Schwarmintelligenz und evolutionäre Algorithmen in ...

2.3 Übersicht existierende Recommendersysteme
zern für Items als Input des Verfahrens verwendet, siehe Tabelle 2.1. Für einen Benutzer
werden andere Benutzer gesucht, welche die gleichen Filme wie dieser Benutzer bewertet
haben und in dieser Bewertung auch übereinstimmen. Anhand dieser Nachbarschaft
werden für den aktiven Nutzer Bewertungen für Items erstellt, die dieser noch nicht bewertet
hat [29, 71, 59].
• Hybrides filtern (hybrid filtering)
Inhalts-basierte Filtermethoden und kollaborative Filtermethoden werden zu einem Modell
kombiniert. Folgende Varianten sind vorgeschlagen worden [1]:
1. Getrennte Implementierung von kollaborativen und inhalts-basierten Methoden
mit anschließender Kombination der Ergebnisse.
2. Verwendung von klassischen inhalts-basierten Methoden (Itemprofile) in kollaborative
Verfahren.
3. Verwendung von klassischen kollaborativen Methoden (Benutzernachbarschaft) in
inhalts-basierten Verfahren.
4. Ein vereinigendes Modell, dass beide Ansätze auf eine neue und nicht in die obigen
Kategorien passende Art umsetzt.
Der Begriff filtering wird in der Literatur oft synonym zu recommender systems verwendet. Die
ersten Forschungen zu Recommendersystemen [26] haben diesen Begriff geprägt.
Abbildung 2.4 und die Tabellen 2.2 und
Varianten der Recommendersysteme.
2.3 geben eine Übersicht über die verschiedenen
Content-based Methode Input Output
Heuristische Bestimmung ähnlicher, Items als Vektoren, Bewertung für
Methoden bewerteter Items zu Features beschreiben unbekanntes
einem unbekannten Item, das Item. Item
Schätzung der Bewertung Benutzer per
anhand dieser Gruppe. Vektor beschrieben.
(z.B. Mittelwert der
bewerteten Items)
Klassifizierung Bayes’scher Items als Vektoren, Einteilung in
Klassifikator, Features beschreiben relevante oder
Bestimmung der Whkt., das Item. irrelevante Klasse
ob ein Item relevant Benutzer per
ist oder nicht.
Vektor beschrieben.
Maschinelles Clustering, Items als Vektoren, Einteilung in
Lernen Entscheidungsbäume, Features beschreiben Gruppen.
oder künstl. neuronale das Item. Jede Gruppe
Netze Benutzer per gibt eine
Vektor beschrieben. Bewertungsmöglichkeit
an
Tabelle 2.2: Übersicht der content-based Verfahren.
7