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

1. Einsatz von Recommendersystemenam Beispiel des neuen OPACs der UB KarlsruheUwe Dierolf

2. 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“

3. 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 • Flächendeckendes Funknetz

4. 12-geschossiger Turmbau • Konventionelle Konzeption • 80% Magazinbestand 900.000 Bände • 500.000 Ausleihen • Erweiterungsbau ab 2006 • 400.000 Bände Freihand • 7 x 24h-Betrieb • 540 Lesesaalplätze Universitätsbibliothek Karlsruhe • Zentralbibliothek • funktional einschichtig

5. 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

6. XOPAC- Suchmaske

7. Einzeltreffer „Buch“

8. Einzeltreffer „Zeitschrift“

9. 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“

10. Empfehlungen

11. 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 4545Feb 6102März 4214April 11208Mai 12402Juni 12080Juli 12944August 13737 • Derzeit ca. 600 Anfragen pro Tag

12. 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“

13. 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

14. 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

15. 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)

16. Klassisches Beispiel: Sprühsahne und Erdbeeren • Werden im Supermarkt benachbart positioniert + = 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

17. 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.

18. 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

19. 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

20. 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

21. KVK-Recommender • Idee • 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 Volltitelanzeigein 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

22. 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

23. 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

24. Alerting Service

25. „Alert me“-Funktion

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

27. Verbesserte inhaltliche Erschließung • Idee • Entwicklung automatischer Klassifikationsverfahren zur Benennung von Clustern • Zielsetzung für UB Karlsruhe • Recommender als Ergänzung der vorhandenen inhaltlichenErschließungssysteme • 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

28. 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

29. 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

30. 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

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

32. 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 ?