Collaborative Filtering

Was ist Collaborative Filtering?

Collaborative Filtering ist ein Verfahren für Empfehlungssysteme, das aus dem Verhalten mehrerer Nutzer passende Produkte, Inhalte oder Angebote ableitet. Ähnliche Bewertungen, Klicks oder Käufe bilden die Datengrundlage. Das Verfahren benötigt keine vollständige inhaltliche Beschreibung der empfohlenen Objekte, ist jedoch auf ausreichend viele Interaktionen angewiesen.

Collaborative Filtering, auf Deutsch kollaboratives Filtern, beantwortet eine konkrete Frage: Was könnte einem Nutzer gefallen, wenn Menschen mit ähnlichem Verhalten bestimmte Inhalte oder Produkte bevorzugen? Das Verfahren sucht wiederkehrende Muster in Interaktionsdaten und berechnet daraus Empfehlungen oder erwartete Bewertungen.

Wie funktioniert Collaborative Filtering?

Collaborative Filtering verarbeitet typischerweise eine Nutzer-Objekt-Matrix. Die Zeilen stehen für Nutzer, die Spalten beispielsweise für Produkte, Videos oder Artikel. Ein Wert kann eine ausdrückliche Bewertung von 1 bis 5 oder ein indirektes Signal wie ein Klick, Kauf, Download oder Seitenaufruf sein. Leere Felder kennzeichnen unbekannte Präferenzen, die das Verfahren schätzen soll.

Der Ablauf besteht aus drei Schritten: Zuerst erfasst das System Interaktionen. Anschließend berechnet es Ähnlichkeiten zwischen Nutzern oder Objekten. Zum Schluss erhält jeder noch nicht bewertete Eintrag einen Prognosewert. Die Objekte mit den höchsten Werten erscheinen in der Empfehlungsliste.

Explizite Daten: Sternebewertungen, Likes oder bewusst gewählte Interessen liefern eindeutige Präferenzsignale.
Implizite Daten: Käufe, Klicks, Verweildauer oder wiederholte Aufrufe müssen im Kontext interpretiert werden.
Kontextdaten: Zeitpunkt, Gerät oder Standort können Empfehlungen ergänzen, gehören aber nicht zum Grundprinzip des Verfahrens.

Ähnlichkeit als Rechengrundlage

Collaborative Filtering kann Ähnlichkeit mit der Kosinus-Ähnlichkeit berechnen. Die Formel lautet: Skalarprodukt zweier Bewertungsvektoren geteilt durch das Produkt ihrer Längen. Das Ergebnis liegt bei nicht negativen Eingangswerten zwischen 0 und 1. Ein Wert nahe 1 bedeutet, dass zwei Profile in eine ähnliche Richtung zeigen. Pearson-Korrelation berücksichtigt zusätzlich, dass manche Nutzer grundsätzlich strenger bewerten als andere.

Ein vereinfachter Prognosewert lässt sich als gewichteter Mittelwert berechnen. Haben zwei ähnliche Nutzer ein Produkt mit 5 und 3 Punkten bewertet und betragen ihre Ähnlichkeitswerte 0,8 und 0,4, ergibt sich: (5 × 0,8 + 3 × 0,4) geteilt durch (0,8 + 0,4) = 4,33 Punkte. Das Beispiel zeigt die Mechanik, ist aber kein allgemeiner Qualitätsrichtwert.

Eine hohe rechnerische Ähnlichkeit ist nur belastbar, wenn zwei Profile genügend gemeinsame Interaktionen besitzen. Zwei Nutzer können bei einem einzigen identischen Klick perfekt übereinstimmen, obwohl daraus noch keine stabile Präferenz ableitbar ist. Lege deshalb eine Mindestzahl gemeinsamer Bewertungen oder Ereignisse fest und prüfe die Empfehlungsqualität an getrennten Testdaten.

Arten von Collaborative Filtering

Collaborative Filtering umfasst speicherbasierte und modellbasierte Methoden. Speicherbasierte Verfahren vergleichen vorhandene Nutzer oder Objekte direkt. Modellbasierte Verfahren lernen kompakte Strukturen aus der gesamten Datenmatrix und können dadurch auch bei großen Datenbeständen effizientere Prognosen erzeugen.

