Transparente Visualisierung von Empfehlungen im mobilen Umfeld

Diplomarbeit von Marcus Stolzenberger

Einleitung:

‘Wir hungern nach Wissen und ertrinken in Informationen’.

Dieses Zitat des amerikanischen Zukunftsforschers John Naisbitt charakterisiert treffend das Dilemma des Informationszeitalters. Einer massenhaften Nachfrage nach Informationen steht ein schier unerschöpfliches Angebot gegenüber.

Informationen waren schon immer essentieller Bestandteil des menschlichen Lebens. Waren unsere Vorfahren noch auf den mündlichen Informationsaustausch angewiesen, so entstanden mit der Entwicklung der Schriftform im alten Ägypten im Laufe der Zeit die ersten vorzeitlichen Datenbanken. Die Bibliothek der Stadt Alexandria umfasste zu ihrer Blütezeit um ca. 100 v. Christus immerhin 700.000 Schriftrollen. Mit der anfänglichen Entwicklung des Buchdrucks im China des Jahres 1040 und der stetigen Weiterentwicklung bis hin zur Erfindung des Buchdrucks mittels beweglicher metallener Lettern durch Johannes Gutenberg Mitte des 15. Jahrhunderts wurden Informationen in schriftlicher Form erstmals auch einer breiteren Bevölkerungsschicht zugänglich gemacht und waren nicht mehr nur einem elitären Kreis vorbehalten. Das Interesse an Informationen wuchs daraufhin kontinuierlich weiter, steigende Bildung der Bevölkerung und öffentliche Bibliotheken beschleunigten diesen Prozess. Unter Betrachtung dieser Zeitspanne ist die Entstehung moderner Computertechnologien Mitte des 20. Jahrhunderts bis hin zur kommerziellen Nutzung des Internets, die ihren Anfang mit der Entwicklung des ‘World Wide Web’, kurz WWW, im Jahre 1993 fand, noch als ein recht junges Stadium der Menschheitsgeschichte anzusehen.

So sagte noch 1977 Ken Olsen Präsident und Gründer der Computerfirma ‚Digital Equipment Corporation’: ‘Es gibt keinen Grund, warum jemand einen Computer zu Hause haben wollte’.

Wenige Jahre später sind Personal Computer und mit ihnen einhergehend der Zugang zum WWW in den meisten privaten Haushalten unerlässlich geworden. Doch die gewaltige Menge an Daten und Informationen, die das Internet seinen Nutzern global zur Verfügung stellt sind mittlerweile für einen einzelnen Menschen nicht mehr zu überschauen und zu verarbeiten. Man spricht von Informationsüberflutung oder Information Overflow, welche eine sinnvolle und produktive Informationssuche ohne fremde Hilfe unmöglich macht.

Betrachtet man den Bestand der 700.000 Schriftrollen in der alexandrinischen Bibliothek, der für sich genommen für eine einzelne Person schon eine ungeheure Menge an Informationen beinhaltet, so wirkt diese Zahl verglichen mit den Datenbeständen auf die das WWW Zugriff gewährt, eher unbedeutend. Die Suchmaschine Google beispielsweise hat gegenwärtig Zugriff auf rund 8 Milliarden Dokumente und Websites.

Suchmaschinen waren auch die ersten ‘Helfer’, die Internetnutzern bei der Suche nach den für sie relevanten Informationen unterstützten indem Dokumente nach verschiedenen Suchkriterien gefiltert wurden. Bei identisch gestellten Suchanfragen liefern sie aber für alle Anwender gleiche Ergebnisse und haben keinen persönlichen Charakter. Mit der Entwicklung von Empfehlungssystemen wurde dieser Nachteil umgangen. Empfehlungssysteme sind Anwendungen, die Nutzer bei der Auswahl von Objekten unterstützen indem sie mittels Bezug zu persönlichen Präferenzen der Anwender Empfehlungen generieren. Sie existieren in den unterschiedlichsten Interessensgebieten. So gibt es spezielle Empfehlungssysteme z.B. für Filme, Musik, Websites, Witze, Events, Dienstleistungen usw. Auch die meisten Online-Shops filtern ihr Produktangebot mit Hilfe von Empfehlungssystemen und schlagen dem Kunden Produkte vor, die für ihn von Interesse sein könnten. Im mobilen Umfeld, dem Internetzugang mittels eines Mobiltelefons, Smartphones oder PDAs, kommen Empfehlungssysteme seit einigen Jahren ebenfalls zum Einsatz.

