Ein multimodales Empfehlungssystem, das auf dem Amazon-Office-Katalog trainiert wird, bekommt 674 seiner 2.420 Produkte nie zu Gesicht. Sie werden vor dem Training aussortiert, weil ihre Modalitätsdaten unvollständig sind – der branchenübliche Vorverarbeitungsschritt. Das Modell wird also an einem Katalog bewertet, der auf seine Annahmen zurechtgeschnitten wurde, und anschließend gegen einen eingesetzt, bei dem das nicht der Fall war.

Modekataloge werden nie auf diese Weise bereinigt. Sie kommen unvollständig an, bleiben unvollständig und wechseln schneller durch, als jedes Aufräumprojekt sie schließen könnte. Dieselbe Forschungsgruppe, die diese Löschraten gemessen hat, stellte auf der CIKM 2024 die Frage, ob das Aussortieren der Artikel überhaupt zu rechtfertigen ist – und kam zu dem Schluss: nein. Vorab-Filterung sei, so ihr Fazit, „nicht nur unnötig, sondern schädigt auch die Performance”. Ihre eigene Lösung ist eine graphbasierte Imputation, die die Lücke aus den Mitkauf-Nachbarn eines Artikels füllt, statt den Artikel zu löschen. Das beendet das Aussortieren. Es trainiert das Modell aber nicht darauf, von vornherein ohne die Daten auszukommen – und genau das ist das schwierigere und nützlichere Problem, um das es in diesem Beitrag geht.

Die Annahme, die hier bricht, ist nicht, dass jedes Produkt ein Foto hat. Über sechs im Februar untersuchte Amazon-Kategorien hinweg sind Bilder fast immer vorhanden, Beschreibungen dagegen häufig nicht: Bei Office fehlen null Bilder, aber 674 Beschreibungen. Das Foto ist das Asset, für dessen Aufnahme jemand bezahlt wurde, das terminiert und abgenommen wurde; die Beschreibung ist das Feld, das ein Lieferant freitags um sechs Uhr leer gelassen hat. Sports, die größte untersuchte Kategorie, wiederholt dieses Muster im großen Maßstab: 70 fehlende Bilder gegenüber 2.701 fehlenden Beschreibungen. Multimodale Fusion geht davon aus, dass Bild und Text unabhängig voneinander ausfallen. In einem echten Katalog fallen sie um eine Größenordnung unterschiedlich häufig aus – und fast immer auf derselben Seite.

Diese Publikation ist zweimal zum gegenteiligen Schluss gekommen, und es lohnt sich zu benennen, wo das falsch war. In der Berichterstattung über Tstars-Tryon im Mai und die Outfit-Generierungs-Datensätze zwei Tage später argumentierten wir, die Modellqualität sei gelöst und der Engpass habe sich zu den Katalog-Metadaten verschoben. Die Beobachtung hält stand; die daraus abgeleitete Abhilfe nicht. „Der Engpass ist Ihr Katalog” legitimiert ein Aufräumprojekt mit Fertigstellungstermin, und die Literatur zu fehlenden Modalitäten ist der Beleg dafür, dass ein solcher Termin nicht existiert.

Ein Katalog ist kein Bestand, der vervollständigt werden kann; er ist ein Strom, der an seiner Spitze immer unvollständig ist.

Die Artikel, die am ehesten unvollständig sind, sind genau jene, die das Unternehmen am dringendsten empfohlen haben möchte. Eine Neuheit kommt mit einem Hero-Bild aus dem Kampagnen-Shooting ins System, während die Beschreibung geschrieben wird, sobald jemand dazu kommt – das heißt, das Produkt mit der höchsten Marge und der geringsten Verhaltenshistorie ist zugleich dasjenige, das das Empfehlungssystem am schlechtesten versteht. Googles Leitlinien für Händler sind unverblümt, was die Konsequenz am anderen Ende der Pipeline angeht: Ein Produkt „weist in der Regel eine geringere Datenqualität auf, wenn erforderliche Attribute in den Produktdaten fehlen”, was „zu einer geringeren Performance des Angebots in den Suchergebnissen führen kann.” Die Lücke, die ein Listing bei Shopping unterdrückt, hungert auch das Empfehlungssystem auf der Website aus. Händler behandeln Ersteres als Feed-Problem und Letzteres als Modellproblem. Es ist derselbe fehlende Satz.


