Impression-Aware Recommender Systems

Diese Arbeit stellt einen systematischen Literaturüberblick über Empfehlungssysteme vor, die Impressionen als Datenquelle nutzen, definiert ein theoretisches Rahmenwerk für den neuen Paradigmen der „impression-aware" Systeme und schlägt eine Klassifizierung sowie zukünftige Forschungsrichtungen vor.

Das Wesentliche

Stellen Sie sich vor, Sie gehen durch einen riesigen Supermarkt. Der Verkäufer (der Empfehlungsalgorithmus) stellt Ihnen auf einem Tablett (dem Bildschirm) eine Auswahl von Produkten vor. Das ist die Impression – also das, was Ihnen gezeigt wird.

Bisher haben sich Forscher nur dafür interessiert, was Sie tatsächlich gekauft oder angesehen haben (die Interaktion). Aber diese neue Studie sagt: „Warte mal! Das Tablett selbst ist auch voller Informationen!"

Hier ist die einfache Erklärung der Forschung von Fernando B. Pérez Maurera und seinem Team, gemischt mit ein paar kreativen Vergleichen:

1. Das große Missverständnis: Nur das Gesehene zählt nicht

Stellen Sie sich vor, der Verkäufer zeigt Ihnen 10 verschiedene Schokoladentorten. Sie essen nur eine davon.

• Der alte Weg: Die Forscher sagten: „Okay, er mag Schokolade A. Die anderen 9 mögen wir nicht." Das ist falsch! Vielleicht mochte er die anderen 9 auch, hatte aber nur Hunger auf eine. Oder er hat sie gar nicht bemerkt, weil sie hinten im Regal standen.
• Der neue Weg (IARS): Die Forscher nennen das Impression-Aware Recommender Systems. Das bedeutet: Das System lernt nicht nur aus dem, was Sie kaufen, sondern auch aus dem, was es Ihnen gezeigt hat, aber Sie nicht gekauft haben. Es fragt sich: „Warum hat er diese Torte nicht genommen? War sie zu weit weg? War sie zu teuer? Oder hat er sie einfach übersehen?"

2. Die drei Säulen der Studie

Die Autoren haben sich wie Detektive angestellt und 43 verschiedene Forschungsarbeiten untersucht. Sie haben diese in drei Kategorien eingeteilt, wie man ein Auto in drei Teile zerlegt:

• Der Motor (Die Modelle): Wie bauen die Computer diese Empfehlungsmaschinen?
  • Früher nutzte man einfache Regeln (wie ein Kochbuch: „Wenn Kunde X, dann Produkt Y").
  • Heute nutzen die meisten Künstliche Intelligenz (Deep Learning) oder Lernende Systeme (Reinforcement Learning), die wie ein Schachspieler denken: „Wenn ich ihm jetzt diesen Film zeige, wird er morgen wahrscheinlich diesen anderen Film suchen."
• Der Treibstoff (Die Daten): Woher kommen die Daten?
  • Es gibt Daten, die nur sagen: „User A hat Produkt B gekauft." (Das ist wie ein leerer Tank).
  • Es gibt Daten, die sagen: „User A hat Produkt B gesehen, aber nicht gekauft, und Produkt C hat er gar nicht gesehen." (Das ist der volle Tank!).
  • Das Problem: Viele öffentliche Datensätze sind wie ein verdeckter Spiegel. Man sieht, was gekauft wurde, aber nicht, was daneben lag. Die Autoren fordern mehr Datensätze, die zeigen, was genau auf dem Bildschirm war.
• Der Tacho (Die Bewertung): Wie messen wir, ob es funktioniert?
  • Oft messen Forscher nur den Klick. Aber wenn das System Ihnen 100 mal das Gleiche zeigt, klicken Sie vielleicht aus Langeweile.
  • Die Autoren warnen: Wir müssen vorsichtig sein. Wenn wir nur auf Klicks schauen, lernen wir nicht, ob das System fair ist oder ob es Sie nur mit den gleichen Dingen überflutet (das nennt man „User Fatigue" oder Nutzerermüdung).

3. Warum ist das so wichtig? (Die Analogie vom Blinden)

Stellen Sie sich vor, Sie sind blind und jemand führt Sie durch einen Raum.

• Ohne Impressions: Der Führer sagt nur: „Hier ist eine Tür." (Interaktion). Sie wissen nicht, ob er Ihnen auch ein Fenster gezeigt hat, das Sie nicht berührt haben.
• Mit Impressions: Der Führer sagt: „Ich habe Ihnen eine Tür, ein Fenster und ein Bild an der Wand gezeigt. Sie haben nur die Tür berührt."
  • Jetzt weiß der Führer: „Ah, er mag Türen. Aber vielleicht mag er auch Fenster, ich habe ihn nur nicht richtig darauf hingewiesen." Oder: „Er hat das Bild ignoriert, weil es zu hoch hing."

