Es fühlt sich an wie Magie, ist aber keine
Du öffnest Netflix, und die erste Reihe ist genau das, worauf du gerade Lust hattest. Zehn Minuten TikTok, und die Videos treffen deinen Humor fast ein bisschen zu gut. Man ist versucht zu glauben, die App kenne dich. Was sie tatsächlich hat, ist eine riesige Aufzeichnung dessen, was Menschen wie du getan haben, und ein System, das darin sehr gut Muster findet.
Solche Empfehlungssysteme entscheiden, was du auf YouTube, Spotify, Amazon, Instagram und in den meisten Nachrichten-Apps siehst. So funktionieren sie, in einfachen Worten.
Was ein Empfehlungssystem macht
Ein Empfehlungssystem schätzt, wie wahrscheinlich es ist, dass dir etwas gefällt, das du noch nicht kennst, dass du es anklickst oder kaufst, und zeigt dir dann die Dinge mit den höchsten Werten. Fast alle beruhen auf zwei Ideen: kollaborativem Filtern und inhaltsbasiertem Filtern.
Kollaboratives Filtern: Leuten wie dir hat das gefallen
Kollaboratives Filtern ist Mundpropaganda im ganz großen Stil. Angenommen, du und dein Freund Alex liebt beide Science-Fiction, und Alex hat außerdem eine Fantasy-Serie gesehen, die du nicht kennst. Wenn sie ihm sehr gefallen hat, stehen die Chancen gut, dass sie dir auch gefällt.
Das System macht dasselbe mit Millionen von Menschen. Es vergleicht deinen Verlauf (was du angesehen, gelikt, gekauft oder übersprungen hast) mit dem aller anderen, findet die Leute, deren Geschmack sich mit deinem überschneidet, und empfiehlt dir, was ihnen gefallen hat und was du noch nicht ausprobiert hast. Worum es in einem Titel geht, muss es dafür gar nicht wissen, nur, wem er gefallen hat.
Berühmt wurde der Ansatz durch den Netflix Prize, einen Wettbewerb, den Netflix von 2006 bis 2009 veranstaltete: Eine Million Dollar gab es für alle, die die Bewertungsvorhersagen um 10 Prozent verbessern konnten. Die Siegerteams setzten stark auf Matrixfaktorisierung, eine Technik, die Millionen von Bewertungen auf wenige versteckte „Geschmacksdimensionen“ für jeden Nutzer und jeden Film verdichtet.
Inhaltsbasiertes Filtern: mehr von dem, was du mochtest
Inhaltsbasiertes Filtern schaut auf den Titel selbst. Wenn du viele Krimiserien mit einer starken weiblichen Hauptfigur siehst, betrachtet das System die Merkmale dieser Serien (Genre, Besetzung, Themen, Tempo) und sucht andere mit denselben Merkmalen. Die Logik lautet: „Dir hat dieser Thriller wegen des überraschenden Endes gefallen, also hier zehn weitere Thriller mit überraschendem Ende.“
Die Stärke: Es funktioniert auch bei ganz neuen Titeln, die noch niemand bewertet hat. Die Schwäche: Es überrascht dich selten.
In der Praxis: beides und noch viel mehr
Große Plattformen kombinieren beide Ansätze und nehmen viele weitere Signale hinzu. TikTok etwa achtet darauf, wie lange du ein Video ansiehst, ob du es noch einmal ansiehst, ob du es teilst, und dazu auf Beschreibung, Sound und Hashtags des Videos. All das fließt für jedes infrage kommende Video in eine einzige Vorhersage ein.
Wie das System „ähnlich“ misst
Beide Verfahren hängen davon ab, zu messen, wie ähnlich sich zwei Dinge sind. Zwei Nutzer sind sich ähnlich, wenn sie viele derselben Filme gleich bewertet haben. Zwei Videos sind sich ähnlich, wenn sich ihre Hashtags, Sounds oder ihr Bildstil überschneiden, oder wenn meist dieselben Leute beide ansehen. Wie viele Menschen haben sowohl Stranger Things als auch The Umbrella Academy gesehen? Ist diese Zahl ungewöhnlich hoch, liegen die beiden Serien auf der Landkarte des Systems nah beieinander, und wer die eine mag, bekommt eher die andere empfohlen.
Wiederhole das für jedes Paar aus Nutzern und Titeln, und es entsteht ein riesiges Netz aus Verbindungen. Dieses Netz lässt Empfehlungen persönlich wirken.
Warum es so gut funktioniert, manchmal zu gut
Je mehr du eine App nutzt, desto mehr Daten hat sie und desto besser werden ihre Vorhersagen. Aber es gibt einen Haken. Ein System, das dir nur zeigt, was du ohnehin magst, kann dich in eine Filterblase sperren, in der alles in deinem Feed bestätigt, was du schon denkst und gern hast. Deshalb kann sich ein Feed gleichzeitig perfekt zugeschnitten und seltsam eintönig anfühlen.
Die Plattformen wissen das, und die meisten mischen bewusst etwas Erkundung bei: Titel, bei denen sich das Modell weniger sicher ist, um zu testen, ob dein Geschmack breiter ist, als es annimmt. Neue Nutzer haben das umgekehrte Problem, den sogenannten Kaltstart. Ohne Verlauf greift die App auf das zurück, was gerade beliebt ist, bis sie mehr über dich weiß.
Du trainierst es die ganze Zeit
Jede Handlung füttert das System: eine Serie, die du zu Ende schaust, ein Video, das du nach zwei Sekunden wegwischst, ein Song, den du wiederholst. Du bringst ihm ständig deine Vorlieben bei, meistens ohne es zu merken. Das wirft berechtigte Fragen auf, etwa zur Privatsphäre (was gesammelt und wie lange es gespeichert wird), zu Verzerrungen (wessen Geschmack das System zu bevorzugen lernt) und zur Selbstbestimmung (wie viel von dem, was du auswählst, wirklich deine eigene Wahl ist). Die Grundlagen zu verstehen, ist der erste Schritt, um dir zu all dem eine Meinung zu bilden.
Ein Stück Kontrolle zurückholen
- Verlauf löschen oder pausieren, wenn deine Empfehlungen in eine Richtung abgedriftet sind, die du nicht willst.
- Bewusst Abwechslung suchen. Der Algorithmus kann dir nur zeigen, wovon er glaubt, dass es dir gefallen könnte.
- Getrennte Profile nutzen, für verschiedene Personen oder sogar verschiedene Stimmungen, damit sich die Empfehlungen nicht gegenseitig verwässern.
- Den Button „Kein Interesse“ verwenden. Negatives Feedback gehört bei den meisten Systemen zu den stärksten Signalen.
Kann man die Personalisierung ganz abschalten? Manche Plattformen erlauben es, das Tracking einzuschränken, oder bieten einen nicht personalisierten Feed an. In der EU verpflichtet der Digital Services Act die größten Plattformen, mindestens eine Empfehlungsoption anzubieten, die nicht auf Profiling beruht. Die Vorschläge passen dann allerdings weniger gut.
Zum Schluss
Um Empfehlungen zu verstehen, musst du kein Data Scientist sein. Etwas Neugier und eine gesunde Portion Skepsis reichen. Diese Systeme können sehr gut vorhersagen, was dich am Bildschirm hält, und das ist nicht immer dasselbe wie das, was dir guttut. Wer das im Hinterkopf behält, lässt sie für sich arbeiten und nicht umgekehrt.
