Semantic Recommendations: Inhalte im richtigen Kontext präsentieren

Der Nutzen relevanter Zusatzinformationen im Rahmen eines Webseitenbesuchs dürfte unbestritten sein. Egal ob produzierendes Gewerbe, eCommerce-Anbieter oder Medienunternehmen: dem Webseiten-Besucher relevante Inhalte und Zusatzinformationen zu präsentieren, wirkt sich immer positiv auf die Wahrnehmung des Unternehmens aus. Jedoch haben insbesondere eCommerce-Anbieter oder werbefinanzierte Unternehmen ein besonderes Interesse daran, den Nutzer möglichst lange auf der eigenen Webseite zu halten. Mit jedem zusätzlichen Klick steigen die Chancen auf Erlöse.

 

Empfehlungen auf Basis inhaltlicher Ähnlichkeiten

Relevante Produktempfehlungen in Online-Shops steigern Cross- und Upselling-Umsätze und im Rahmen werbefinanzierter Webseiten bedeutet jeder weitere Seitenaufruf zusätzliche Werbeerlöse. Semantische Analysen und die daraufbasierende Segmentierung von Inhalten oder Nutzern bietet zahlreiche Ansatzpunkte, um wichtige Kennzahlen wie CTR, die Time-on-Site oder das PI-Visit-Ratio durch relevante Content-Empfehlungen zu verbessern und gleichzeitig Kosten zu reduzieren. Die Grundidee semantischer Empfehlungen basiert dabei darauf, dem Nutzer weiterführende Informationen auf Basis inhaltlicher Ähnlichkeiten anzubieten. Hierunter fallen zum Beispiel die allseits bekannten Links zu ähnlichen Inhalten. Aber auch weiterführende Links zu im Text genannten Begriffen (z.B. Personen, Orte, Sehenswürdikeiten oder Werke) können entsprechenden Mehrwert bieten.

 

Automatisierung manueller Abläufe

Um Teaser oder Links zu passenden Inhalten anbieten zu können, müssen die Beziehungen zwischen Contentobjekten bisher häufig manuell erstellt werden, zum Beispiel entweder durch eine manuelle Verknüpfung einzelner Inhalte oder durch die manuelle Zuordnung zu Kategorien, Tags oder Themen. Hierdurch entsteht manueller Aufwand und die Qualität der Zuordnung hängt vor allem vom jeweiligen Redakteur ab. Die Praxis zeigt: oft sind den Autoren jedoch nicht alle verfügbaren Schlagworte oder Kategorien bekannt oder es fehlt schlichtweg an der Lust eine Vielzahl von zeitraubenden Zuordnungen vorzunehmen. Mit Hilfe von semantischen Technologien können diese Tätigkeiten (teil-)automatisiert werden.

Hierzu werden textbasierte Inhalte - entweder mittels statistischer Verfahren oder durch umfassende Ontologien - automatisch zu Kategorien oder Themenbereichen zugeordnet. Dabei kann es sich prinzipiell entweder um frei definierbare Kategorien oder um durch Ontologien bereits vordefinierte Themen handeln. Beide Verfahren haben Ihre spezifischen Vor- und Nachteile.

Wenn Kategorien frei definiert werden sollen, müssen diese nicht nur angelegt, sondern in der Regel auch mittels Machine Learning trainiert werden. Dies erfordert auf Kundenseite naturgemäß einen etwas höheren Aufwand als zum Beispiel die Verwendung bestehender Ontologien. Dabei handelt es sich um eine Abbildung der Sprache in strukturellen Zusammenhängen. Diese erlaubt eine Zuordnung zu allgemeinen Themen auch ohne vorhergehendes Training von Themenknoten. Der Aufbau entsprechender Ontologien ist jedoch mit jahrelanger Arbeit verbunden und nicht alle Anbieter von semantischen Technologien werden entsprechendes Know-how aufbieten können. Hinzu kommt, dass für sehr spezielle Bereiche gegebenenfalls Ontologien weiter ausgebaut und spezialisiert werden müssen. Aus Kundensicht empfiehlt es sich auf Anbieter zu setzen, die beide Technologien - in Abhängigkeit von der Kundenanforderung - kombinieren können.

Die automatisierte Zuordnung zu Themen stellt die Grundlage für die Empfehlung ähnlicher Inhalte dar.

