Rating, Ranking und Empfehlung - drei R für das Internetzeitalter

THE ULTIMATE CONDOM TEST (Februar 2019).

Anonim

In dieser Weihnachtszeit, wenn wir Google für die beliebtesten Geschenke suchen, verschiedene Artikel auf Amazon vergleichen oder eine Pause machen, um einen Urlaubsfilm auf Netflix zu sehen, nutzen wir die "drei R" des Internet Age: rating, Ranking und Empfehlung.

Ähnlich wie die traditionellen "drei R" der Bildung - "Lesen, Riten und" Rithmetik "- ist keine moderne Ausbildung vollständig, ohne zu verstehen, wie Webseiten Algorithmen Informationen kombinieren, verarbeiten und synthetisieren, bevor sie uns präsentiert werden.

Wie wir in unserem neuen Buch "The Power of Networks: Sechs Prinzipien, die unser Leben verbinden" untersuchen, sind die drei Aufgaben des Ratings, des Rankings und des Empfehlens voneinander abhängig, auch wenn es zunächst nicht offensichtlich ist. Bevor wir eine Reihe von Gegenständen ordnen können, brauchen wir ein gewisses Maß, um sie zu ordnen. Dies ist wirklich eine Bewertung der Qualität jedes Gegenstandes nach bestimmten Kriterien.

Mit Ranglisten in der Hand können wir uns umdrehen und den Leuten, die daran interessiert sind, sie zu kaufen, Empfehlungen zu bestimmten Dingen geben. Diese Wechselbeziehung verdeutlicht, wie wichtig es ist, dass die Qualität und Attraktivität eines Gegenstands erst einmal zu einer Bewertung quantifiziert wird.

Rang

Was Verbraucher und Internetnutzer oft "Rating" nennen, können Technologieunternehmen "Scoring" nennen. Dies ist beispielsweise der Schlüssel dafür, wie die Suchmaschine von Google qualitativ hochwertige Links an die Spitze ihrer Suchergebnisse zurückgibt, wobei die relevantesten Informationen normalerweise auf der ersten Seite der Antworten enthalten sind. Wenn eine Person eine Suchanfrage eingibt, ordnet Google jeder Seite in ihrer Billionendatenbank zwei Hauptergebnisse zu und generiert daraus die Reihenfolge für ihre Ergebnisse.

Die erste dieser Bewertungen ist eine "Relevanzbewertung", eine Kombination aus Dutzenden von Faktoren, die messen, wie eng die Seite und ihr Inhalt mit der Abfrage verwandt sind. Beispielsweise wird berücksichtigt, wie prominent platzierte Suchschlüsselwörter auf der Ergebnisseite angezeigt werden. Die zweite ist ein "Wichtigkeits-Score", der die Art und Weise erfasst, in der das Netzwerk von Webseiten über Hyperlinks miteinander verbunden ist, um zu quantifizieren, wie wichtig jede Seite ist.

Die Kombination dieser beiden Punkte ergibt zusammen mit anderen Informationen eine Bewertung für jede Seite und quantifiziert, wie nützlich sie für den Endbenutzer sein könnte. Höhere Bewertungen werden an die Spitze der Suchergebnisse gesetzt. Dies sind die Seiten, die Google dem Benutzer implizit empfiehlt.

Bewertung

Die drei Rs durchdringen auch den Online-Handel. Amazon und andere E-Commerce-Websites ermöglichen es Kunden, Bewertungen für Produkte einzugeben, die sie gekauft haben. Die in diesen Überprüfungen enthaltenen Sternbewertungen werden in der Regel zu einer einzigen Zahl aggregiert, die die Gesamtmeinung der Kunden widerspiegelt. Das Prinzip dahinter lautet "die Weisheit der Massen", die Annahme, dass die Kombination vieler unabhängiger Meinungen die Realität mehr widerspiegelt als die Bewertung jedes Einzelnen.