Methode	Berechnungsprinzip	Geeigneter Einsatz
User-based Filtering	Sucht Nutzer mit ähnlichen Interaktionen	Überschaubare Nutzergruppen mit mehreren gemeinsamen Bewertungen
Item-based Filtering	Sucht Objekte, die von ähnlichen Nutzern gewählt wurden	Sortimente, deren Produkte stabiler sind als die Nutzerbasis
Matrixfaktorisierung	Zerlegt die Matrix in verborgene Nutzer- und Objektmerkmale	Große, dünn besetzte Datensätze mit vielen Einträgen
Hybridverfahren	Kombiniert Verhaltensdaten mit Eigenschaften der Objekte	Systeme mit neuen Nutzern, neuen Produkten oder erklärungsbedürftigen Angeboten

User-based und Item-based Filtering

User-based Collaborative Filtering folgt dem Muster: Nutzer A ähnelt Nutzer B, deshalb könnten A die von B bevorzugten Objekte gefallen. Das Verfahren wird aufwendig, wenn sehr viele Nutzer fortlaufend hinzukommen oder sich deren Verhalten schnell verändert. Begrenze die Berechnung auf eine geeignete Nachbarschaft und teste, ob zusätzliche Nachbarn die Trefferqualität tatsächlich verbessern.

Item-based Collaborative Filtering vergleicht Produkte oder Inhalte miteinander. Wenn viele Nutzer sowohl Produkt A als auch Produkt B kaufen, gelten beide als ähnlich, selbst wenn ihre beschreibenden Merkmale verschieden sind. Produktbeziehungen verändern sich häufig langsamer als Nutzerprofile, weshalb dieses Verfahren für umfangreiche E-Commerce-Sortimente gut skalierbar sein kann.

Abgrenzung zu Content-Based Filtering

Der Unterschied zwischen Collaborative Filtering und Content-Based Filtering liegt in der Datenquelle. Collaborative Filtering nutzt das Verhalten mehrerer Nutzer. Content-Based Filtering vergleicht dagegen Merkmale wie Kategorie, Thema, Marke, Material oder Textinhalt mit dem bisherigen Profil eines einzelnen Nutzers.

Ein Content-Based-System kann ein neues Produkt empfehlen, sobald dessen Eigenschaften bekannt sind. Collaborative Filtering benötigt zunächst Interaktionen mit diesem Produkt. Dafür kann Collaborative Filtering überraschende Zusammenhänge erkennen, die aus Produktmerkmalen nicht sichtbar wären. Ein Hybridverfahren verbindet beide Ansätze und reduziert dadurch die Abhängigkeit von nur einer Datenart.

Typische Grenzen des Verfahrens

Das Cold-Start-Problem entsteht, wenn ein neuer Nutzer noch keine Interessen gezeigt hat oder ein neues Objekt noch nicht angeklickt und bewertet wurde. Collaborative Filtering besitzt dann keine Vergleichsbasis. Einstiegsfragen, allgemeine Bestseller, aktuelle Trends oder inhaltsbasierte Empfehlungen können die erste Nutzungsphase überbrücken.

Datensparsamkeit bedeutet, dass die Nutzer-Objekt-Matrix überwiegend aus leeren Feldern besteht. Ein Shop mit 50.000 Produkten und durchschnittlich fünf Käufen pro Kunde kennt nur einen sehr kleinen Teil der möglichen Beziehungen. Das System sollte deshalb nicht jede fehlende Interaktion als Ablehnung werten. Häufig bedeutet ein leeres Feld lediglich, dass ein Nutzer das Produkt noch nicht gesehen hat.

Collaborative Filtering kann Popularitätsverzerrungen und Filterblasen verstärken. Häufig gewählte Objekte sammeln weitere Interaktionen, während neue oder spezielle Angebote kaum berücksichtigt werden. Ergänze Empfehlungslisten deshalb gezielt um Vielfalt, Neuheiten und zufällige Entdeckungen. Miss neben Klicks und Umsatz auch Abdeckung, Wiederholungen und den Anteil unterschiedlicher empfohlenen Objekte.

Collaborative Filtering im Online-Marketing

Im E-Commerce kann Collaborative Filtering Produktempfehlungen wie „Kunden mit ähnlichem Kaufverhalten interessierten sich auch für“ steuern. Die Wirkung sollte mit einem kontrollierten A/B-Test gemessen werden. Geeignete Kennzahlen sind Klickrate auf Empfehlungen, Warenkorbwert, Conversion-Rate und Umsatz pro Sitzung. Eine höhere Klickrate allein belegt keinen wirtschaftlichen Nutzen.

Für SEO ist Collaborative Filtering kein direkter Ranking-Faktor. Empfehlungsmodule können jedoch interne Links erzeugen, zusätzliche Produktseiten erschließen und Nutzern passende Inhalte anbieten. Suchmaschinen benötigen dafür stabile, crawlbare Links und eine sinnvolle Standardauswahl. Ausschließlich personalisierte Inhalte, die erst nach einer Nutzeraktion im Browser erscheinen, bilden keine verlässliche Grundlage für Crawling und Indexierung.

