DeepNaniNet: Datenschutzfreundliche Empfehlungen für neue Nutzer

Ein neues Forschungsprojekt, veröffentlicht auf arXiv, präsentiert DeepNaniNet – ein tiefes neuronales Empfehlungssystem, das die Herausforderungen von Datenknappheit, Kaltstart-Nutzern und strengen Datenschutzbestimmungen in Nischen- und dynamischen Communities adressiert.

Im Gegensatz zu klassischen kollaborativen Filter- und inhaltsbasierten Ansätzen, die oft invasive Nutzerdaten erfordern oder bei fehlenden Präferenzhistorien versagen, nutzt DeepNaniNet eine induktive graphbasierte Architektur. Sie kombiniert Interaktionen zwischen Nutzern und Artikeln, Beziehungen zwischen Artikeln sowie reichhaltige Text‑Embeddings aus BERT, um Empfehlungen zu generieren.

Ein besonderes Merkmal ist die „Content‑Basket“-Repräsentation, die es ermöglicht, Kaltstart‑Empfehlungen ohne Profil‑Mining zu liefern. Durch einen Autoencoder‑basierten Generalisierungsmechanismus kann das System auch völlig neue Nutzer ohne vorherige Aktivität berücksichtigen.

Zur Evaluierung wurde die neuartige AnimeULike‑Datenbank mit 10.000 Anime‑Titeln und 13.000 Nutzern eingeführt, die realistische Szenarien mit vielen Gästen oder wenig aktiven Nutzern abbildet. DeepNaniNet erzielt auf dem CiteULike‑Benchmark führende Kaltstart‑Ergebnisse, erreicht bei der Rückrufrate (Recall) die gleiche Leistung wie DropoutNet und verbessert die Warm‑Start‑Leistung auf AnimeULike um bis zu siebenmal bei Recall@100 im Vergleich zu Weighted Matrix Factorization sowie um 1,5‑mal gegenüber DropoutNet.

Die Ergebnisse zeigen, dass DeepNaniNet hochwertige, datenschutzfreundliche Empfehlungen in Umgebungen mit wenigen Daten und vielen Kaltstarts liefert und dabei verschiedene Inhaltstypen effektiv integriert.