Für Abwesenheit zu trainieren schlägt die Rekonstruktion von Anwesenheit, und der Unterschied ist messbar. I³-MRec, angenommen für die ACM Multimedia 2025, simuliert während des Trainings Bedingungen mit fehlenden Modalitäten, statt sie wegzudefinieren. MoDiCF, eine Diffusionsmethode, die die fehlenden Merkmale rekonstruiert, hält 98 % ihrer Performance bei vollständiger Modalität, wenn nur ein Zehntel des Katalogs unvollständig ist. Das ist der einfache Fall – und der, der einen realen Retail-Feed am wenigsten wahrscheinlich abbildet; wird die Lücke größer, verliert MoDiCF fast ein Fünftel seines Recalls. I³-MRec, das jede Modalität als eigene Trainingsumgebung behandelt und begrenzt, wie stark es sich auf eine einzelne verlässt, gibt beim gleichen Extremwert deutlich weniger auf. Die Methode, die fehlende Daten rekonstruiert, verliert mehr als die Methode, die lernt, ohne sie auszukommen.

Die architektonische Version dieses Arguments ist enger gefasst und folgenreicher. Die meisten multimodalen Empfehlungssysteme nutzen späte Fusion: jede Modalität wird separat kodiert, die Repräsentationen werden angeglichen und anschließend kombiniert. EFMRec, vorgestellt auf der WSDM 2026, argumentiert, dass genau dieser Angleichungsschritt der fragile Punkt ist, weil eine fehlende Modalität keine Repräsentation zum Angleichen liefert und die Maschinerie, die zwei Ansichten in Einklang bringen soll, dann nichts hat, was sie in Einklang bringen könnte. Die Alternative projiziert, welche Modalitäten auch immer vorhanden sind, in einen gemeinsamen semantischen Raum und aggregiert sie früh – sie nutzt, was da ist, und ignoriert, was fehlt. Keine Rekonstruktion, keine Hilfsverluste, keine Imputationsstufe, die man justieren müsste. Die Entscheidung darüber, ob ein Empfehlungssystem einen unvollständigen Katalog übersteht, fällt, bevor überhaupt Daten eintreffen.

Der stärkste Einwand lautet, dass dieses Problem ein Verfallsdatum hat. Ein Vision-Language-Modell kann ein Produktfoto lesen und die fehlende Beschreibung schreiben – genau das verkaufen Anbieter von Katalog-Anreicherung gerade jetzt; wenn Beschreibungen schneller generiert werden können, als Produkte onboarded werden, ist die Robustheitsforschung ein aufwendiger Umweg um ein lösbares Problem. Die Bedingung, die dafür erfüllt sein müsste, ist, dass Vollständigkeit ein Zustand ist, den ein Katalog erreicht, statt eine Rate, mit der er läuft. Das ist sie nicht, und die generierte Beschreibung verschärft das tiefere Problem sogar. Text, der aus einem Bild abgeleitet wird, ist kein unabhängiges Signal; er ist das Bild, nur anders formuliert – und eine Fusionsschicht, die dafür gebaut wurde, Widersprüche zwischen zwei Ansichten eines Produkts auszunutzen, erhält jetzt eine Ansicht zweimal. Ein auf diese Weise angereicherter Katalog gilt als vollständig, während er still und leise die Informationsmenge halbiert, für deren Nutzung das Empfehlungssystem eigentlich konzipiert wurde.

Wenn der Katalogumschlag der Katalogbereinigung weiterhin davonläuft – und nichts deutet auf das Gegenteil hin –, werden nicht die Händler mit den saubersten Daten den größten Nutzen aus multimodalen Empfehlungen ziehen. Es werden diejenigen sein, die in ihrer Beschaffung festgeschrieben haben, dass das Modell an einem unvollständigen Katalog evaluiert werden muss. Die Frage lässt sich in einem Satz beantworten: Wie hoch ist Ihr Recall bei 50 % fehlendem Text? Ein Anbieter, der auf vollständigen Daten trainiert wurde, wird diese Zahl nicht haben. Ein Anbieter, der für Abwesenheit trainiert wurde, wird sie gemessen haben, denn genau das ist die einzige Bedingung, für die das Modell gebaut wurde. Die Wahl stand nie zwischen sauberen und schmutzigen Daten; sie steht zwischen einem System, das davon ausgeht, der Katalog werde repariert, und einem, das davon ausgeht, dass das nicht geschieht.