PageRank für Community Ratings nutzen – Teil 1

Heute starte ich eine Serie über ein Thema mit dem ich mich aktuell beschäftige. Dabei geht es unter Anderem um die Qualität von Suchergebnissen und die Einbindung von Crowd Sourcing zur Verbesserung der Suchergebnisse unter Verwendung von Graph-Datenbanken – in diesem Fall evaluiere ich Neo4J – und dem PageRank Algoritmus.

In vereinfachter Form läuft das so ab:

Nutzer bewerten ein Subjekt (z. B. ein Toaster bei Amazon) und geben ein nummerisches Rating innerhalb einer definierten Skala ab (0 – X Sterne, Punkte, etc). Diese Information fließt in das Suchergebnis ein und verbessert die Relevanz des Toasters. Gehen wir jedoch davon aus, dass der Nutzer, der als einziger bisher den Toaster bewertet hat, überhaupt keine Ahnung vom Gerät hat und den größten Mist in seiner Bewertung verfasst hat – dennoch aber die volle Punktzahl vergeben hat. Fazit daraus: Die Bewertung ist unbrauchbar. Um diesem Umstand Sorge zu tragen hat man in der Vergangenheit das Konzept “Bewerte die Bewertung” eingeführt. Damit sind wir in der Position, qualitativ minderwertige Bewertungen zu filtern. Spinnen wir den Faden wiederum etwas weiter, dann merken wir, dass hier der selbe Strick auftaucht, den wir auch bei der initialen Bewertung hatten. Wer sagt uns, dass der Nutzer, der die Bewertung bewertet hat, ebenfalls Ahnung davon hat?

Diese Fragestellung endet in einer Endlosschleife 😉

Um dem Problem auf die Schliche zu kommen schaut man sich den PageRank Algoritmus an und transportiert ihn vom Thema Webseiten und Hyperlinks auf Nutzer und Bewertungen. Hinzu kommt jedoch die Gewichtung der gerichteten Kanten (X Sterne, Punkte, etc.). Um diesen Punkt adäquat abzubilden bedient man sich einer Graph-Datenbank, welches das Property-Graph Modell unterstützt. Damit lässt sich die Speicherung der Daten, die wir für die PageRank basierte Auswertung benötigen, realisierten.

Ich schraub jetzt erst mal ein wenig 😉