 

Auf unterschiedlichen Wegen zur Relevanz

Wie oben beschrieben, kann Semantik im Zusammenhang mit Content-Empfehlungen insbesondere dafür genutzt werden, Content auf Basis inhaltlicher Ähnlichkeiten zu empfehlen. Dabei sind jedoch unterschiedliche Ansätze möglich, die auch miteinander kombiniert werden können.

 

Ergänzende Inhalte zu einem Thema

Hierbei werden - insbesondere auf Inhaltsseiten - Links zu ähnlichen Artikeln oder weiterführende Informationen angeboten. Grundlage bietet die Analyse aller vorhandener Inhalte sowie deren automatische, gewichtete Zuordnung zu Kategorien oder Themengebieten. Die Gewichtung gibt dabei die Relevanz eines Inhalts für eine Kategorie oder ein Thema wieder. Anders als bisher ist damit ein Artikel nicht mehr nur innerhalb oder außerhalb eines Themas oder einer Kategorie, sondern es kann eine graduelle Relevanzbewertung vorgenommen werden. Dies ermöglicht andere Artikel des gleichen Themas, sortiert nach Relevanz, anzuzeigen: zum Beispiel die drei aktuellsten Artikel mit der höchsten thematischen Übereinstimmung.
Zusätzlich können semantische Analysen dazu dienen, wichtige Entitäten wie Orte, bekannte Werke oder Personen in Texten zu identifizieren. Auf Basis dessen, können entweder Artikel zum gleichen Thema oder aber auch weiterführende Informationen zur jeweiligen Entität angeboten werden. Zum Beispiel könnten über einen Artikel zum Thema "München" weitere Informationen zu Sehenswürdigkeiten wie Frauenkirche, Olympiapark oder Nymphenburger Schloss interessant sein.

Ein wesentlicher Vorteil solcher Empfehlungsansätze liegt darin, dass er auch für Webseiten mit geringen Zugriffszahlen anwendbar ist, insofern thematisch ähnliche Inhalte vorliegen. Liegen keine eigenen Inhalte zu einem Thema vor, könnten weiterführende Informationen theoretisch auch aus Quellen wie z.B. Wikidata bezogen werden, wobei eine Verlinkung auf entsprechende, externe Artikel grundsätzlich dem Ziel widersprechen würde, einen Nutzer auf der eigenen Website zu halten.

 

Relevante Empfehlungen auf Basis von themenbasierten Nutzerprofilen

Bei den themenbasierten Nutzerprofilen werden semantische Analysen dazu genutzt, Nutzerprofile auf Basis von Interessen zu generieren. Auch hierzu werden alle Inhalte anhand semantischer Technologien kategorisiert sowie verschlagwortet. Die relevantesten Schlagworte und Themenbezeichnungen können dann - entsprechend der Seitenaufrufe - in einem anonymen Nutzerprofil gespeichert werden. Mit steigender Anzahl an Seitenaufrufen durch einen Nutzer lassen sich themenbezogene Interessensprofile verfeinern und für entsprechende Content-Teaser nutzen.

Eine Empfehlung auf Basis von Nutzerinteressen kann zum Beispiel auf der Startseite angewandt werden. Wird ein wiederkehrender Nutzer erkannt, kann das Interessensprofil abgerufen und zur Anzeige thematisch passender Inhale genutzt werden. Gegenüber dem erstgenannten Ansatz erfordert dieses Szenario jedoch zahlreiche Seitenaufrufe wiederkehrender Nutzer. Nur so können Profile erstellt und verfeinert werden.

 

Fazit

Kundenbindung beziehungsweise Leserbindung ist heute wichtiger denn je. Diese gelingt jedoch nur, wenn Unternehmen relevanten Content, passend zu den Interessen des Nutzers, ausliefern. Hierbei können semantische Technologien auf unterschiedlichste Weise sinnvoll genutzt werden. Anhand inhaltlicher Ähnlichkeiten kann die Relevanz im jeweiligen Nutzungskontext erhöht werden und viele dafür nötige Schritte - von der Verschlagwortung über die Entitätenerkennung bis hin zur Kategorisierung von Inhalten - lassen sich mit entsprechenden Technologien automatisieren. Dies führt zu besserer Qualität bei gleichzeitig geringeren Kosten und hebt Erlöspotentiale vor allem für eCommerce-Anbieter oder werbefinanzierte Webseiten.