VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Funktionsweise und Ansatze von inhaltsbasiertemFiltern
Bettina Pflugbeil
Dezember 6, 2013
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Agenda1 Vorgehensweise2 Artikelprofil
Strukturierte DatenUnstrukturierte Daten
3 BenutzerprofilBenutzerhistorieErstellung eines Benutzerprofils
4 KlassifizierungsmethodenProbabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
5 FeedbackBettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Problemstellung
große Fulle an Informationen im WebSchwierigkeiten bei der SuchePersonalisierung der Inhalte fur die Benutzer
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
allgemeine Vorgehensweise
Empfehlung von Artikeln, die der Benutzer in derVergangenheit fur gut befand.
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
allgemeine Vorgehensweise
Analyse von bewerteten DokumentenErstellung eines ArtikelprofilsErstellung eines BenutzerprofilsVergleichen des Benutzerprofils mit dem zu testenden Objekt
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Empfehlungsprozess in 3 Schritten
CONTENT ANALYZERPROFILE LEARNER
FILTERING COMPONENT
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Empfehlungsprozess in 3 Schritten
CONTENT ANALYZERPROFILE LEARNERFILTERING COMPONENT
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Empfehlungsprozess in 3 Schritten
CONTENT ANALYZERPROFILE LEARNERFILTERING COMPONENT
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
CONTENT ANALYZER
Erstellung einer strukturierten ArtikelbeschreibungTechniken vom Information Retrievalunstrukturierte Information ⇒ Vorverarbeitungsschritt notigdiese Reprasentation = Input fur PROFILE LEARNER undFILTERING COMPONENT
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
PROFILE LEARNER
Profil = strukturierte Darstellung der Benutzerinteressen
Sammlung von Daten (Benutzerbewertungen bzw. Feedback)⇒ Training set fur den aktiven BenutzerVerallgemeinerung der Daten ⇒ Erstellung des BenutzerprofilsUmsetzung der Generalisierungsstrategie durchMaschinenlerntechniken
Speicherung des Benutzerprofils in einem Profilarchiv (furFILTERING COMPONENT)
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
FILTERING COMPONENT
Vorhersage uber Interesse des Benutzers fur neuen Artikelneue Artikelreprasentation⇒ Vergleich der Attribute des Benutzerprofils mit den derjeweiligen Artikelprofile
Vergleich mittels KlassifizierungsalgorithmenErgebnis = reprasentiert Interesse des Benutzers an diesemObjekt
”Top-Artikel“⇒ Speicherung in Empfehlungsliste
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Artikelprofil
Profil = Sammlung der wichtigsten Eigenschaften des ArtikelsDarstellung als Menge von AttributenArtikel der gleichen ”Klasse“haben gleiche AttributeSpeicherung in einem relationalen Datenbanksystem
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Beispiel - Eigenschaften
Beispiel: Buchempfehlung
TitelGenreAutorennameVerlagErscheinungsjahrPreis...
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Beispiel - Tabellendarstellung
Beispiel: Buchempfehlung
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
ABER...
”Strictly speaking, the information about the publisher and theauthor are actually not the content of a book, but rather additionalknowledge about it.“
⇒ Inhaltsbasierte Systeme wurden entwickelt, um textbasierteArtikel zu filtern und zu empfehlen.
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Beispiel: Teil eines Zeitungsartikels
Artikelbeschreibung meistens textuelle Eigenschaften(Webseite, Zeitungen, E-Mails...)keine gut definierten Werte (↔ strukturierte Daten)keine Liste von ”Meta-Information“, sondern Liste vonrelevanten Schlusselwortern⇒ Einsatz von diversen Verfahren zur Extrahierung
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Vektor-Raum-ModellBoolean-Vektor
VRMraumliche Darstellung von Textdokumenten
Liste aller Worter von allen Dokumenten⇒ Darstellung jedes Dokuments als boolean-Vektor
1 = Wort kommt vor0 = Wort kommt nicht vor
gleiche Darstellung im Benutzerprofil⇒ Vergleich
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Vektor-Raum-ModellBoolean-Vektor - Probleme
Annahme: jedes Wort hat dieselbe Relevanz innerhalb desDokumentsABER: Haufigeres Vorkommen ⇒ bessere Charakterisierunggroßere Ubereinstimmung bei langeren Dokumenten⇒ Empfehlung langere Dokumente
Verbesserung: Benutzung des TF-IDF-Kodierungsformates
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Vektor-Raum-ModellTF-IDF-Kodierungsformat
TF-IDF-KodierungsformatDarstellung als Vektoren in einem multidimensionalen Raum
= Produkt aus Termfrequenz und inverse Dokumentenhaufigkeit
ist eine Technik vom ”information retrieval“Berucksichtigt die Lange des DokumentsRaumanzahl = Anzahl der Schlusselworter (Terme)
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Vektor-Raum-ModellTF-IDF-Kodierungsformat
normierte Termfrequenz (TF)
TF (i , j) = freq(i ,j)maxOthers(i ,j)
⇒ Verknupft die Anzahl der Termfrequenz mit der maximalenFrequenz der anderen Schlusselworter im Dokument
ist eine Technik vom ”information retrieval“Raumanzahl = Anzahl der Schlusselworter (Terme)
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Vektor-Raum-ModellTF-IDF-Kodierungsformat
inverse DokumentenfrequenzIDF (i) = log N
n(j)
Ziel: Reduzierung der Gewichtung der Schlusselworter, die sehrhaufig in allen Dokumenten vorkommen.
