Schwarmintelligenz und evolutionäre Algorithmen in ...

6 Diskussion der Ergebnisse
6.5.6 Zusammenfassung der Experimente
Die experimentelle Untersuchung hat ergeben, dass optimierte Gewichtsvektoren eine signifikante
Verbesserung der Empfehlungsqualität ergeben. Es kann jedoch kein stabiler Gewichtsvektor
für die einzelnen Benutzer gefunden werden, jedoch sind die zugehörigen MAE-Werte
stabil.
Für das PSOREC Verfahren hat sich das euklidische Maß als das schlechteste Maß herausgestellt.
Die Verwendung von Velocity Clamping und Trägheitsgewichten ergeben eine deutliche
Verbesserung. Im GAREC Verfahren ist die Kosinusähnlichkeit vermutlich das beste, der
Manhattan- und euklidische Abstand deutlich das schlechteste Maß. Die Verwendung von
Fitness-Sharing hat eine signifikante Verbesserung der Empfehlungsqualität ergeben. Für das
IWOREC Verfahren hat sich, wie bei PSOREC, das euklidische Maß als das eindeutig schlechteste
Maß herausgestellt. IWOREC konnte bei der Hälfte der Benutzer die besten MAE Werte
ermitteln.
6.6 Weitere Erkenntnisse
Spearman Rangkorrelationskoeffizient Durch Verwendung des Pearson Korrelationskoeffizienten
stellt sich die Frage, ob nicht auch der Spearman Rankkorrelationskoeffizient verwendet
werden kann, da dieser keine lineare Beziehung zwischen zwei Variablen benötigt
und stabil gegenüber Ausreißern ist. Die erste Eigenschaft würde auf die ganzzahlige Bewertungsskala
von 1 bis 5 des MovieLens Datensatzes passen. Auch wäre eine gewichtete
Variante möglich, wie sie bei den anderen in dieser Arbeit verwendeten Abstandsmaßen eingesetzt
wurde.
Jedoch stößt man durch die Verwendung der demografischen Informationen der Nutzer und
Genres der Items auf das Problem, dass man diese Werte nicht auf einen Rang abbilden kann.
So ist es z.B. nicht möglich, Features wie “Beruf” oder “Geschlecht” in eine Rangreihenfolge
zu bringenl, ausser man verwendet Ausnahmen für solche Features (z.b. Abstand 1 bei gleichem
Wert, sonst 0). Wenn man jedoch, wie es in anderen Recommendersystem oft der Fall
ist, nur die Bewertungen von Benutzern auf Items verwendet und ansonsten keine weiteren
Informationen verwendet, könnte man den Rangkorrelationskoeffizient für die Bestimmung
der Ähnlichkeit zweier Bewertungsvektoren verwenden.
Multiobjective Optimisation Problems Die oft angesprochene multimodale Fitnesslandschaft,
die aus dem Recommenderdatensatz entsteht, und die Beobachtung, dass kein eindeutig
festes Gewicht für einen aktiven Benutzer gefunden werden kann, führt schnell zu der
Annahme, dass es sich hier um ein multikriterielle Optimierungsproblem handelt. Bei solchen
Problemen stehen sich zwei (oder mehr) Bedingungen so gegenüber, dass sie sich gegenseitig
beschränken (constraints). Das heißt, man kann nie beide Bedingungen so belegen, dass ein
optimales Ergebnis erreicht wird.
100