Zielsetzung:

Die Aufgabe der vorliegenden Arbeit besteht darin, die Grundlagen und Funktionsweise von Empfehlungssystemen zu erläutern und die von ihnen ausgesprochenen Empfehlungen zu analysieren. Im Fokus der Thematik steht hierbei das Verständnis der Nutzer über das Zustandekommen einer Empfehlung, bzw. die Existenz einer Erklärung wie und warum das Objekt empfohlen wurde. Man spricht von ‘Transparenz’ oder von ‘transparenter Empfehlung’, wenn Informationen vorhanden sind, die Anwender den Grund der Empfehlungsgenerierung offen legen.

In diesem Zusammenhang lautet die zentrale Zielsetzung dieser Arbeit Erarbeitung, Darstellung und Analyse von Visualisierungsmöglichkeiten transparenter Empfehlungen im mobilen Umfeld.

Das Forschungsgebiet über Transparenz in Empfehlungssystemen ist ein relativ neues, es existiert kaum Literatur, die sich mit dieser Thematik auseinandersetzt. Als Lösungsansatz werden deshalb drei weitere Fragestellungen aufgeworfen, die im Laufe dieser Arbeit mittels Sichtung und Analyse der vorhandenen Literatur geklärt werden und mit Hilfe derer die zentrale Problemstellung beantwortet werden soll:

- Welche Bedeutung hat die Implementierung von Transparenz generell für Anwender und Anbieter von Empfehlungssystemen? Welche besondere Bedeutung kommt ihr dabei speziell im mobilen Umfeld zu?

- Selektion des Inhalts von Transparenz: Aus welchen Informationen bestehen die zur Darstellung von Transparenz benötigten Erklärungen?

- Visualisierung von Transparenz: Welche Möglichkeiten bestehen, Transparenz zu visualisieren? Welche Möglichkeiten bestehen speziell im mobilen Umfeld und welche Restriktionen sind dabei zu berücksichtigen?

Nach Beantwortung der Fragen und der zentralen Zielsetzung, soll das erarbeitete Wissen mittels der Entwicklung eines prototypischen mobilen transparenten Empfehlungssystems, an einem Beispiel praktisch veranschaulicht werden.

Gang der Untersuchung:

Die Arbeit ist in 7 Kapitel gegliedert, die aufeinander aufbauend mit jedem Kapitel eine Spezialisierung bzw. Weiterführung mittels der aus den vorangegangenen Kapiteln gewonnenen Erkenntnisse vornehmen.

Kapitel 2 gibt eine Einführung in das Thema Empfehlungssysteme und erläutert deren Grundlagen. Aufbauend auf der Bedeutung, die Empfehlungssysteme sowohl für Anwender als auch für Anbieter haben, werden die klassischen Systeme vorgestellt. Insbesondere werden dabei ihre jeweiligen Funktionsweisen und Unterschiede sowohl anhand praktischer und theoretischer Beispiele als auch durch präzise Darstellung der zugrunde liegenden mathematischen Modelle und Algorithmen präsentiert.

Kapitel 3 definiert den Begriff Transparenz für die Thematik dieser Arbeit und analysiert welche Vorteile die Implementierung transparenter Empfehlungen in Empfehlungssystemen für Anwender und Anbieter generieren können. Nach Selektion der Inhalte und der grundlegenden Visualisierungsmöglichkeiten von Transparenz, werden zwei empirische Studien vorgestellt, die transparente Empfehlungen aus der Perspektive der Nützlichkeit für Anwender untersuchen.

Kapitel 4 gibt zunächst eine kurze Einführung in die Geschichte des mobilen Internets, und skizziert einen aktuellen Marktüberblick. Nach Analyse welchen Alleinstellungsmerkmalen das mobile Umfeld unterliegt wird deren Bedeutung für Anbieter und Anwender sowie insbesondere für transparente Empfehlungen herausgearbeitet. Unter Berücksichtigung der Alleinstellungsmerkmale und Restriktionen mobiler Endgeräte sowie mittels der aus den vorangegangenen Kapiteln gewonnenen Erkenntnisse werden generelle Möglichkeiten der Visualisierung von Transparenz in mobilen Empfehlungssystemen selektiert und mittels einzelner Beispiele dargestellt.

Darauf aufbauend umfasst Kapitel 5 den Entwurf eines prototypischen Empfehlungssystems, das Empfehlungen auf mobilen Endgeräten transparent kommuniziert.

Der entwickelte Prototyp dient als Grundlage einer Nutzerumfrage, die dessen Nützlichkeit insbesondere im Hinblick auf die implementierten transparenten Faktoren untersucht. Die Umfrage und deren Ergebnisse werden in Kapitel 6 präsentiert.

Die Arbeit schließt in Kapitel 7 mit einer Zusammenfassung sowie einem kurzen Ausblick.

