Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Empfehlungen – Übersicht
Empfehlungssysteme sind eine der erfolgreichsten und weitverbreitesten Anwendungen für maschinelles Lernen für Unternehmen. Mithilfe eines Empfehlungssystems können Sie Ihren Nutzern dabei helfen, ansprechende Inhalte in einer großen Menge von Inhalten zu finden. Der Google Play Store bietet beispielsweise Millionen von Apps, während YouTube Milliarden von Videos bereitstellt, wobei jeden Tag mehr Apps und Videos hinzugefügt werden.
Nutzer können über die Suche neue Inhalte finden, allerdings wird dies durch die verwendeten Suchbegriffe eingeschränkt. Ein Empfehlungssystem kann Inhalte vorschlagen, nach denen Nutzer möglicherweise von sich aus nicht gesucht hätten. Weitere Informationen finden Sie in der Übersicht über Empfehlungssysteme.
Algorithmen für maschinelles Lernen in Empfehlungssystemen werden in der Regel in die folgenden Kategorien unterteilt:
Inhaltsbasiertes Filtern: verwendet Ähnlichkeiten zwischen Elementen, um Empfehlungen zu geben. Wenn sich ein Nutzer beispielsweise zwei süße Katzenvideos ansieht, kann das Empfehlungssystem diesem Nutzer weitere süße Tiervideos empfehlen.
Kollaboratives Filtern: verwendet Ähnlichkeiten zwischen Nutzern (basierend auf Nutzerabfragen), um Empfehlungen zu geben. Wenn Nutzer A beispielsweise nach ähnlichen Dingen wie Nutzer B sucht und Nutzer B Video 1 mag, kann das Empfehlungssystem Nutzer A Video 1 empfehlen, auch wenn Nutzer A keine ähnlichen Videos wie Video 1 gesehen hat.
In einem Matrixfaktorisierungsmodell werden Nutzer/Artikel-Paare einer zweidimensionalen Matrix zugeordnet, wobei die einzelnen Nutzer auf der einen und die einzelnen Artikel auf der anderen Achse liegen. Die Bewertungen, die ein Nutzer den Elementen gegeben hat, befinden sich in den Zellen der Matrix.
Diese Matrix muss nicht vollständig ausgefüllt sein. In den meisten Fällen haben Nutzer keinen Wert für jeden Artikel. Ziel des Matrixfaktorisierungsmodells ist es, zwei kleinere, dichte Gewichtungsmatrizen zu erstellen, die bei der Multiplikation die ursprünglichen Matrixzellwerte approximieren und prognostizierte Bewertungen für die leeren Matrixzellen liefern.
Eine der kleineren Matrizen enthält die einzelnen Nutzer auf der einen Achse und die Anzahl der latenten Faktoren auf der anderen Achse, wie in der CREATE MODEL-Anweisung mit der Option NUM_FACTORS angegeben. Die andere kleinere Matrix enthält die eindeutigen Elemente auf einer Achse und die Anzahl der latenten Faktoren auf der anderen Achse. In dieser Matrix werden die Gewichte der latenten Faktoren vom Algorithmus generiert, der zum Trainieren des Modells verwendet wird. Dabei werden die Kombinationen aus Nutzern und Elementen aus der Eingabematrix berücksichtigt.
Mit der Funktion ML.RECOMMEND können Sie ein Matrixfaktorisierungsmodell verwenden, um Empfehlungen zu geben.
