungsmuster anderer Nutzergruppen.
Grenzen und Fallstricke
- Cold Start; Popularitätsbias; Feedback-Loops; implizites Feedback als echte Präferenz behandeln.
Entstehung & Geschichte
Kollaboratives Filtern entwickelte sich mit frühen Recommender-Systemen und wurde durch große Plattformen breit eingesetzt.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Empfehlungen ergänzen, wenn ausreichend Interaktionsdaten und klare Datenschutzregeln vorhanden sind.
Häufige Fragen
Braucht Collaborative Filtering Produktmerkmale?
Nicht zwingend. Was ist Cold Start? Neue Nutzer oder Objekte haben kaum Interaktionsdaten.
Quellen
- Matrix Factorization Techniques for Recommender Systems · Koren et al. (2009), Matrix Factorization Techniques for Recommender Systems
- Bell & Volinsky (2009), zugängliche Originaltextkopie, Seite 31 · Koren, Bell & Volinsky (2009), zugängliche Originaltextkopie, Seite 31
Quellenprüfung: 10./11.10.2026.
Redaktionell geprüft am: