AI Speak: Wie Youtube über Sie lernt — Teil 1
Modelle und Empfehlung
Aktivitäten
Dies sind die Kreditkartentransaktionen von zwei in Nantes lebenden Personen. Sie sind auf der Suche nach Dingen, die sie am Wochenende ausprobieren möchten. Was würden Sie John Doe empfehlen und was Tom Harris?
Liste zur Auswahl:
- Die neue Burger-King-Filiale
- Eine Olivenölverkostung
- Ein Online-Gepäckladen
- Ein Konzert am Fluss
- Babyschwimmkurs
Empfehlungssysteme gibt es schon mindestens so lange wie Reiseführer und Top-Ten-Listen. Während The Guardian Best Books of 2022 allen dieselbe Liste empfiehlt, würden Sie sie wahrscheinlich anpassen, wenn Sie für sich selbst auswählen: Wählen Sie ein paar Bücher aus und ändern Sie die Reihenfolge der Lektüre nach Ihren persönlichen Vorlieben.
Wie kann man Fremden Optionen empfehlen? Bei der obigen Aktivität haben Sie wahrscheinlich versucht, sich anhand der gegebenen Informationen ein Bild von den Persönlichkeiten dieser Personen zu machen: Sie haben Urteile gefällt und Stereotypen angewendet. Sobald Sie eine Vorstellung von deren Typ hatten, wählten Sie dann aus der Liste Dinge aus, die für sie relevant sein könnten (oder auch nicht). Empfehlungsprogramme wie Amazon, Netflix und Youtube folgen einem ähnlichen Prozess.
Wenn jemand heutzutage nach Informationen sucht oder Online-Inhalte entdecken möchte, verwendet sie oder er eine Art personalisiertes Empfehlungssystem.1, 2 Die Hauptfunktion von Youtube besteht darin, seinen Nutzenden zu sagen, welche der Plattform verfügbaren Videos sie sich ansehen sollen. Für angemeldete Nutzende wird anhand ihrer früheren Aktivitäten ein „Modell" oder ein Persönlichkeitstyp erstellt. Sobald es ein Modell für John hat, kann es sehen, wer ein ähnliches Modell wie er hat. Es empfiehlt John dann sowohl Videos, die den von ihm bereits geschauten ähnlich sind, als auch solche, die andere ihm ähnliche Nutzende gesehen haben.
Was ist ein Modell?
Modelle können verwendet werden, um alles zu reproduzieren, vom Nutzenden über Videos bis hin zu Inhalten, die ein Kind lernen soll. Ein Modell ist eine vereinfachte Darstellung der Welt, damit eine Maschine so tun kann, als würde sie sie verstehen:Wie Youtube über Sie lernt
Alle Empfehlungsprobleme lassen sich darauf zurückführen, dass die Frage "Was soll empfohlen werden?" ein bisschen zu allgemein und vage ist für einen Algorithmus. Netflix fragt die Entwickelnden, welche Bewertung Nutzender A dem Video B geben würde, wenn man ihre Bewertungen für andere Videos berücksichtigt. Youtube fragt, wie lange eine bestimmte nutzende Person in einem bestimmten Kontext Videos ansehen würde. Die Wahl der Frage, die Vorhersage, hat einen großen Einfluss darauf, welche Empfehlung angezeigt wird.3 Die Idee ist, dass die richtige Vorhersage zu einer guten Empfehlung führt. Die Vorhersage selbst basiert auf anderen Nutzenden, die einen ähnlichen Geschmack haben.4 Das heißt, auf Nutzende, deren Modelle ähnlich sind.Nutzermodelle
Youtube teilt die Aufgabe der Empfehlung in zwei Teile auf und verwendet für jeden Teil ein anderes Modell.3 Wir werden uns hier jedoch an eine einfachere Erklärung halten.Um ein Nutzermodell zu erstellen, müssen sich die Entwickelnden fragen, welche Daten für Videoempfehlungen relevant sind. Was hat sich die nutzende Person zuvor angesehen? Welche Kritiken, Bewertungen und ausdrücklichen Vorlieben hat sie bisher gehabt? Wonach hat sie gesucht? Und mehr als diese expliziten Signale verwendet Youtube die impliziten, da sie leichter verfügbar sind:3 Hat eine nutzende Person ein Video nur angeklickt oder hat sie es tatsächlich angesehen? Wenn ja, wie lange? Wie hat sie auf frühere Empfehlungen reagiert?1 Welche hat sie ignoriert? Neben den Antworten auf diese Fragen sind demografische Informationen wie Geschlecht, Sprache, Region und Gerät von großem Wert, wenn die Person neu oder nicht angemeldet ist.3
Sobald ein Modell für jede nutzende Person vorliegt, können wir sehen, welche Personen einander ähnlich sind, und diese Informationen für Empfehlungen nutzen.
Video-Modelle
Analog zu den Nutzenden könnten wir auch die Videos verwenden, die einander ähnlich (oder unterschiedlich) sind. Bei einem Video betrachtet Youtube den Inhalt, den Titel und die Beschreibung, die Qualität des Videos, wie viele Personen es angesehen (View Count), gemocht, favorisiert, kommentiert oder geteilt haben, die Zeit seit dem Hochladen und die Anzahl der Nutzenden, die den übergeordneten Kanal abonniert haben.1Was eine nutzende Person als Nächstes anschaut, hängt auch davon ab, ob ein Video Teil einer Episode einer Serie oder ein Element einer Wiedergabeliste ist. Wenn eine nutzende Person einen Künstler oder eine Künstlerin entdeckt, wird sie vielleicht von den beliebtesten Songs zu kleineren Nischen wechseln. Außerdem wird sie nicht auf ein Video klicken, dessen Miniaturbild nicht gut ist.1, 3 All diese Informationen fließen ebenfalls in das Modell ein.
Einer der Bausteine des Empfehlungssystems besteht darin, von einem Video zu einer Liste verwandter Videos zu gelangen. In diesem Zusammenhang definieren wir verwandte Videos als diejenigen, die eine nutzende Person wahrscheinlich als Nächstes ansehen wird.3 Das Ziel ist es, den größten Wert aus den Daten herauszuholen, um bessere Empfehlungen zu geben.4
------------------------------------------------------------------------------------------------------
1 Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010
2 Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020
3 Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016
4 Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021
