Verarbeitung von visuellen Informationen in KI-basierten Recommender Systemen

Während im stationären Handel eine persönliche Kundenberatung stattfinden kann, entfällt dieser Punkt im Onlinehandel fast gänzlich. Aus diesem Grund arbeiten E-Commerce-Unternehmen mit Recommender Systemen, es wird also versucht, basierend auf vorhandenen Kundeninformationen ein passendes Produkt zu präsentieren. Besonders deutlich wird die Wichtigkeit von Recommendations bei Produkten, die nicht ausschließlich textuell über ihre Spezifikationen beschrieben werden können. Gerade bei stilistischen Merkmalen oder visuellen Eigenschaften, die nur bedingt über textuelle Beschreibungen oder Kategorisierungen abgebildet werden können, liegt ein hoher Bedarf an individueller Beratung vor. Solche Produkte sind beispielsweise im Mode-Bereich zu finden, welche mit 14,6 Mrd Euro Umsatz (Deutschland) im Jahr 2019 die umsatzstärkste Branche des E-Commerce darstellt. Zur Generierung dieser Recommendations müssen zunächst Informationen über den Kunden gesammelt werden. Kundenrelevante Datenquellen (wie z. B. Stammdaten, Transaktionsdaten oder Daten aus Marketingkampagnen) können dann als Informationsbasis dienen, um Kundenprofile aufzubauen und das Kauferlebnis zu personalisieren. Vorrangig werden zum aktuellen Zeitpunkt aber strukturierte Daten ausgewertet. Unstrukturierte Daten werden bisher kaum genutzt, um Eigenschaften, Verhaltensweisen oder die Präferenz des Kunden zu modellieren, obwohl diese einen Informationsmehrwert darstellen können. Im Rahmen dieser Arbeit soll ein neuartiger Ansatz erarbeitet werden, der die zuvor beschriebene Problematik aufgreift und insbesondere das Kaltstart-Problem von Recommender Systemen adressiert und dazu unstrukturierte Kundendaten in den Prozess der Kundenmodellierung integriert. Zum Einsatz kommen dabei unterschiedliche Computer Vision-Verfahren, die miteinander kombiniert werden. Die Umsetzung soll dabei am Beispiel des Fashion E-Commerces erfolgen.