Einsatz von Recommendersystemen am Beispiel des neuen OPACs der UB Karlsruhe Uwe Dierolf

Gliederung Die „UB“ Karlsruhe Der neue OPAC, „XOPAC“, der UB Karlsruhe Das Recommendersystem im XOPAC Erweiterungen als Ergebnisse des DFG-Projekts „Recommendersysteme für Meta-Bibliothekskataloge“ kurz: „KVK-Recommender“

Universität Karlsruhe (TH) Augsburg 10.4.2002 Universität Karlsruhe (TH) älteste TH in Deutschland, 1825 gegründet, seit 22.7.05 „Forschungsuniversität“ ! Schwerpunkt Ingenieur- , Natur- und Wirtschaftswissenschaften ca. 3.500 Beschäftigte ca. 17.700 Studenten Campusuniversität gute technische Infrastruktur Festnetz: LWL mit 1-10 GBit Zunächst zum Umfeld: Die Universität Karlsruhe ist die alteste Technische Hochschule in Deutschland. Naturgemäss liegt der Schwerpunkt bei Ingenieur- , Natur- und Wirtschaftswissenschaften; in Karlsruhe studieren ca. 15.000 Studenten und arbeiten ca. 2000 Wissenschaftler. Die Universität liegt auf einem stadtnahen Campusgelände und besitzt wie bei einer TH nicht anders zu erwarten, eine sehr gute technische Infrastruktur. Für die Informationsversorgung besonders wichtig ist das gut ausgebaute Datennetz. Es besteht zum einen aus einem Hochgeschwindigkeits-Glasfaser-LAN, an das alle Gebäude angeschlossen sind. Hinzukommt kommt in der jüngsten Vergangenheit das Funknetz DUKATH, was für Drahtlose Uni- versität Karlsruhe (TH) steht. Hier handelt es sich um ein VLAN auf Basis von IEEE 802.11b. Das Funknetz wird derzeit intensiv ausgebaut und bildet die Voraussetzung für die "Notebook University", die Vision einer Universität, in der jederzeit an jedem Ort multimediale Informationen am Notebook genutzt werden können. In diesem Kontext spielt das multimediale Angebot der Bibliothek eine große Rolle. Flächendeckendes Funknetz Universitätsbibliothek Karlsruhe

Universitätsbibliothek Karlsruhe Augsburg 10.4.2002 Universitätsbibliothek Karlsruhe Konventionelle Konzeption 80% Magazinbestand 900.000 Bände 500.000 Ausleihen Zentralbibliothek funktional einschichtig 12-geschossiger Turmbau Erweiterungsbau ab 2006 400.000 Bände Freihand 7 x 24h-Betrieb 540 Lesesaalplätze Noch kurz vier Worte zur Bibliothek: Die Universitätsbibliothek stellt die Zentralbibliothek in einem zweischichtigen Bibliothekssystem dar und ist einem für eine Bibliothek eher ungewöhnlichen Turmgebäude beheimatet, das aufgrund seiner besonderen Konstruktion sogar unter Denkmalschutz steht. Universitätsbibliothek Karlsruhe

XOPAC – eXtendable OPAC www.xopac.de Hybrid-OPAC Volltext-Engine als Suchmaschine a la Google Relationale Datenbank als Anzeigekomponente Basis: Open Source Komponenten Linux PostgreSQL V 8.0.2 Volltext-Engine Swish-e V 2.4.3 Programmiersprache PHP V 5.x XOPAC ist Open Source frei verfügbar schnell flexibel erweiterbar

XOPAC- Suchmaske

Einzeltreffer „Buch“

Einzeltreffer „Zeitschrift“

Kontextabhängige Links bei Einzeltreffern Benutzer sieht direkt das, was möglich ist Link zu den Empfehlungen wird nur angezeigt, falls Empfehlungen vorliegen Online-Prüfung bei jeder Volltitelanzeige „exist recommendation ?“ Unterschied zum SFX-Konzept ist ein kontextbezogener Linking Service hier wird erst dann geprüft, welche Links angeboten werden, wenn der Benutzer den SFX-Button anklickt Meldung im BVB „Das Serviceangebot für Ihren Treffer wird ermittelt“

