Verbesserte Empfehlungen von Fachliteratur mit Hilfe von GenAI

Herausforderung

Im modernen E-Commerce spielen akkurate und personalisierte Empfehlungen eine zentrale Rolle. Bei komplexen Produkten und Dienstleistungen sind gezielte Suchergebnisse und Empfehlungen von großer Bedeutung für die User Experience. Die praktische Umsetzung gestaltet sich jedoch häufig schwierig. Unser Kunde, ein führender Anbieter von Rechtstexten im Bereich Steuerrecht, stand vor der Herausforderung, die Suchfunktionalitäten auf seiner Webseite zu optimieren. Aufgrund der Komplexität der Materie führten einfachere Systeme nicht zu den gewünschten Ergebnissen, was zu einer suboptimalen User-Experience führte.

Ansatz

Aufgrund der Komplexität der Texte haben wir uns dafür entschieden, ein spezielles Sprachmodell, dass auf Rechtsdokumente vortrainiert war, zu verwenden. Mit Hilfe dieses Modells wurden einzelne Paragrafen sowie ganze Dokumente in eine semantische Repräsentation (sogenannte „Embeddings“) umgewandelt. Diese Embeddings erlauben semantische Vergleiche zwischen Suchanfragen von Nutzer:innen und allen verfügbaren Rechtstexten. Auf Basis dieser Vergleiche, kann anschließend eine Liste relevanter Ergebnisse an die Nutzer:innen ausgespielt werden. Zudem können vorherige Suchanfragen oder bereits getätigte Käufe als weitere Informationen zur Personalisierung der Ergebnisse verwendet werden.

Ergebnis

Im Vergleich zur vorherigen Suche, die auf einer Stichwortsuche basierte, konnten signifikante Verbesserungen der Ergebnisse realisiert werden. Durch die Sprach- und Domänenkenntnisse des Sprachmodells werden auch Nuancen in der Suchanfrage besser berücksichtig und dadurch relevantere Ergebnisse ausgespielt. Auch die Kundenbindung wurde verbessert, indem Suchanfragen weiter personalisiert wurden. Das konstante Lernen des KI Modells sinkt zudem langfristig den Wartungsaufwand.