Für SEA können Empfehlungen Landingpages, Warenkörbe oder Kundenbereiche ergänzen. Die Auswertung muss bezahlten Traffic getrennt nach Kampagne, Gerät und Zielseite betrachten, weil Besucher aus einer konkreten Produktanzeige andere Erwartungen haben als wiederkehrende Direktbesucher. Ein Vergleich gleicher Zielgruppen verhindert, dass Unterschiede im Traffic fälschlich dem Empfehlungsalgorithmus zugerechnet werden.

Für GEO, also Generative Engine Optimization, besteht nur ein indirekter Zusammenhang. Collaborative Filtering personalisiert die Nutzung einer Website, verbessert aber nicht automatisch die Zitierfähigkeit in ChatGPT, Perplexity, Gemini oder Grok. KI-Systeme benötigen öffentlich zugängliche, klar strukturierte Inhalte. Empfehlungsdaten können Themeninteressen aufdecken, ersetzen jedoch keine verständlichen Produktinformationen oder fachlich vollständigen Ratgeber.

So misst du Empfehlungsqualität

Messbar ist Collaborative Filtering mit Offline- und Online-Verfahren. Offline werden bekannte Interaktionen aus dem Trainingsdatensatz entfernt und anschließend vorhergesagt. Precision@K misst, wie viele der ersten K Empfehlungen relevant sind. Recall@K misst, welchen Anteil aller relevanten Objekte diese Liste erfasst. Online zeigt ein A/B-Test, ob der Algorithmus reale Nutzerentscheidungen verändert.

Ein Empfehlungsmodul sollte gemeinsam mit der gesamten Customer Journey bewertet werden. Prüfe neben Klicks auch Käufe, Retouren, Warenkorbwert und wiederholte Besuche. Für Onlineshops gehören Empfehlungslogik, crawlbare Produktseiten und eine klare Informationsarchitektur zusammen. Eine SEO-Strategie für Onlineshops verbindet diese Anforderungen mit organischer Auffindbarkeit.

Empfohlene Ratgeber und Kategorien können außerdem die interne Content-Verteilung unterstützen. Die Grundlage bleiben eigenständige Inhalte, die konkrete Suchfragen beantworten. Hinweise zur systematischen Planung bietet die Content-Marketing-Leistungsseite. Bei transaktionalen Seiten sollte zusätzlich geprüft werden, ob die Empfehlungen Orientierung geben oder den Kaufprozess unnötig verlängern. Dafür eignet sich eine strukturierte Usability-Optimierung.

Häufige Fragen zu Collaborative Filtering

Welche Daten braucht Collaborative Filtering?

Collaborative Filtering benötigt Interaktionen zwischen Nutzern und Objekten. Das können Bewertungen, Klicks, Käufe, Likes oder Aufrufe sein. Je mehr aussagekräftige Überschneidungen vorhanden sind, desto stabiler lassen sich Ähnlichkeiten berechnen.

Funktioniert Collaborative Filtering auch ohne Bewertungen?

Ja, Collaborative Filtering kann implizite Signale wie Klicks, Käufe oder Verweildauer nutzen. Diese Daten sind jedoch mehrdeutig: Ein Klick zeigt Interesse, ein Kauf eine stärkere Präferenz. Das System sollte unterschiedliche Ereignisse deshalb getrennt gewichten.

Was passiert bei neuen Nutzern?

Neue Nutzer verursachen ein Cold-Start-Problem, weil noch kein individuelles Verhaltensprofil existiert. Allgemeine Empfehlungen, kurze Interessensabfragen oder Content-Based Filtering liefern eine erste Auswahl, bis genügend eigene Interaktionen vorliegen.

Kann Collaborative Filtering anonyme Nutzer berücksichtigen?

Ja, wenn Interaktionen einer stabilen Sitzung oder einer anonymen Kennung zugeordnet werden können. Ohne wiedererkennbare Historie beschränkt sich die Personalisierung auf die aktuelle Sitzung. Die Erhebung und Verarbeitung muss zum vorgesehenen Nutzungskontext passen.

Wie viele Empfehlungen sollte ein System anzeigen?

Eine allgemeingültige Zahl gibt es nicht. Die geeignete Anzahl hängt von Bildschirmgröße, Sortiment, Seitentyp und Nutzerziel ab. Ein A/B-Test sollte prüfen, bei welcher Listenlänge Klickrate, Conversion-Rate und Vielfalt gemeinsam den gewünschten Wert erreichen.

Ist Collaborative Filtering künstliche Intelligenz?

Collaborative Filtering wird häufig dem maschinellen Lernen und damit KI-Anwendungen zugeordnet. Einfache nachbarschaftsbasierte Varianten arbeiten mit festen Ähnlichkeitsformeln, während modellbasierte Varianten Muster aus Trainingsdaten lernen. Nicht jedes Empfehlungssystem verwendet deshalb dieselbe technische Tiefe.