Empfehlungen

Kennzahlen zum XOPAC-Recommender 500.000 Empfehlungslisten mit durchschnittlich 10 Empfehlungen Empfehlungen für ca. 50% aller Titel im Unikatalog KA Sortierung nach Güte der Empfehlungen (Anzahl der gemeinsamen Benutzungen in Klammern) Aufruf der Empfehlungen in 2005 Jan 4545 Feb 6102 März 4214 April 11208 Mai 12402 Juni 12080 Juli 12944 August 13737 Derzeit ca. 600 Anfragen pro Tag

Klassifikation von Recommenderdiensten Eine Form von "bibliographic enrichment" Explizite Recommenderdienste Beispiel: Rezensionen z.B. bei Amazon Mit und ohne Ranking Verhaltensbasierte Recommenderdienste Automatisch erzeugte Empfehlungen Beispiel: Amazon "Kunden, die dieses Buch gekauft haben, haben auch diese Bücher gekauft“ Beispiel: Recommender im XOPAC "Kunden, die dieses Buch interessant fanden, fanden auch diese Bücher interessant“

Der 1. Empfehlungsdienst Fernseh- und Rundfunkwerbung „Wir wissen nicht, was dieser freundliche Tankwart empfiehlt, wir empfehlen....“ ausgeblendet

Verhaltensbasierte Recommenderdienste Recommenderdienste können eine auf statistischen Auswertungen basierende Kaufempfehlung aussprechen Grundlage des Recommenders im XOPAC Ehrenbergs Repeat-Buying Theorie (1988) Beschreibende Theorie zum Konsumentenverhalten Analyse von Warenkörben Für einen Recommenderdienst relevante Faktoren Kunden (anonym) Produkte Warenkörbe

Ehrenberg’s Repeat-Buying Theorie Kernaussage Of the thousand and one variables which might affect buyer behavior, it is found that nine hundred and ninety-nine usually do not matter. Many aspects of buyer behavior can be predicted simply from the penetration (Marktdurchdringung) and the average purchase frequency of an item, and even these two variables are interrelated. Irrelevante Faktoren für Ermittlung von Empfehlungen Packungsgröße Motivation (warum kauft ein Kunde das Produkt) ausgeblendet

Empfehlungsdienst aus Sicht eines Mathematikers Ehrenbergs Repeat-Buying Theorie Stochastisches Kaufverhaltensmodell Kaufverteilung von Produktpaaren ist eine LSD-Verteilung Anwenden eines 2 -Tests zwischen beobachteter und erwarteter Verteilung LSD-Verteilung Logarithmic Series Distribution = Logarithmische Reihenverteilungsmodell Poissonprozesse

Empfehlungsdienst aus Sicht eines Informatikers Agentenbasierte Software „Intelligente Agenten sind Softwareeinheiten, die eine Menge von Operationen im Auftrag eines Benutzers oder eines anderen Programmes mit einem gewissen Grad von Unabhängigkeit oder Autonomie ausführen und dabei Wissen über die Ziele und Wünsche des Benutzers anwenden" (IBM)

Generierung der Empfehlungen Betrachtung von Produktpaaren in Warenkörben von Kunden Zufällig gemeinsam gekaufte Produkte dürfen nicht empfohlen werden Nicht zufällig gemeinsam gekaufte Produkte werden empfohlen Produkte, die häufiger zusammen gekauft wurden als vom stochastischen Modell erwartet + = Klassisches Beispiel: Sprühsahne und Erdbeeren Werden im Supermarkt benachbart positioniert

LSD-Verteilungsfunktion Ausreißer in Bezug auf den Erwartungswert sind empfehlenswert ausgeblendet

Übertragung der Theorie auf Bibliothekskataloge Kunden OPAC-Benutzer Produkte Titel Produktnummer Verbund-Identnummer oder ISBN/ISSN Warenkörbe In einer OPAC-Sitzung betrachtete Titel Elimination des Zufalls Beim Blättern erreichte Titel werden nicht berücksichtigt Wünschenswert Berücksichtigung der Relevanz eines Titels für den Benutzer Vorteil: Verbessertes Ranking bei den Empfehlungslisten Maß für die Relevanz Betrachtungsdauer Fanden weitere Aktionen statt? Ausleihvorgang, Dokumentlieferung, etc.

