-
![]()
Nutzerbewertungen in Sternen (1–5)
Nutzerbewertungen in Sternen (1–5)
Warum: Hier sind die Ratings selbst das zentrale Signal. Rating-basierte Verfahren aggregieren/lernen aus den expliziten Bewertungen.
-
![]()
Produktattribute/Metadaten (Kategorie, Material, Farbe, Marke, Preis)
Produktattribute/Metadaten
Warum: Strukturierte Merkmale eignen sich direkt, um Ähnlichkeit zwischen Artikeln zu berechnen (z. B. „Teppiche aus Wolle in Beige“).
-
![]()
Klick- und View-Verlauf eines Nutzers (angesehene Produkte)
Klick- und View-Verlauf eines Nutzers
Warum: Das sind Interaktionsdaten (implizites Feedback). Kollaborative Filterung nutzt Muster über viele Nutzer: „Nutzer, die X angesehen haben, haben auch Y angesehen“. Es geht nicht primär um Produkteigenschaften, sondern um gemeinsames Verhalten.
-
![]()
Warenkorb- und Kaufhistorie (gekauft, zurückgegeben)
Warenkorb- und Kaufhistorie
Warum: Stärkeres Interaktionssignal als Klicks. Daraus lassen sich Nutzer-Item-Beziehungen und Ähnlichkeiten zwischen Nutzern/Produkten ableiten (Co‑Purchase, Wiederkäufe, „wer Sofa A kauft, kauft oft Teppich B“). Retouren können als negatives Signal einfließen.
-
![]()
Produktbeschreibung (Text: Stil, Maße, Einsatzbereich)
Produktbeschreibung
Warum: Der Text beschreibt Eigenschaften des Produkts (Stil, Maße, Nutzung). Inhaltsbasierte Systeme empfehlen ähnliche Produkte anhand solcher Merkmale (z. B. „minimalistisch“, „Eiche“, „2‑Sitzer“).
-
![]()
„Kunden kauften auch“ / Co‑Purchase-Daten über viele Nutzer
„Kunden kauften auch“ / Co-Purchase-Daten
Warum: Das ist der klassische kollaborative Ansatz: Produkte werden über gemeinsame Käufe/Interaktionen verbunden.
-
![]()
Anzahl der Bewertungen + Durchschnittsbewertung je Produkt
Anzahl der Bewertungen + Durchschnittsbewertung
Warum: Das sind abgeleitete Kennzahlen aus Ratings (Popularity/Quality-Signale) und werden oft für „Top bewertet“-Empfehlungen oder als Feature genutzt.
-
![]()
Ähnlichkeit aus Produktbildern (z. B. dominante Farben/Muster/Form)
Ähnlichkeit aus Produktbildern
Warum: Aus Bildern extrahierte Features sind ebenfalls „Inhalt“ des Items. Man kann damit visuell ähnliche Möbel/Deko empfehlen.
-
![]()
Freitext-Rezensionen (z. B. „sehr bequem, aber Farbe weicht ab“)
Freitext-Rezensionen
Warum: Die Texte enthalten oft beschreibenden Inhalt (z. B. „weich“, „Farbe dunkler“). Man kann daraus Themen/Keywords/Sentiment extrahieren und ähnliche Produkte empfehlen.
-
![]()
Explizite Likes/Dislikes oder „Daumen hoch/runter“ zu Produkten
Likes/Dislikes („Daumen hoch/runter“)
Warum: Das sind explizite, wenn auch binäre Ratings. Sie können wie Sternebewertungen als Bewertungssignal genutzt werden (nur mit kleinerer Skala).