Inhaltsverzeichnis:

	ABBILDUNGSVERZEICHNIS	V
	TABELLENVERZEICHNIS	VII
	ABKÜRZUNGSVERZEICHNIS	VIII
	SYMBOLVERZEICHNIS	IX
1.	PROBLEMSTELLUNG	1
1.1	EINFÜHRUNG	1
1.2	ZIELSETZUNG UND LÖSUNGSANSATZ	2
1.3	STRUKTUR DER ARBEIT	4
2.	EMPFEHLUNGSSYSTEME	6
2.1	BEDEUTUNG VON EMPFEHLUNGSSYSTEMEN FÜR DIE WIRTSCHAFT	7
2.1.1	Reduzierung von Komplexität	7
2.1.2	Kundenbindung durch Personalisierung	8
2.1.3	One-to-One Marketing	9
2.1.4	Cross-Selling Potentiale	11
2.2	BEDEUTUNG VON EMPFEHLUNGSSYSTEMEN FÜR DIE INFORMATIONSGESELLSCHAFT	12
2.2.1	Reduzierung der Transaktionskosten	12
2.2.2	Kundenzufriedenheit durch Personalisierung	13
2.2.3	Aktualität	13
2.2.4	Verfügbarkeit	13
2.3	AUSPRÄGUNGEN VON EMPFEHLUNGEN	14
2.4	KLASSISCHE EMPFEHLUNGSSYSTEME	16
2.4.1	Uniforme Empfehlungssysteme	17
2.4.2	Meinungsportale	19
2.4.3	Regelbasierte Empfehlungssysteme	22
2.4.3.1	Formular-Based Filtering	22
2.4.3.2	Rule-Based Filtering	24
2.4.3.3	Beurteilung des Verfahrens	25
2.4.4	Attribute-Based Filtering	26
2.4.4.1	Self-Explicated Measurements	28
2.4.4.2	Conjoint-Analyse	29
2.4.4.3	Beurteilung des Verfahrens	32
2.4.5	Collaborative Filtering	33
2.4.5.1	Speicherbasierte Verfahren	38
2.4.5.2	Modellbasierte Verfahren	44
2.4.5.3	Vergleich von speicher- und modellbasierten Ansätzen	49
2.4.5.4	Beurteilung des Verfahrens	49
2.4.6	Hybride Systeme	52
3.	TRANSPARENZ VON EMPFEHLUNGEN	56
3.1	DEFINITION VON TRANSPARENZ	57
3.2	BEDEUTUNG TRANSPARENTER EMPFEHLUNGEN FÜRDIE INFORMATIONSGESELLSCHAFT	58
3.2.1	Akzeptanz	59
3.2.2	Vertrauen	59
3.2.3	Effektivität und Effizienz	60
3.2.4	Kundenzufriedenheit	60
3.3	BEDEUTUNG TRANSPARENTER EMPFEHLUNGEN FÜR DIE WIRTSCHAFT	61
3.3.1	Kundenbindung	61
3.3.2	Kaufwahrscheinlichkeit	61
3.4	SELEKTION DES INHALTS TRANSPARENTER EMPFEHLUNGEN	62
3.5	SELEKTION DER VISUALISIERUNGSMÖGLICHKEITEN TRANSPARENTER EMPFEHLUNGEN	64
3.6	EMPIRISCHE UNTERSUCHUNGEN TRANSPARENTER EMPFEHLUNGEN	68
3.6.1	Projekt ‘MovieLens’	68
3.6.2	Projekt ‘LIBRA’	72
3.7	SCRUTABILITY ALS TRANSPARENZ ERHÖHENDER FAKTOR	80
3.8	ZUSAMMENFASSUNG	82
4.	VISUALISIERUNG DER TRANSPARENZ VON EMPFEHLUNGEN IM MOBILEN UMFELD	84
4.1	MOBILES INTERNET: GESCHICHTE UND AKTUELLER MARKTÜBERBLICK	85
4.2	ALLEINSTELLUNGSMERKMALE VON EMPFEHLUNGSSYSTEMEN IM MOBILEN UMFELD	88
4.2.1	Ubiquität und Erreichbarkeit	88
4.2.2	Kontextsensitivität und Lokalisierbarkeit	88
4.2.3	Nutzeridentifikation und Sicherheit	89
4.3	BEDEUTUNG DER ALLEINSTELLUNGSMERKMALE FÜR ANBIETER, ANWENDER UND TRANSPARENZ	89
4.4	ANFORDERUNGEN AN MOBILE EMPFEHLUNGSSYSTEME	91
4.5	VISUALISIERUNGSMÖGLICHKEITEN IM MOBILEN UMFELD	92
4.5.1	Textbasierte Visualisierung	92
4.5.2	Audiobasierte Visualisierung	93
4.5.3	Visualisierung durch Ratings/Skalen	94
4.5.4	Visualisierung durch Icons	95
4.5.5	Visualisierung durch Diagramme	96
4.5.6	Visualisierung durch Kombination der Methoden	97
4.6	EMPIRISCHE UNTERSUCHUNG TRANSPARENTER EMPFEHLUNGEN IM MOBILEN UMFELD	101
4.7	ZUSAMMENFASSUNG	105
	ENTWICKLUNG EINES PROTOTYPISCHEN TRANSPARENTEN EMPFEHLUNGSSYSTEMS	106
5.1	VORBEMERKUNGEN	106
5.2	DIE GRUNDIDEE	106
5.3	AUSGANGSSITUATION UND ANFORDERUNGEN	108
5.4	DESIGN UND VISUALISIERUNG DES TRANSPARENTEN EMPFEHLUNGSSYSTEMS	110
5.4.1	Visualisierung des Startscreens	110
5.4.2	Visualisierung der Empfehlungen durch Freunde	111
5.4.3	Visualisierung der Empfehlungen mittels Ortsbezug	113
5.4.4	Visualisierung der Empfehlungen mittels Profilbezug	114
5.4.5	Visualisierung der Empfehlungen mittels individueller Suche	117
5.5	ZUSAMMENFASSUNG	119
6.	NUTZERUMFRAGE	120
6.1	ZIEL DER UMFRAGE UND HYPOTHESEN	120
6.2	UNTERSUCHUNGSDESIGN	122
6.3	PRÄSENTATION UND ANALYSE DER ERGEBNISSE	123
6.4	ZUSAMMENFASSUNG UND GRENZEN DER UNTERSUCHUNG	129
7.	FAZIT UND AUSBLICK	131
	ANHANG	134
	ANHANG A - UMFRAGENKATALOG	134
	ANHANG B - ERGEBNISSE DER UMFRAGE	149
	LITERATURVERZEICHNIS	163