Eigenschaften dieses Recommenders funktioniert ohne Nachbearbeitung seitens Personal benötigt keine Vorhersagemodelle bzw. Annahmen ist robust gegenüber Störungen in den Log-Daten sehr effiziente, inkrementelle Aktualisierung der Warenkörbe O(n2) in Zeit und Speicherplatz, n Anzahl der zu aktualisierenden Titel Fazit schnell liefert qualitativ gute Empfehlungen sehr neutral, da keine kommerziellen Interessen vorliegen

Praxis Auswertung der Logfiles des XOPAC access_log des Apache Web-Server Umstellung auf Online-Logging im Moment der Volltitelanzeige „exist recommendation ?“-Prüfung überträgt Logdaten online Session-ID, OPAC, Titel-ID, ISBN, Uhrzeit Vorteil: Jeder OPAC könnte den Recommenderdienst nutzen ! Empfehlungen werden aus wiederholt gemeinsam betrachteten Volltiteln abgeleitet gemeinsam == innerhalb einer OPAC-Sitzung Titel eindeutig identifizierbar anhand z.B. Verbund-Identnummer ermöglicht katalogübergreifende Empfehlungen (UBKA + BLB) Aufbau eines guten Recommendersystem langwierig 1/2 – 1 Jahr bis gute Empfehlungen vorliegen kann stark verkürzt werden, wenn alte Logdaten vorliegen

Datenmodell ausgeblendet Online-Logging erfordert folgende Entitäten Beispiel: UBKA 11343440 3-8273-2148-4 Ronneburg, Frank Debian GNU-Linux-Anwenderhandbuch 2005 Logdaten OPAC Werk Werk-ID ISBNs ausgeblendet

Wie kommt die UB Karlsruhe zu diesem Dienst? Recommendersystem ist Ergebnis eines DFG-Projekts DFG-Schwerpunktprogramm V3D2 „Verteilte Verarbeitung und Vermittlung digitaler Dokumente“ Teilprojekt „Wissenschaftliche Bibliotheken in Informationsmärkten“ Laufzeit 1.2.2002 – 31.1.2004 Projektpartner Prof. Dr. Andreas Geyer-Schulz Institut für Informationswirtschaft und –management Implementierung des Recommender-Servers Universitätsbibliothek Karlsruhe Einbindung in den OPAC

Weitere Entwicklungen DFG-Projekt „Recommendersysteme für Meta-Bibliothekskataloge“ Laufzeit Juli 2004 - Juli 2006 Arbeitspakete KVK-Recommender Expliziter Recommenderdienst Integration in den Benachrichtigungsdienst der UB Verbesserung des Bestandsmanagements Verbesserung der inhaltlichen Erschließung

KVK-Recommender Idee Praxis Anreiz Anwendung der Erfahrungen des beim XOPAC eingesetzten Recommenders im KVK ISBN zur Identifizierung gleicher Titel in verschiedenen Katalogen da ein „Global Identifier“ nicht vorhanden Praxis Problem: Wie kann man einen Empfehlungen-Link bei der Volltitelanzeige in KVK-Zielsystemen anbieten ? „Wrapper“-Ansatz (Bsp.: Fernleih-KVK) wurde verworfen Präferierter Ansatz erfordert lediglich Javascript und Kooperationsbereitschaft seitens der Katalogbetreiber Anreiz Recommender-Service für beliebige OPACs

