Hybrides Artikel-Empfehlungssystem
Erstellt am: 10. April 2026
Hybrides KI-Empfehlungssystem für Nachrichtenartikel auf der Google Cloud Platform – kombiniert inhaltsbasiertes und kollaboratives Filtering.
Im Rahmen meiner ersten Projektarbeit konzipierte, implementierte und optimierte ich ein prototypisches hybrides Empfehlungssystem für ein regionales Nachrichtenportal.
Das System kombiniert zwei komplementäre Ansätze: Content-Based Filtering auf Basis hochdimensionaler Transformer-Embeddings und Neural Collaborative Filtering auf impliziten Nutzerdaten. Die Hybridisierung erfolgt durch eine gewichtete Linearkombination beider Modell-Scores, deren optimale Gewichtung mittels Bayesianischer Hyperparameter-Optimierung über hunderttausende individuelle Evaluierungen bestimmt wurde.
Die Architektur folgt einem cloud-nativen Microservice-Ansatz: Ein asynchroner FastAPI-Orchestrator fragt beide Modell-Endpunkte parallel ab, fusioniert die Ergebnisse und liefert personalisierte Empfehlungen mit einer Latenz von unter 1600ms im 95. Perzentil.
Die Evaluation auf einem Datensatz mit Millionen von Artikelaufrufen zeigte eine mehr als fünffache Verbesserung des
gegenüber einer Popularity-Baseline – ein empirischer Beleg dafür, dass der hybride Ansatz beiden Einzelkomponenten signifikant überlegen ist.