Textprobe:

Kapitel 3.4, Selektion des Inhalts transparenter Empfehlungen:

Kontext- und situationsabhängig variiert der Informationsgehalt von Erklärungen in einem Empfehlungssystem. In welchem Ausmaß welche Informationen (über das Zustandekommen einer Empfehlung) preisgegeben werden, ist abhängig von der Art des zugrunde liegenden Systems sowie von der Entscheidung der Anbieter inwieweit Informationen über den Empfehlungsprozess veröffentlich werden sollen. Dieser Abschnitt beschreibt, welche Informationen Erklärungen grundsätzlich beinhalten können.

Abstrakte Beschreibung des Algorithmus:

Eine Möglichkeit Transparenz zu implementieren, die bei allen Empfehlungssystemen gleich ist, ist die Offenlegung der Technik, welche vom System zur Empfehlungsgenerierung verwendet wird. In einfachen und verständlichen Worten wird dem Nutzer beschrieben wie das System grundsätzlich arbeitet und welche Informationen dabei verarbeitet werden um Empfehlungen auszusprechen.

Informationen über Eigenschaften eines Objektes:

Die Angabe der Eigenschaften, die über formular- oder regelbasierte Systeme zur Generierung einer Empfehlung verwendet werden, erhöht die Transparenz von Empfehlungen, die mittels dieser Technik erstellt wurden. So ist es sinnvoll und für den Nutzer besser nachzuvollziehen warum er ein bestimmtest Objekt empfohlen bekommt, wenn die entsprechenden Eigenschaften explizit aufgelistet sind. Eigenschaften und ihre Ausprägungen bestehen beispielsweise aus Öffnungszeiten oder Entfernungen zu einem bestimmten Objekt oder anderen Eigenschaften, welche der Anwender vorher im formular- oder regelbasierten System angegeben hat. Je nach Situation und Kontext können dies z.B. Eigenschaften eines Restaurants (Entfernung, Öffnungszeiten, Küche, Ambiente etc), eines aktuellen Kinofilms (Standort des Kinos, Startzeiten des Films, Darsteller, Genre etc.) oder auch eines Produktes (LCD-TV, 699,- Euro, 2x HDMI, 42`` Bildschirm, usw.) sein.

