FAGPORTALEN

Anbefalingsalgoritmer (TikTok, YouTube, Spotify)

Informatik C · STX · C-niveau · Algoritmer og bias

💻 Anbefalingsalgoritmer (TikTok, YouTube, Spotify)

Anbefalingssystemer driver moderne digitale platforme.

Mekanismer: Collaborative filtering (CF): "brugere der lignede dig kunne lide X". User-based vs. item-based. Klassisk Netflix Prize 2009 ($1 mio).

Content-based filtering: matche bruger-præferencer med item-features (genre, tempo, instrumentalitet — Spotify's audio-features). Hybride systemer kombinerer. Deep learning-modeller dominerer 2018+: Two-tower neural networks, Transformer-baserede (BERT4Rec).

TikTok For You-page: ekstremt aggressiv personalisering. Watch time, replays, deler, likes vægter. Cold start: skift hurtigt mellem genrer for at finde dine præferencer på <1 time. ByteDance-algoritmen er handelshemmelighed men beskrives i ProPublica + WSJ-undersøgelser.

YouTube: Watch Next-anbefalinger udgør 70% af viewing time. Algoritmen tabt sin neutralitet — kritik om radikalisering (Tufekci 2018). Skiftet til "responsible recommendations" 2019. Spotify Discover Weekly: personaliseret playlist hver mandag. Bruger collaborative filtering + audio analysis + NLP på beskrivelse.

Netflix: ~80% af streaming kommer fra anbefalinger. Thumbnail A/B-test (samme film, forskellige posters baseret på din historie).

Etik: filterbobler, afhængighedsdesign, ungdoms-mental-sundhed (TikTok-debatten 2024), algoritmisk transparency (DSA-krav).

Læringsmål

Sådan kan du arbejde med emnet

Arbejd iterativt med prototyper og dokumentation. Test, evaluér og dokumentér.

Øv dette emne med AI — quizzer, forklaringer og feedback tilpasset dit niveau.

Prøv Fagportalen gratis

🤖 Denne side er skrevet med kunstig intelligens og fagligt gennemgået af Fagportalen, som har det redaktionelle ansvar. Finder du en fejl, så skriv til support@fagportalen.dk.