Claprecs KI-Empfehlungssystem: So funktioniert der Hybrid-Ansatz

Die erste Herausforderung bei Claprec war nicht, Bewertungen zu speichern, sondern die richtigen Inhalte für jeden Nutzer sichtbar zu machen. Denn der Startbildschirm entscheidet über die Nutzerbindung – ein einfacher "Neueste Beiträge"-Feed reicht nicht aus, wenn es um individuelle Empfehlungen geht. Doch wie baut man ein System, das mit dem Cold-Start-Problem umgeht, geografische Relevanz berücksichtigt und das Nutzerverhalten – konkret die Zeit, die Nutzer mit Inhalten verbringen – intelligent auswertet?

Die Lösung liegt in einem hybriden Empfehlungsalgorithmus, der kollaborative Filterung, Geo-Daten und maschinelles Lernen kombiniert. Dieser Artikel beleuchtet die Architektur und Entscheidungen hinter dem System, das Claprecs Hauptfeed antreibt.

Drei Szenarien – drei Empfehlungsstrategien

Claprecs Backend muss flexibel auf den Zustand des Nutzers reagieren. Die Logik unterscheidet drei Fälle:

• Anonyme Nutzer ohne Standortdaten: Hier greift ein Popularitätsalgorithmus, der neueste Beiträge priorisiert.

• Angemeldete Nutzer: Ein personalisiertes System analysiert die Interessen des Nutzers und kombiniert diese mit Popularität und Aktualität der Beiträge.

• Angemeldete Nutzer mit Standort: Zusätzlich zu den persönlichen Präferenzen fließen geografische Nähe sowie lokale Relevanz in die Empfehlungen ein.

Diese Differenzierung ist entscheidend, um die Nutzererfahrung zu optimieren – ohne dabei die Performance zu beeinträchtigen.

Geodaten als Grundlage: Von der Adresse zum Standort

Bevor maschinelles Lernen überhaupt ins Spiel kommt, muss Claprec ein fundamentales Problem lösen: die Standortermittlung. Ein Beitrag ist nicht einfach ein Punkt auf der Karte, sondern kann an eine Geschäftsadresse oder ein Produkt geknüpft sein, das in mehreren Filialen erhältlich ist.

Um diese Komplexität zu bewältigen, setzt Claprec auf eine mehrstufige Hierarchie:

• Zunächst wird die Koordinate der spezifischen Geschäftsadresse eines Beitrags ermittelt.
• Handelt es sich um ein Produkt, werden alle Geschäfte abgefragt, die dieses Produkt führen, und deren Koordinaten gesammelt.
• Auch der Nutzerstandort wird nicht nur über GPS-Daten (lat/lng), sondern auch über Postleitzahl und Stadtangaben aus dem Profil aufgelöst.

var reviewsLatitudesLongitudes = await PairReviewsWithTheirUniqueLatsAndLngs(reviews);
var latitudesAndLongitudesOfUser = await PairLatitudesAndLongitudesOfUser(user!.Id);

Anschließend berechnet das System die nächste geografische Nähe zwischen Nutzer und Beitrag:

private double? CalculateClosestProximity(
    double lat,
    double lng,
    HashSet<(double, double)> latitudesLongitudes
) {
    if (latitudesLongitudes.Count == 0) return null;
    var proximity = double.MaxValue;
    foreach (var (reviewLat, reviewLng) in latitudesLongitudes) {
        var latDiff = Math.Abs(lat - reviewLat);
        var lngDiff = Math.Abs(lng - reviewLng);
        proximity = Math.Min(proximity, latDiff + lngDiff);
    }
    return proximity;
}

Diese Logik stellt sicher, dass die Empfehlungen nicht nur thematisch, sondern auch räumlich passend sind – ein entscheidender Faktor für lokale Nutzer.

Machine Learning im Einsatz: Matrix Factorization für implizites Feedback

Für angemeldete Nutzer reicht eine einfache Sortierung nach Popularität nicht aus. Hier kommt Matrix Factorization ins Spiel – ein kollaboratives Filterverfahren, das Nutzerpräferenzen aus ihrem Verhalten ableitet. Doch statt klassischer Bewertungen nutzt Claprec implizites Feedback: die Zeit, die Nutzer mit einem Beitrag verbringen.

Jede Interaktion wird als Signal gewertet: 10 Sekunden Blickzeit könnten eine schwache Präferenz bedeuten, 60 Sekunden eine starke. Das Modell lernt daraus, welche Beiträge ähnlichen Nutzern gefallen könnten, selbst wenn diese sie noch nie gesehen haben.

Der Trainingsprozess: Effizienz trifft auf Präzision

Claprec setzt auf das Framework Microsoft.ML und verfolgt einen pragmatischen Ansatz:

var estimator = mlContext.Transforms.Conversion
    .MapValueToKey("UserIdEncoded", "UserId")
    .Append(mlContext.Transforms.Conversion.MapValueToKey("ReviewIdEncoded", "ReviewId"));

var options = new MatrixFactorizationTrainer.Options {
    MatrixColumnIndexColumnName = "UserIdEncoded",
    MatrixRowIndexColumnName = "ReviewIdEncoded",
    LabelColumnName = "Label",  // Zeit in Sekunden
    NumberOfIterations = 20,
    ApproximationRank = 100
};

Mit 20 Iterationen und einem Approximationsrang von 100 findet das Modell einen Kompromiss zwischen Laufzeit und Erkennungsgenauigkeit. Im Gegensatz zu expliziten Bewertungen ist implizites Feedback zwar oft verrauscht, aber der Algorithmus filtert die relevanten Muster heraus.

Dynamische Anpassung: Wann wird das Modell neu trainiert?

Ein ständiges Neulernen nach jeder Interaktion wäre ressourcenintensiv. Stattdessen setzt Claprec auf eine Schwellwert-basierte Strategie:

• Das Modell wird nur aktualisiert, wenn eine bestimmte Anzahl neuer Interaktionen gesammelt wurde.
• Dies verhindert unnötige Rechenlast, ohne die Qualität der Empfehlungen spürbar zu beeinträchtigen.

Ausblick: KI als dynamischer Begleiter

Claprecs Empfehlungssystem ist kein statisches Konstrukt, sondern ein lernendes Ökosystem. Durch die Kombination von geografischer Intelligenz, Nutzerverhalten und maschinellem Lernen entsteht eine Plattform, die Inhalte nicht nur anzeigt, sondern versteht. Die nächsten Schritte könnten die Integration von Kontextfaktoren wie Tageszeit oder Gerätetyp umfassen – immer mit dem Ziel, die Nutzererfahrung weiter zu verfeinern.

Die Zukunft von Claprec liegt darin, dass Empfehlungen nicht mehr nur auf Daten basieren, sondern auf echten Nutzerbedürfnissen. Und genau das macht den Unterschied.