Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
u
Items
1 n
1
Recommender
Geschätzte
Bewertung
von User u
für Item j
User
f
Input: User und Item-Features-Matrix
j
Abbildung 2.3: Das grundlegende Modell eines (inhalts-basierten) Recommendersystems. Die
Item-Feature-Matrix enthält Items dargestellt durch ihre Features f . Der Recommender
erstellt mit dieser Matrix und dem aktiven Benutzer u die geschätzte
Bewertung des bisher nicht vom aktiven Benutzer bewerteten Items
j.
Star Wars Life of Brian Big Fish Pulp Fiction
Alice 4 2 5 ⊘
Toby 2 ⊘ 4 4
Charles 1 2 5 4
Dolly ⊘ 3 4 3
Tabelle 2.1: Ein Ausschnitt einer User-Item-Matrix mit Bewertungen für Filme auf einer Skala
von 1 bis 5. Die von den Users nicht bewerteten Filme sind mit ⊘ gekennzeichnet.
und evolutionäre Algorithmen in Recommendersystemen behandeln, wird in Kapitel 4 gegeben.
2.3.1 Einteilung der verschiedenen Verfahren
Recommendersysteme können in drei Kategorien eingeteilt werden [1]:
• Inhalts-basiertes filtern (content-based filtering)
Bei diesem Verfahren werden Profile für die Benutzer und/oder die Items angelegt um
ihre Eigenschaften zu charakterisieren. Beispielsweise kann ein Film die Eigenschaften
Genre, Einspielergebnis oder mitwirkende Schauspieler enthalten. Für die Erstellung
solcher Profile sind oft externe Informationen notwendig, die von Experten manuell
erstellt werden müssen [58, 57]. Wenn ein Profil eines Items mit einem Profil eines Nutzers,
der dieses für sich selbst mit seinen eigenen Vorlieben gefüllt hat, übereinstimmt,
wird eine Empfehlung für dieses Item abgegeben.
• Kollaboratives filtern (collaborative filtering)
Für dieses Verfahren werden in der Vergangenheit abgegebene Bewertungen von Benut-
6