E-Commerce Intelligence
Amazon-Produktempfehlungen: welches Verfahren wann gewinnt
Vier Recommender-Verfahren auf 65.290 Amazon-Bewertungen verglichen - Rank-based, User-/Item-Collaborative-Filtering und SVD. Kein Modell gewinnt für alles: getuntes SVD für Nutzer mit Historie (RMSE 0,8822), Rank-based für den Kaltstart. Ein MIT-Coursework, ehrlich gerechnet und mit reproduzierbarem Companion-Repository.
Jeder Shop steht vor derselben Frage: Welches Produkt zeige ich diesem Nutzer als Nächstes? Die Antworten der Empfehlungssysteme reichen von „das kaufen gerade alle" bis „das passt zu deiner Historie". Dieses Projekt baut vier dieser Verfahren auf demselben Datensatz und misst sie an denselben Kennzahlen - mit einer unbequemen Erkenntnis: Es gibt nicht das eine beste Modell, sondern das je Szenario passende.
Der Datensatz
Grundlage ist ein öffentlicher Datensatz mit Amazon-Produktbewertungen. Nach Vorverarbeitung auf aktive Nutzer verbleiben 65.290 Bewertungen von 1.540 Nutzern zu 5.689 Produkten. Die Nutzer-Produkt-Matrix ist zu 99,26 % leer - die zentrale Schwierigkeit jedes Recommenders. Und die Bewertungen sind stark optimistisch verzerrt: Durchschnitt 4,29, Median 5. Diese Schieflage muss man kennen, bevor man eine einzige Kennzahl interpretiert.
Vier Verfahren, eine faire Messung
Verglichen wurden vier Ansätze, alle mit GridSearchCV getunt und an denselben Metriken gemessen - RMSE (wie genau die vorhergesagte Bewertung ist) sowie Precision@10 und Recall@10 (Relevanz-Schwelle 3,5):
- Rank-based (Popularität) - empfiehlt die bestbewerteten Produkte mit einer Mindestzahl an Interaktionen. Kennt den einzelnen Nutzer nicht und ist gerade deshalb der richtige Griff für den Kaltstart (neue Nutzer ohne Historie).
- User-User Collaborative Filtering - „Nutzer wie du mochten auch …".
- Item-Item Collaborative Filtering - „wer das mochte, mag auch …"; meist stabiler, weil Produkteigenschaften sich seltener ändern als Nutzergeschmack.
- SVD (Matrix-Faktorisierung) - zerlegt die Matrix in latente Faktoren und kommt mit der Sparsity am besten zurecht.
Ergebnisse
| Verfahren | RMSE | Precision@10 | Recall@10 | F1 |
|---|---|---|---|---|
| User-User CF (Baseline) | 1,0012 | 0,855 | 0,858 | 0,856 |
| User-User CF (getunt) | 0,9527 | 0,847 | 0,894 | 0,870 |
| Item-Item CF (Baseline) | 0,9950 | 0,838 | 0,845 | 0,841 |
| Item-Item CF (getunt) | 0,9567 | 0,838 | 0,889 | 0,863 |
| SVD (Baseline) | 0,8882 | 0,853 | 0,880 | 0,866 |
| SVD (getunt) | 0,8822 | 0,854 | 0,884 | 0,869 |
Auf die reine Vorhersagegenauigkeit gewinnt getuntes SVD (RMSE 0,8822), dicht gefolgt vom SVD-Baseline und den getunten CF-Modellen. Beim F1-Score liegt getuntes User-User (0,870) minimal vorn - der Unterschied ist marginal.
Was die Analyse tatsächlich zeigt
- Der Positivity-Bias färbt die Kennzahlen. Bei einem Median von 5 sind Precision-Werte um 0,85 leichter zu erreichen, als sie klingen; die härtere Kennzahl ist die RMSE.
- Die Unterschiede sind moderat. Von 1,00 auf 0,88 RMSE - real, aber kein Sprung, der ein Verfahren universell krönt.
- Das Szenario entscheidet, nicht die Rangliste. Für neue Nutzer ohne Historie führt kein Weg an Rank-based vorbei; für Nutzer mit Historie liefern getuntes SVD oder Item-Item die persönlicheren Treffer. In der Praxis kombiniert man beides und trainiert regelmäßig nach.
Reproduzierbarkeit & Verifikation
Der vollständige, ausgeführte Code (EDA, alle vier Verfahren, Hyperparameter-Tuning) liegt im Companion-Repository: github.com/myBytesResearch/amazon-product-recommendation-system. Das Projekt entstand als Coursework im Applied AI and Data Science Program der MIT Professional Education (verifizierbares Zertifikat).