Andere Modelle für Empfehlungen
Um Empfehlungen geben zu können, können Sie neuronale Deep-Learning-Netzwerke (DNN) und Wide-and-Deep-Modelle mit der ML.PREDICT-Funktion verwenden, um ein kollaboratives, filterbasiertes Empfehlungssystem über die Möglichkeiten eines Matrixfaktorisierungsmodells hinaus zu erweitern. Diese Modelle können Abfrage- und Elementfeatures enthalten, um die Relevanz von Empfehlungen zu verbessern. Weitere Informationen finden Sie in den folgenden Ressourcen:
Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und den Inferenzfunktionen können Sie auch ohne viel ML-Kenntnisse ein Empfehlungsmodell erstellen und verwenden. Grundlegende Kenntnisse über die ML-Entwicklung und insbesondere Empfehlungsmodelle helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und -Prozessen vertraut zu machen:
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-17 (UTC)."],[[["\u003cp\u003eRecommendation systems are widely used in businesses to help users discover content they might not find through search, utilizing machine learning to suggest relevant items.\u003c/p\u003e\n"],["\u003cp\u003eContent-based filtering and collaborative filtering are two primary methods used in recommendation systems, with the former focusing on item similarity and the latter on user similarities.\u003c/p\u003e\n"],["\u003cp\u003eMatrix factorization models, which are a type of collaborative filtering, map user-item interactions to a matrix and aim to predict user preferences by filling in missing data, using latent factors to simplify the matrix.\u003c/p\u003e\n"],["\u003cp\u003eFor more advanced recommendation systems, deep neural network (DNN) and Wide-and-Deep models can be used, incorporating query and item features to enhance the accuracy and relevance of recommendations.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge can improve the effectiveness of recommendation models, and resources are recommended to help develop familiarity with machine learning techniques.\u003c/p\u003e\n"]]],[],null,["# Recommendation overview\n=======================\n\nRecommendation systems are one of the most successful and widespread applications of\nmachine learning for businesses. You can use a recommendation system to help your users find compelling content in a large body of content. For example, Google Play Store\noffers millions of apps, while YouTube offers billions of videos, with more apps\nand videos added every day.\nUsers can use search to find new content, but that is limited by the search terms they use. A recommendation system can suggest content that users might not have thought to search for on their own. For more information, see\n[Recommendation Systems Overview](https://developers.google.com/machine-learning/recommendation/overview/types).\n\nMachine learning algorithms in recommendation systems are typically classified\ninto the following categories:\n\n- Content-based filtering: uses similarity between items to provide recommendations. For example, if a user watches two cute cat videos, then the recommendation system can recommend more cute animal videos to that user.\n- Collaborative filtering: uses similarities between users (based on user queries) to provide recommendations. For example, if user A searches for similar things to user B, and user B likes video 1, then the recommendation system can recommend video 1 to user A, even if user A hasn't watched any videos similar to video 1.\n\nMatrix factorization models\n---------------------------\n\n[Matrix factorization models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization) are widely used as a collaborative filtering method for recommendation systems.\n\nIn a matrix factorization model, user-item pairs are mapped to a two-dimensional\nmatrix, with the unique users on one axis and the unique items on the other\naxis. Ratings that a user has given items reside in the cells of the matrix.\nThis matrix doesn't need to be completely full; the majority of the time, users\nwon't have a value for each item. The goal of the matrix factorization model is\nto create two smaller, dense matrixes of weights that when multiplied together,\napproximate the original matrix cell values and provide predicted ratings for\nthe empty matrix cells.\n\nOne of the smaller matrixes contains the unique users on one axis and the number\nof latent factors on the other axis, as specified by the\n[`NUM_FACTORS` option](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization#num_factors)\nof the `CREATE MODEL` statement. The other smaller matrix contains the unique\nitems on one axis and the number of latent factors on the other axis. In this\nmatrix, the latent factor weights are generated by the algorithm used to train\nthe model, based on the user-item combinations from the input matrix.\n\nFor more information, see\n[Matrix Factorization](https://developers.google.com/machine-learning/recommendation/collaborative/matrix).\n\nYou can use a matrix factorization model with the\n[`ML.RECOMMEND` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-recommend)\nto make recommendations.\n\nOther models for recommendation\n-------------------------------\n\nTo extend a collaborative filtering-based recommendation system beyond what is\npossible with a matrix factorization model, you can use\n[deep neural network (DNN)](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-dnn-models)\nand\n[Wide-and-Deep](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-wnd-models)\nmodels with the\n[`ML.PREDICT` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-predict)\nto make recommendations. These models can incorporate query and item features to improve the\nrelevance of recommendations. For more information, see the following resources:\n\n- [Recommendation using Deep Neural Network Models](https://developers.google.com/machine-learning/recommendation/dnn/softmax)\n- [Deep Neural Networks for YouTube Recommendations](https://research.google/pubs/pub45530)\n- [Wide \\& Deep Learning for Recommender Systems](https://arxiv.org/pdf/1606.07792.pdf)\n\nRecommended knowledge\n---------------------\n\nBy using the default settings in the `CREATE MODEL` statements and the\ninference functions, you can create and use a recommendation model even\nwithout much ML knowledge. However, having basic knowledge about\nML development, and recommendation models in particular,\nhelps you optimize both your data and your model to\ndeliver better results. We recommend using the following resources to develop\nfamiliarity with ML techniques and processes:\n\n- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\n- [Intro to Machine Learning](https://www.kaggle.com/learn/intro-to-machine-learning)\n- [Intermediate Machine Learning](https://www.kaggle.com/learn/intermediate-machine-learning)\n- [Recommendation Systems](https://developers.google.com/machine-learning/recommendation)"]]