Expliziter Recommenderdienst Entwicklung eines Reviewdienstes Benutzer können explizit Ihre Meinung äussern (Rezension) Gruppierung nach Nutzertypen (Student, Mitarbeiter, Professor) Erstellung von Reviewrichtlinien Vermeidung von verfälschenden Reviews übler Nachrede Aktuell: Spiegel Online-Artikel vom 29.08.05 „Anarchie im Feuilleton“ Entwicklung eines Rankingdienstes Befragung der Benutzer zur Güte eines Titels Skala: hilfreich - unbrauchbar

Integration in Benachrichtigungsdienst Idee Versand einer Mail-Benachrichtigung, falls es neue Empfehlungen zu einem interessanten Titel gibt Praxis „Alert me“-Funktion auf den Empfehlungsseiten. Erstellt automatisch einen Recommender-Eintrag im Alerting Service der UB

Alerting Service

„Alert me“-Funktion

Verbessertes Bestandsmanagement Idee Betriebswirtschaftliche Verfahren zum Sortimentsmanagement im Handel auf den Bibliotheksbereich übertragen Nutzen für Beschaffungsentscheidungen seitens der Fachreferenten Bestandsentwicklung

Verbesserte inhaltliche Erschließung Idee Entwicklung automatischer Klassifikationsverfahren zur Benennung von Clustern Zielsetzung für UB Karlsruhe Recommender als Ergänzung der vorhandenen inhaltlichen Erschließungssysteme Notationssystem bis 1993 (lokal) Aufstellungssystematik ab 1994 (lokal) Schlagwörter nach RSWK (regional) [RVK (regional)] Systematiken der Institutsbibliotheken Praxis Großteil der Titel im OPAC sind nicht sachlich erschlossen Automatische Vergabe von Schlagworten von Titeln mit Schlagworten an Titel ohne Schlagworte

Konzept der „Zusatzdaten“ Umsetzung im XOPAC Titelbezogene Weiterführung im Uni-Katalog bereits vorhanden weitere Literatur des Autors zum Fachgebiet Konzept der „Zusatzdaten“ Anreicherung der vom Verbund gelieferten Daten Übernahme von Daten aus dem Ausleihsystem vermeidet redundante Datenerfassung (Lokalsystem + Verbund) Fachgruppen Standorte Handapparate Semesterapparate Übernahme von Daten vom Recommendersystem automatisch erzeugte Schlagworte

Vorteile von Recommendersystemen sehr günstiger Betrieb, da maschinelles Verfahren bieten einen Mehrwert für Benutzer können neutrale Empfehlungen aussprechen im Gegensatz zu einer Systematik veralten Empfehlungen nicht Anzahl der Empfehlungen ist ein Maß für die Nutzung eines Titels Qualität steigt mit der Anzahl der Nutzung und Dokumenten medienneutral (auch Videos, Zeitschriftenaufsätze...) einheitliches Verfahren für unterschiedliche Kataloge Rationalisierungspotential durch Verbesserung des Sortiments- und Bestandsmanagements Automatische Erschließung

Nachteile von Recommendersystemen Empfehlungen nur bei Nutzung Zuordnung ist nicht transparent Vorsicht bei Recommenderdiensten bei kommerziellen Angeboten Vom Vertrieb manipulierte Empfehlungen (Bias) Teuerstes Produkt oder Produkt mit größter Gewinnspanne oben Kunden sind nicht „dumm“ Umsatzrückgänge bei via Recommender verkauften Produkten auf Grund des Verlusts an Glaubwürdigkeit

„What a Wonderful World“ Ausblick Recommender statt Sacherschließung ? Wird in Zukunft die intellektuelle Sacherschließung durch den Einsatz von Recommendersystemen ersetzt? „What a Wonderful World“

Dank DFG für Ihre Unterstützung Prof. Geyer-Schulz und seinen Mitarbeitern für die Implementierung des bestehenden Recommendersystems Projektmitarbeitern der UB Karlsruhe für die Implementierung des KVK-Recommenders Ihnen für Ihre Aufmerksamkeit Haben Sie noch Fragen ?