Das ist der große Vorteil: Das System versteht den Kontext. Es weiß, dass Sie vielleicht nicht geklickt haben, weil das Produkt zu weit rechts stand (Position-Bias) oder weil Sie es schon 50 Mal gesehen haben (Müdigkeit).

4. Was fehlt noch? (Die offenen Fragen)

Die Autoren sagen, wir sind noch nicht am Ziel. Es gibt noch Lücken:

• Das „Warum": Wir wissen oft nicht genau, warum jemand etwas nicht klickt. War es Langeweile? War es das Design? Wir brauchen bessere Methoden, um diese Signale zu entschlüsseln.
• Die Daten-Lücke: Es gibt zu wenige öffentliche Datensätze, die zeigen, was genau auf dem Bildschirm war. Viele Firmen halten diese Daten geheim, weil sie zu wertvoll sind.
• Die Voreingenommenheit: Wenn ein System nur das zeigt, was es denkt, dass Sie mögen, und Sie es dann ignorieren, denkt das System: „Er mag das nicht!" Dabei hat er es vielleicht nur übersehen. Das System muss lernen, diesen Unterschied zu erkennen.

Fazit

Diese Studie ist wie eine Landkarte für eine neue Art von Empfehlungssystemen. Sie sagt uns: „Hör auf, nur auf die Klicks zu starren. Schau dir das ganze Tablett an, das dem Kunden gezeigt wurde!"

Wenn wir lernen, diese „gezeigten, aber ignorierten" Dinge richtig zu verstehen, können wir Empfehlungssysteme bauen, die uns nicht nur das verkaufen, was wir ohnehin kaufen würden, sondern uns auch Dinge zeigen, die wir lieben würden, wenn wir sie nur bemerken würden. Es geht darum, den Supermarkt intelligenter zu machen, damit wir nicht nur das kaufen, was direkt vor unserer Nase liegt.

Technische Zusammenfassung

Problemstellung

Traditionelle Empfehlungssysteme (Recommender Systems, RS) basieren primär auf Interaktionen (z. B. Käufe, Klicks, Bewertungen) zur Modellierung von Benutzerpräferenzen. Dies führt jedoch zu bekannten Limitationen wie der Empfehlung populärer Artikel, der Entstehung von „Filterblasen" und Problemen bei der Behandlung von „Cold-Start"-Benutzern.

Ein neuartiger Datenquellen-Typ, der bisher oft nur sporadisch oder inkonsistent genutzt wurde, sind Impressionen (auch „Exposure", „Slate" oder „Past Recommendations" genannt). Eine Impression ist die Menge an Items, die einem Benutzer zu einem bestimmten Zeitpunkt auf dem Bildschirm angezeigt wird.
Das Hauptproblem besteht darin, dass die Forschung zu Empfehlungssystemen mit Impressionen stark fragmentiert ist. Es gibt keine einheitliche Terminologie, unterschiedliche Interpretationen, wie Impressionen zu nutzen sind, und keine konsistente Klassifizierung der Modelle. Zudem wird oft fälschlicherweise angenommen, dass nicht-interagierte Impressionen automatisch negative Signale sind, was die Komplexität der Benutzerpräferenzen ignoriert.

Methodik

Die Autoren führen eine systematische Literaturübersicht durch, um das Feld zu vereinheitlichen und zu strukturieren.

1. Datensammlung und Auswahl:

   • Die Autoren durchsuchten fünf akademische Suchmaschinen (ACM DL, IEEE Xplore, etc.) nach Begriffen wie „Impression", „Exposure", „Slate" in Verbindung mit „Recommender System".
   • Aus 1.351 gefundenen Papern wurden nach strengen Kriterien (Peer-Review, Top-Tier-Venues, Relevanz) 43 relevante Arbeiten ausgewählt.

2. Theoretischer Rahmen (IARS):

   • Die Autoren definieren ein neues Lernparadigma: Impression-Aware Recommender Systems (IARS).
   • Ein IARS nutzt sowohl Interaktionen als auch Impressionen als primäre Eingangsdaten, um Benutzerpräferenzen zu lernen.
   • Sie stellen eine formale mathematische Definition auf, die den Unterschied zu verwandten Paradigmen (wie Context-Aware Recommender Systems) klar abgrenzt. Der entscheidende Unterschied liegt in der Definition von „Events": Bei IARS ist das Event ein Tupel aus Benutzer, Item, vorhergesagter Relevanz und einem Vektor der Impression (der angezeigten Items), während bei Context-Aware-Systemen kontextuelle Attribute (z. B. Ort, Zeit) hinzugefügt werden.