Informationen über Ratings und Bewertungen anderer Nutzer:

Zu einem empfohlenen Produkt, einer empfohlenen Dienstleistung oder Information zusätzlich den Mittelwert aller für dieses Objekt bisher abgegeben Bewertung anzuzeigen ist eine weitere Option die Empfehlung zu begründen. Insbesondere bei Empfehlungen der ‘Top-N-Items’ oder des ‘Most-Popular-Items’ einer Kategorie erhöht diese Information die Transparenz der Empfehlung. Weitere Informationen in diesem Kontext, welche die Transparenz erhöhen, sind Angaben über die Anzahl aller bisher abgegebenen Ratings für ein Objekt, das Hinzufügen von ‘Kundenrezensionen’ oder ‘Kritiken’ oder Informationen über gewonnene Preise oder Awards.

Informationen über ähnliche Objekte:

Systeme, die mittels Attribute-Based Filtering Empfehlungen generieren, erhöhen die Transparenz einer ausgesprochenen Empfehlung, indem Nutzern angezeigt wird, welche anderen Objekte j zu einer spezifischen Empfehlung geführt haben. Vertiefend ist es möglich auch die Eigenschaften i der Objekte darzustellen, die speziell zu einer bestimmten Empfehlung beigetragen haben.

Informationen über ähnliche Nutzer:

Basiert eine Empfehlung auf der Technik des Collaborative Filtering, können Informationen über ähnliche Nutzer veröffentlicht werden um die Transparenz der Empfehlung zu erhöhen. Dem aktiven Nutzer a kann beispielsweise angezeigt werden, wie ähnliche Nutzer (Mentoren) ein bestimmtes Objekt bewertet haben. Zusätzlich kann der aktive Nutzer sich auch die einzelnen Profile der Mentoren anzeigen lassen um zu verstehen welche Präferenzen zur Empfehlungsgenerierung verwendet wurden.

Kombination verschiedener Erklärungen:

Durch Kombinieren verschiedener Informationen über das Zustandekommen einer Empfehlung kann deren Transparenz aus Anwendersicht erhöht werden. So ist es beispielsweise möglich vor der Empfehlungsgenerierung eine abstrakte Erklärung des zu Grunde liegenden Algorithmus darzustellen und je nach System weitere der oben dargestellten Informationen einzeln oder in Kombination zu implementieren.

Wie diese Informationen in Empfehlungssystemen visualisiert werden können und welche Visualisierungsmöglichkeiten mehr oder weniger geeignet sind um dem Anwender die Erklärung verständlich darzustellen ist Thema des nächsten Abschnitts.

Selektion der Visualisierungsmöglichkeiten transparenter Empfehlungen:

Visualisierung der abstrakten Beschreibung des Algorithmus:

Erklärt ein Empfehlungssystem dem Anwender das Zustandekommen einer Empfehlung mittels Beschreibung der grundlegenden Funktionsweise des Systems, wird auf textbasierte Visualisierung zurückgegriffen. Darstellungen anderer Art sind weniger denkbar, da eine Erklärung der Funktionsweise mittels anderer Methoden wie z.B. einer Graphik ohne textbasierte Beschreibung für den Laien nicht verständlich wäre.

Visualisierung der Informationen über Eigenschaften eines Objektes:

Kontextabhängig können Eigenschaften und Eigenschaftsausprägungen eines Objektes unterschiedlich visualisiert werden. Handelt es sich um produktspezifische Angaben wie beispielsweise die technischen Angaben bei einem Personal Computer, so werden diese Ausprägungen (Preis, Festplattengröße, Arbeitsspeicher, Laufwerk, Betriebssystem, Grafikkarte, Mainboard, Netzwerkanschluss, Software, usw.) numerisch und textbasiert dargestellt.

Ist ein Objekt durch binäre Eigenschaften beschrieben, ist die Visualisierung mittels einfacher Icons möglich. Beispielsweise könnte die ‘Verfügbarkeit’ von Tickets in einem Empfehlungssystem für Kinofilme oder Konzerte durch ein rotes bzw. grünes Symbol visualisiert werden.

Visualisierung der Informationen über Ratings und Bewertungen anderer Nutzer:

Einzelne oder durchschnittliche Ratingwerte eines Objektes lassen sich mittels numerischer oder graphischer Visualisierung darstellen. Die Darstellung eines Ratingwertes bei numerischer Visualisierung erfolgt in der expliziten Angabe der (gerundeten) Werte im Vergleich zum Maximalwert (z. B.: ‘4.3/5’). Bei graphischer Visualisierung dieser Information werden Skalen, Diagramme oder Histogramme genutzt. In der Praxis greift man hauptsächlich auf die numerische Angabe oder, bei graphischer Visualisierung, auf eine Balken- oder Sternenskala zurück und verbindet diese mit der zusätzlichen Angabe der insgesamt für dieses Objekt abgegebenen Ratings.