Zum Inhalt

Cookie-Einstellungen

Sie entscheiden je Kategorie, welche Dienste wir nutzen dürfen; vorausgewählt ist nichts. Ihre Wahl gilt für alle Seiten unter fh‑wedel.de, wird 12 Monate in einem Cookie gespeichert und lässt sich jederzeit im Footer unter „Cookie-Einstellungen“ ändern oder widerrufen. Datenschutz

Notwendig

Immer aktiv

Speichert Ihre Wahl, damit die Einwilligung funktioniert. Immer aktiv.

  • EinwilligungsverwaltungFachhochschule Wedel gGmbH
    Anbieter
    Fachhochschule Wedel gGmbH, Feldstraße 143, 22880 Wedel
    Zweck
    Speichert Ihre Entscheidung über Cookies und Dienste, damit wir Sie nicht bei jedem Aufruf erneut fragen.
    Cookies
    • fhw_einwilligung12 Monate
    • fhw_widerspruch12 Monate
    Drittland
    keins (EU)

Statistik

Wir messen, wie viele Menschen unsere Seiten besuchen und welche Beiträge sie lesen, um das Angebot zu verbessern.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google Analytics 4Google Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, wie unsere Seiten genutzt werden, etwa welche Seiten aufgerufen werden und woher die Besuche kommen.
    Cookies
    • _ga2 Jahre
    • _ga_*2 Jahre
    Drittland
    USA (Data Privacy Framework)
  • MatomoFachhochschule Wedel gGmbH (eigener Server)
    Anbieter
    Fachhochschule Wedel gGmbH (eigener Server), Feldstraße 143, 22880 Wedel
    Zweck
    Misst auf unserem eigenen Server, welche Seiten und Beiträge aufgerufen und gelesen werden und woher die Besuche kommen.
    Cookies
    • _pk_id*13 Monate
    • _pk_ses*30 Minuten
    • _pk_ref*6 Monate
    Drittland
    keins (EU)

Marketing

Wir zeigen Werbung für die FH Wedel bei Google, Facebook, Instagram und TikTok (auch Menschen, die unsere Seiten besucht haben) und messen, ob sie wirkt. Dabei gelangen Daten in die USA und nach China.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google AdsGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, ob Besuche auf unsere Anzeigen zurückgehen, und zeigt unsere Anzeigen Besucherinnen und Besuchern erneut (Remarketing).
    Cookies
    • _gcl_*3 Monate
    Drittland
    USA (Data Privacy Framework)
  • Meta-PixelMeta Platforms Ireland Limited
    Anbieter
    Meta Platforms Ireland Limited, Merrion Road, Dublin 4, D04 X2K5, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf Facebook und Instagram und zeigt sie passenden Zielgruppen.
    Cookies
    • _fbp3 Monate
    • _fbc3 Monate
    Drittland
    USA (Data Privacy Framework)
  • TikTok-PixelTikTok Technology Limited
    Anbieter
    TikTok Technology Limited, 10 Earlsfort Terrace, Dublin, D02 T380, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf TikTok und zeigt sie passenden Zielgruppen.
    Cookies
    • _ttp13 Monate
    • _tt_enable_cookie13 Monate
    • ttcsid*siehe Anbieter
    Drittland
    Drittländer einschließlich China (Standardvertragsklauseln)

Externe Medien

Wir zeigen eingebettete Videos und andere Inhalte fremder Anbieter direkt auf unseren Seiten; dabei erhält der Anbieter Daten wie Ihre IP-Adresse.

  • YouTubeGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Spielt eingebettete Videos von YouTube ab, nachdem Sie ein Video geladen haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
Alle Artikel

Thesis

Wie Filmempfehlungen vielfältiger werden

Diese Masterarbeit vergleicht drei Verfahren für vielfältigere Filmempfehlungen. MMR steigert die gemessene Genrevielfalt um 16,30 Prozent bei 3,80 Prozent weniger Rankinggenauigkeit. Die passende Methode hängt vom Ziel des Empfehlungssystems ab.

  • Veröffentlicht am
  • Verfasst von Yue Cao, M. Sc. Data Science & Artificial Intelligence
  • Betreut von Prof. Gerd Beuster und Prof. Christian-Arved Bohn
  • Teilen

Empfehlungen sollen mehrere Interessen abbilden

Wer gern Thriller schaut, interessiert sich vielleicht auch für Komödien oder Dokumentationen. Eine Empfehlungsliste mit zehn sehr ähnlichen Filmen bildet diese unterschiedlichen Vorlieben nur begrenzt ab. Empfehlungssysteme müssen deshalb abwägen: Wie gut passen einzelne Vorschläge zu einer Person und wie abwechslungsreich ist die Liste insgesamt? Mit Vielfalt sind hier inhaltliche Unterschiede zwischen Filmen gemeint, gemessen anhand ihrer Genres.