Idee: zum Unterscheiden der Dokumente sind diese Worternicht sehr hilfreich⇒ Terme, die nur in ein paar Dokumenten vorkommen,sollten hoher gewichtet werden
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Verbesserung und Begrenzung
StoppworterLoschen von bestimmten Wortarten wie Prapositionen,Konjunktionen, Artikel usw.Grund: kommen in so gut wie allen Dokumenten vor, habenjedoch auf den Inhalt bzw. die Schlusselworter keinen Einfluss
StemmingErsetzen der verschiedenen Wortvarianten durch ihrengemeinsamen Wortstamm⇒ Verringert die Vektorgroße⇒ Verbesserung des Matching-ProzessesProbleme: Abkurzungen oder gleichlautende Worter
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Strukturierte DatenUnstrukturierte Daten
Verbesserung und Begrenzung
RedewendungVerwendung ganzer Redewendungen oder Phrasen als TermeGrund: hohere Aussagekraft
Anwendung von Lexika oder OntologienProblem: keine Erfassung der Semantik (String-Matching)↪→ Polysemie: Ein Wort/ mehrere Bedeutungen↪→ Synonymie: viele Worter/ dieselbe Bedeutung⇒ Schlusselidee: Wissensbasen wie Lexika oder Ontologien
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
Benutzerprofil
BenutzerprofilStellt die (vergangenen) Interessen des Nutzers dar.
Speicherung der BenutzerpraferenzenHistorie der Nutzerinteraktionen mit dem Empfehlungssystem
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
Benutzerhistorie
angesehene Artikelgekaufte Artikelbewertete ArtikelSucheingaben⇒ Rekonstruktion kurzlich angesehener Artikel⇒ Rekonstruktion gekaufter bzw. gelesener Artikel⇒ Verwendung als Trainingsdaten (Algorithmen)⇒ Erstellung des Benutzerprofils
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
Erstellung eines Benutzerprofils
Verwendung von MaschinenlerntechnikenUmsetzung als binare Textkategorisierung⇒ Klassifizierung jedes Dokuments/Artikels:c+: positiv ⇒ Benutzer mag esc-: negativ ⇒ Benutzer mag es nicht
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
explizites VorgehenBenutzer bewertet Artikel/ Attribute/ Schlusselworter aktiv selbstz. B. durch Check-Box
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
BenutzerhistorieErstellung eines Benutzerprofils
explizites VorgehenBenutzer bewertet Artikel/ Attribute/ Schlusselworter aktiv selbstz. B. durch Check-Box
implizites VorgehenDas System beobachtet das Nutzerverhalten⇒ versucht es zu bewerten und zu kategorisieren
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Probabilistische Methoden und Naive Bayes
Wahrscheinlichkeitsmethode fur induktives LernenErzeugung eines Wahrscheinlichkeitsmodells (unbekannter
”Umweltzustand“) an Hand von davor beobachteten Daten
Bayes theorem
P(c|d) = P(c)∗P(d |c)P(d)
fur Klassifizierung des Dokuments d, wird Klasse mit hochsterWahrscheinlichkeit ausgewahlt
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Probabilistische Methoden und Naive Bayes
beobachtete Daten nicht ausreichend⇒ Unabhangigkeitsannahme⇒ Berechnung der Wahrscheinlichkeit fur jedes Wort
gute Ergebnisse bei Textdokumentsklassifizierung trotzDiskrepanz zur realen Welt (↔ Methode des nachstenNachbarn)
Probleme beim Benutzerprofil:→ unterschiedliche Lange der Dokumente (training set)→ seltene Kategorien→ mehr positives als negatives Feedback
Verwendung: NewsDude, Daily Learner, LIBRA...