Der Schlüssel zur Weisheit der Menschenmenge liegt darin, dass die Bewertungen die Erfahrungen der Kunden genau widerspiegeln und nicht beeinflusst oder beeinflusst werden, wenn der Hersteller beispielsweise eine Reihe positiver Bewertungen zu seinen eigenen Artikeln hinzufügt. Amazon verfügt über Mechanismen, mit denen diese Art von Bewertungen herausgefiltert werden können, beispielsweise indem verlangt wird, dass ein Kauf von einem bestimmten Konto getätigt wurde, bevor eine Bewertung eingereicht werden kann. Amazon berechnet dann die Sterne für die verbleibenden Bewertungen.

Die Durchschnittsbewertung ist ziemlich einfach. Aber es ist komplizierter herauszufinden, wie man Produkte basierend auf diesen Bewertungen effektiv einstufen kann. Zum Beispiel, ist ein Artikel, der 4.0 Sternen hat basierend auf 200 Bewertungen besser als einer, der 4.5 Sterne hat, aber nur aus 20 Bewertungen? Sowohl die durchschnittliche Bewertung als auch die Stichprobengröße müssen in der Rangliste berücksichtigt werden.

Es gibt noch mehr Faktoren, die in Betracht gezogen werden können, wie zum Beispiel die Reputation des Gutachters (Bewertungen, die auf Gutachtern mit höherem Ansehen basieren, kann mehr vertraut werden) und die Bewertungsdisparität (Produkte mit sehr unterschiedlichen Bewertungen können in der Bestellung degradiert werden). Amazon kann Produkte auch verschiedenen Nutzern in unterschiedlichen Aufträgen präsentieren, basierend auf ihrem Browserverlauf und den Aufzeichnungen früherer Einkäufe auf der Website.

Empfehlend

Das beste Beispiel für Empfehlungssysteme ist die Methode von Netflix, um zu bestimmen, welche Filme ein Benutzer genießen wird. Algorithmen sagen voraus, wie jeder bestimmte Benutzer verschiedene Filme bewerten würde, die sie noch nicht gesehen hat, indem er die Vergangenheit ihrer eigenen Bewertungen betrachtet und sie mit denen ähnlicher Benutzer vergleicht. Die Filme mit den höchsten Vorhersagen sind jene, die dann den endgültigen Schnitt für einen bestimmten Benutzer machen.

Die Qualität dieser Empfehlungen hängt stark von der Genauigkeit des Algorithmus und seiner Verwendung von maschinellem Lernen, Data Mining und den Daten selbst ab. Je mehr Bewertungen für jeden Nutzer und jeden Film erstellt werden, desto besser können wir mit den Vorhersagen rechnen.

Ein einfacher Bewertungs-Prädiktor kann jedem Benutzer einen Parameter zuweisen, der feststellt, wie nachsichtig oder hart ein Kritiker ist. Jedem Film kann ein anderer Parameter zugewiesen werden, der feststellt, wie gut der Film relativ zu anderen aufgenommen wurde. Anspruchsvollere Modelle identifizieren Ähnlichkeiten zwischen Benutzern und Filmen. Wenn also Personen, die die Art von Filmen mögen, die Sie mögen, eine hohe Bewertung für einen Film erhalten haben, den Sie noch nicht gesehen haben, könnte das System vorschlagen, dass Sie es auch mögen.

Dies kann verborgene Dimensionen beinhalten, die den Benutzerpräferenzen und Filmeigenschaften unterliegen. Es kann auch beinhalten, zu messen, wie sich die Bewertungen für einen bestimmten Film im Laufe der Zeit verändert haben. Wenn ein bisher unbekannter Film zum Kultklassiker wird, könnte er mehr in den Empfehlungslisten der Menschen auftauchen. Ein wichtiger Aspekt im Umgang mit mehreren Modellen ist deren effektive Kombination und Abstimmung: Der Algorithmus, mit dem 2009 beispielsweise der Wettbewerb des Netflix-Preises für die Vorhersage von Filmbewertungen gewonnen wurde, war eine Mischung aus Hunderten einzelner Algorithmen.

Diese Kombination aus Rating-, Ranking- und Empfehlungsalgorithmen hat unsere täglichen Online-Aktivitäten weit über Shopping, Suche und Unterhaltung hinaus verändert. Ihre Verbindung bringt uns klarere - und manchmal unerwartete - Einblicke in das, was wir wollen und wie wir es bekommen.

menu
menu