In meiner Masterarbeit im Studiengang Data Science & Artificial Intelligence an der FH Wedel habe ich untersucht, wie sich solche Listen gezielt verändern lassen. Der Ansatz heißt Re-Ranking: Ein vorhandenes Empfehlungssystem schlägt zunächst passende Filme vor. Anschließend wählt ein zusätzliches Verfahren daraus eine neue Rangliste aus. Das zugrunde liegende Modell muss dafür nicht neu trainiert werden.

Drei Verfahren im gleichen Versuchsaufbau

Als Grundlage diente MovieLens 20M, ein Datensatz mit rund 20 Millionen Filmbewertungen. Nach der Datenaufbereitung umfasste die Untersuchung 134.703 Nutzende, 11.851 Filme und knapp zehn Millionen positive Bewertungen. Ein gemeinsames, mit maschinellem Lernen trainiertes Modell stellte für jede Person 100 Kandidaten bereit. Daraus erzeugten die drei untersuchten Verfahren jeweils zehn Empfehlungen.

Die Verfahren setzen unterschiedliche Schwerpunkte:

  • MMR: reduziert die Ähnlichkeit zu bereits ausgewählten Filmen und schafft dadurch mehr inhaltliche Abwechslung.
  • xQuAD: berücksichtigt Interessenbereiche einer Person, die in der bisherigen Liste noch nicht vertreten sind.
  • Kalibriertes Re-Ranking: nähert die Genreanteile der Empfehlungsliste den Anteilen im bisherigen Interessenprofil an.

Ergebnisse zeigen einen messbaren Zielkonflikt

Für die Bewertung wurden ältere Bewertungen zum Training, zeitlich nachfolgende zur Einstellung der Verfahren und die jüngsten zum abschließenden Test genutzt. Auf den Validierungsdaten legte ich fest, wie viel Rankinggenauigkeit zugunsten von Vielfalt höchstens verloren gehen durfte. Geprüft wurden Budgets von einem, drei, fünf und zehn Prozent. Die Einstellungen wurden anschließend unverändert auf den Testdaten bewertet; die Hauptauswertung umfasst drei Trainingsläufe mit unterschiedlichen Zufallsinitialisierungen.

Beim Budget von fünf Prozent erreichte MMR den stärksten Zuwachs der genrebasierten Listendiversität. Auf den Testdaten stieg sie im Mittel um 16,30 Prozent gegenüber der Ausgangsliste. Gleichzeitig sank die Rankingkennzahl NDCG@10 um 3,80 Prozent. Sie bewertet, wie weit oben als relevant bekannte Filme unter den ersten zehn Empfehlungen stehen. Die Diversitätskennzahl ILD@10 misst dagegen, wie stark sich die empfohlenen Filme im Durchschnitt hinsichtlich ihrer Genres unterscheiden.

Testmittelwerte über drei Trainingsläufe. MMR mit λ = 0,40; Auswahl auf Validierungsdaten bei einem relativen NDCG-Verlustbudget von 5 %. Die Prozentwerte im Fließtext bezeichnen relative Änderungen gegenüber der Ausgangsliste.

KennzahlAusgangslisteMit MMR
Genrebasierte Vielfalt (ILD@10)0,66940,7785
Rankinggenauigkeit (NDCG@10)0,058480,05626
Abdeckung des Filmkatalogs48,28 %49,74 %
Anteil weniger populärer Filme1,68 %2,04 %

Das Fünf-Prozent-Budget war eine Auswahlregel auf den Validierungsdaten; es garantiert keine entsprechende Grenze für jede Person oder einen späteren Produktiveinsatz.

Die Methode muss zum gewünschten Nutzen passen

MMR verringerte im untersuchten Vergleich die inhaltliche Ähnlichkeit besonders stark. xQuAD berücksichtigt ausdrücklich, welche Interessenbereiche bisher noch nicht in einer Liste vorkommen. Kalibriertes Re-Ranking verbessert vor allem die Übereinstimmung mit den bisherigen Interessenanteilen. Ein Verfahren ist deshalb nicht automatisch für alle Ziele die beste Wahl.

Auch die Größe der Vorauswahl entscheidet nicht allein über die Qualität: Mehr Kandidaten verbesserten das Verhältnis zwischen Genauigkeit und Vielfalt im untersuchten Versuchsaufbau nicht durchgehend. Zudem wirkte dieselbe Einstellung je nach Interessenprofil unterschiedlich. Für den Einsatz sollten deshalb auch einzelne Nutzergruppen betrachtet werden.

Die Arbeit liefert einen nachvollziehbaren Ansatz, um Vielfalt in bestehende Empfehlungssysteme einzubauen. Die Ergebnisse stammen aus einem Offlineexperiment mit Filmdaten. Ob Menschen solche Listen hilfreicher finden, muss eine Nutzerstudie oder ein Online-Test klären. Unternehmen können das Vorgehen nutzen, um Ziel und vertretbaren Genauigkeitsverlust festzulegen und anschließend passende Verfahren zu vergleichen.

Grundlage: Yue Cao, Masterarbeit, FH Wedel, 25. August 2026, insbesondere S. 28–35, 47–50 und 77–80. Zahlen aus Tabellen 4–6; gerundet.