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Entscheidungsbaum
Erstellung eines Entscheidungsbaumes durch rekursiveAufteilung der Textdokumente (Trainingsdaten) inUntergruppen⇒ Untergruppen enthalten nur noch Instanzen der KlasseAufteilung durch Test der Merkmale (An- bzw. Abwesenheit)Verwendung der informativsten Eigenschaften fur die Testsnicht ideal fur unstrukturierte Daten⇒ besser kleine Baume mit wenigen TestsRIPPER: post-pruning-Algorithmus (Optimierung) undUnterstutzung von Attributen mit mehrfachen Wertenbereits angewendet bei: Klassifizierung von E-Mails,Data-Mining-Probleme, Personalisierung von Werbung
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Entscheidungsbaum
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Methode des nachsten Nachbarn
Untersuchen, ob Benutzer gleichartige Dokumente in derVergangenheit positiv bewertet hatzwei Informationen notig:→ Historie der Vorlieben (like/ dislike)→ Algorithmus zur Bestimmung der GleichartigkeitSpeicherung aller TrainingsdatenKlassifizierung eines neuen Artikels:⇒ Berechnet durch Ahnlichkeitsfunktion den nachsten bzw.die k nachsten Nachbarn⇒ Ubernahme der Daten der nachsten Nachbarn
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Methode des nachsten Nachbarn
strukturierte Daten - Euklidische Abstandsmetrik⇒ d(p, q) =
√(p1− q1)2 + (p2− q2)2
unstrukturierte Daten (VRM) - Kosinus-AhnlichkeitsmaßProblem bei Euklidischer Abstandsmetrik:Gleichbehandlung egal ob kleiner oder großer Wert⇒ Dokumente werden als gleichartig angesehen, wenn beidenicht bei dem ”abgefragtem“Thema ubereinstimmen
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Methode des nachsten Nachbarn
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Relevantes Feedback und Rocchio’s Methode
Benutzer geben explizites Feedback, ob die abgerufenenArtikel relevant waren. (Ruckkopplungsmechanismus)⇒ Verfeinerung der Abfrage durch das System⇒ Verbesserung der AbfrageergebnisseGrund: Qualitat hangt sehr stark von den abgefragtenSchlusselwortern ab→ durchschnittlich zwei Schlusselworter (oft mehrdeutig)
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Relevantes Feedback und Rocchio’s Methode
Teilen der bewerteten Dokumente in zwei Bereiche:→ D+: relevante Dokumente→ D-: unrelevante Dokumente⇒ Erstellung eines Prototypen (Durchschnitt)Verfeinerung des aktuellen Abfragevektors⇒ Vektor bewegt sich in Richtung der relevanten Datenempirische Daten: gute Methode - am besten die erstn 10 bis20 Worter dafur benutzenaber bei zu vielen Termen problematisch (oft mehrdeutig)
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Relevantes Feedback und Rocchio’s Methode
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Relevantes Feedback und Rocchio’s Methode
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Probabilistische Methoden und Naive BayesEntscheidungsbaumMethode des nachsten NachbarnRelevantes Feedback und Rocchio’s MethodeLineare Klassifikatoren
Lineare Klassifikatoren
Berechnung einer linearen Entscheidungsgrenzegroße Anzahl von Algorithmen in dieser Kategorie
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Vorteile
Unabhangig von anderen NutzernKein Erster-Beurteiler-ProblemErweiterung der Empfehlung durch InhaltsmerkmaleFahigkeit der guten Empfehlung bei eindeutigen Vorlieben(fast) kein Kalt-Start-Problem
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Nachteile
keine Berucksichtigung subjektiver Attribute→ Asthetik→ korrekte Hyperlinks→ Benutzerfreundlichkeit→ multimediale ElementeUberspezialisierung→ Empfehlung nur uber gleichartige, positiv bewertete Artikel→ gleiche Zeitungsartikel werden vorgeschlagen⇒ gewissen Zufall einbauenExtrahierung von Eigenschaftsmerkmalen muss moglich sein
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern
VorgehensweiseArtikelprofil
BenutzerprofilKlassifizierungsmethoden
Feedback
Dankeschon fur die Aufmerksamkeit!
⇒ Sind noch Fragen offen?
Bettina Pflugbeil Funktionsweise und Ansatze von inhaltsbasiertem Filtern