3. Klassifikationssystem (Taxonomien):
   Um die heterogene Literatur zu strukturieren, schlagen die Autoren ein dreidimensionales Klassifikationssystem vor:

   • Model-Centric Taxonomy: Klassifiziert nach der Architektur des Empfehlungsalgorithmus (Heuristiken, Statistisch, Machine Learning, Deep Learning, Reinforcement Learning).
   • Data-Centric Taxonomy: Klassifiziert danach, wie Impressionen als Eingabe verarbeitet werden (Extrahierung von Features, direktes Lernen aus Impressionen, Sampling von Items).
   • Signal-Centric Taxonomy: Unterscheidet, wie nicht-interagierte Impressionen behandelt werden (Annahme eines negativen Signals vs. aktives Lernen des Signals).

4. Analyse von Datensätzen und Evaluation:

   • Die Autoren analysieren verfügbare Datensätze (öffentlich, abgelaufen, privat) und unterscheiden zwischen kontextuellen Impressionen (Verbindung zwischen Interaktion und spezifischer Impression bekannt) und globalen Impressionen (diese Verbindung fehlt).
   • Sie diskutieren Evaluationsmethoden (Offline, Online, User Studies) und identifizieren methodische Fallstricke, z. B. wenn Testdaten Impressionen enthalten, die im Training nicht verfügbar waren.

Wichtige Beiträge

• Definition des IARS-Paradigmas: Die Autoren etablieren „Impression-Aware Recommender Systems" als eigenständiges, theoretisch fundiertes Paradigma innerhalb des Collaborative Filtering mit Zusatzinformationen (CF-SI).
• Einheitliches Framework: Durch die Definition von Events, Benutzerprofilen und Vorhersagefunktionen wird eine gemeinsame Sprache für die Forschung geschaffen.
• Detaillierte Taxonomie: Das vorgeschlagene dreidimensionale Klassifikationssystem ermöglicht eine präzise Einordnung bestehender Arbeiten und identifiziert Lücken (z. B. fehlende Nutzung von Graph-Modellen oder Factorization Machines).
• Übersicht der Datensätze: Eine umfassende Liste von 13 öffentlichen Datensätzen mit Impressionen wird bereitgestellt, wobei kritisch auf die Unterscheidung zwischen kontextuellen und globalen Daten hingewiesen wird.
• Identifikation von Herausforderungen: Das Paper hebt kritische Probleme wie die Skalierbarkeit (Impressionen sind deutlich häufiger als Interaktionen), Verzerrungen (Biases) in Impressionen und die Schwierigkeit, Signale aus nicht-interagierten Items zu extrahieren, hervor.

Ergebnisse und Trends

• Technologische Entwicklung: Es ist ein deutlicher Trend hin zu komplexeren Modellen zu beobachten. Während frühere Arbeiten (vor 2017) oft auf Heuristiken oder statistische Methoden setzten, dominieren heute Deep Learning (ca. 39% der Arbeiten) und Reinforcement Learning (ca. 23%).
• Umgang mit Signalen: Der Großteil der Forschung (ca. 64%) behandelt nicht-interagierte Impressionen implizit als negative Signale („Missing as Negatives"). Nur wenige Arbeiten versuchen, diese Signale aktiv zu lernen oder als neutral zu betrachten.
• Datennutzung: Die meisten Modelle extrahieren Features aus Impressionen (z. B. Anzahl der Impressionen, CTR) oder nutzen Impressionen direkt als Input. Das Sampling von Items aus Impressionen ist selten.
• Datensatz-Verfügbarkeit: Obwohl die Anzahl der öffentlichen Datensätze gewachsen ist, fehlt es oft an kontextuellen Impressionen (die den genauen Kontext der Interaktion zeigen). Viele verfügbare Datensätze sind nur global, was die Modellierung von Position-Bias oder Layout-Effekten erschwert.

Bedeutung und Ausblick

Dieses Paper ist ein Meilenstein für das Feld der personalisierten Empfehlung, da es die Nutzung von Impressionen von einer Randnotiz zu einem zentralen Forschungsparadigma erhebt.

• Präzisere Modellierung: Durch die Nutzung von Impressionen können Systeme besser verstehen, warum ein Benutzer nicht interagiert hat (z. B. Überdruss/Fatigue, schlechte Platzierung), anstatt dies pauschal als Desinteresse zu werten.
• Debiasing: Impressionen bieten die Möglichkeit, Exposure-Bias (Verzerrung durch die Sichtbarkeit) besser zu korrigieren, da die vollständige Verteilung der angezeigten Items bekannt ist, nicht nur die der geklickten.
• Zukünftige Richtungen: Die Autoren identifizieren offene Fragen, wie z. B. die Modellierung von User Fatigue (Ermüdung durch wiederholte Anzeige), die Entwicklung von Entwurfs-Methoden für Impressionen (welche Items sollen angezeigt werden?) und die Notwendigkeit neuer, fairer Evaluationsmetriken, die die spezifischen Eigenschaften von Impressionen berücksichtigen.

Zusammenfassend liefert das Paper die notwendige theoretische und praktische Basis, um Empfehlungssysteme der nächsten Generation zu entwickeln, die nicht nur auf dem reagieren, was Benutzer tun, sondern auch auf dem, was ihnen gezeigt wurde.