
Die Empfehlung von Büchern ist ein multi-objektives Problem: Am besten sollen Relevanz, Engagement, Vielfalt, Neuheit, Geschäftsanforderungen und mehr gleichzeitig optimiert werden. Dies kann durch ein Zusammenspiel von Algorithmen erzielt werden, von denen jeder ein bestimmtes Ziel erreichen soll. Ein letzter Algorithmus ist dafür verantwortlich, für jeden Kunden die richtige Mischung zu finden: Beispielsweise kann ein Kunde eher an Nischenprodukten als an Bestsellern interessiert sein.
Das System lernt auf zwei Wegen: Erstens kann es durch die Erhebung neuer Daten (wie etwa den Kauf eines neuen Produkts) die Kenntnis der Kundenpräferenzen verbessern und folglich relevantere Empfehlungen liefern, und zweitens kann es die Interaktionen des Kunden mit dem System (die Klicks auf die angezeigten Empfehlungen) mit einer als „verstärkendes Lernen“ bezeichneten Methode verwenden – diese Methode ähnelt dem Versuchen-und-Anpassen-Ansatz, den Roboter verwenden, wenn sie laufen lernen.
Das gesamte System arbeitet sowohl mit täglichen Retraining-Schritten als auch mit Echtzeit-Anpassungen der bereitgestellten Empfehlungen. Dank einer einfachen API-Schnittstelle lässt es sich leicht in die unterschiedlichsten Systeme (Mobil, Web, intelligente Totems ...) integrieren.