Schwarmintelligenz und evolutionäre Algorithmen in ...

6 Diskussion der Ergebnisse
verwendet. Wenn der Benutzer weitere Bewertungen in das System einpflegt, muss jedoch
eine Neubestimmung des besten Maßes durchgeführt werden.
Globales Optimum In Abbildung 5.8 und 5.9 ist für manche Benutzer eine klare Präferenz
für ein Feature direkt zu erkennen, während die anderen Features für jeden Lauf (leicht)
unterschiedlich gewichtet werden. Für andere Benutzer jedoch kann kein beherrschendes
Feature ausgemacht werden. Was man immer erkennen kann ist, dass das Rating und die
demografischen Features deutlich stärker gewichtet werden als die 18 Genres der Filme. Der
Grund ist, dass die Genre-Features vorab reduziert werden, siehe Abschnitt 4.5.1.
Benutzer 19 (links oben) zeigt, dass das Feature “Beruf” deutlich höher gewichtet wird als alle
anderen Features. In einigen wenigen Läufen ist dies zwar nicht der Fall und die Verteilung
über alle Features ist relativ gleichmäßig, jedoch kann für diesen Benutzer ein nahezu stabiles
Gewicht gefunden werden.
Benutzer 12 (rechts oben) zeigt, dass man für diesen kein festes Gewicht finden kann. Es
ist aber zu beobachten, dass immer dann, wenn der Beruf sehr stark gewichtet wurde, die
anderen Featuregewichte vergleichsweise niedrig sind. Ansonsten werden die Gewichte zwischen
den demografischen Werten gleichmäßig verteilt, so dass kein dominierendes Feature
zu erkennen ist.
Benutzer 1 (links unten) lässt erkennen, das hier der Beruf im Vergleich zu den anderen
demografischen Werten keine Rolle spielt, für diese jedoch kein festes Gewicht gefunden
werden kann.
Für Benutzer 8 (rechts unten) lässt sich entnehmen, dass entweder das Rating oder der Beruf
im Wechsel dominant gewichtet werden. Wenn eines der beiden Features einen im Vergleich
hohen Wert zeigt, ist das jeweils andere Feature entsprechend niedrig gewertet.
An diesen vier Beispielen lässt sich erkennen, dass für keinen der Benutzer ein immer eindeutiges
Gewicht gefunden werden kann. Manche Benutzer tendieren zwar zu einem nahezu
festen Gewicht, andere jedoch zeigen überhaupt keine feste Tendenz zu einem (oder mehreren)
Features.
Wahl der Nachbarschaftsgröße Es ist in Abbilding 5.11 zu erkennen, dass ab einer Größe
von 200 Benutzern der MAE langsam abflacht und sich ab 500 Benutzern (also etwa die Hälfte
der Gesamtgröße des Datensatzes) nicht mehr verändert. Die Ausreißer und Schwankungen
ab einer Nachbarschaftsgröße von ca. 750 Benutzer sind damit zu erklären, dass nun auch
Benutzer mit aufgenommen werden, die überhaupt keine Ähnlichkeit (bedingt durch keine
gemeinsamen Items) mit dem aktiven Benutzer haben. Es ist daher zu empfehlen, eine Nachbarschaftsgröße
zu wählen, die vor diesen Schwankungen liegt, z.B. im Bereich zwischen 50%
und 70% der Gesamtgröße.
Dieses Ergebnis bestätigt die Untersuchungen von Zaier et al. [78], der ebenfalls eine Untersuchung
verschiedener Nachbarschaftsgrößen durchgeführt hat. Für die Verfahren GAREC
96