Schwarmintelligenz und evolutionäre Algorithmen in ...

2.4 Content-based Filtering
Collaborative Methode Input Output
Memory-based Bestimmung ähnlicher User-Item Bewertung für
Benutzer zum aktiven Matrix unbekannte
Benutzer per k-nearest
Items des
neighbor. Schätzung
aktiven Benutzers
der Bewertung anhand
dieser Gruppe.
(z.B. Mittelwert der
Ratings)
Item-based Bestimmung ähnlicher, User-Item Bewertung für
gemeinsam bewerteter Matrix unbekannte
Items und Berechnung
Items des
der jeweiligen Ab-
aktiven Benutzers
stände und Bestimmung
der Nachbarschaft
(k-nearest neighbor)
Model-based Clustering in Gruppen, User-Item Items werden in
oder per Bayes’scher Matrix Bewertungsgruppen
Klassifikatoren die
eingeteilt (Cluster)
Bestimmung der wahr-,
scheinlichen Bewertung
oder die Bewertung
mit der höchsten
Whkt. wird
ausgegeben (Bayes)
Tabelle 2.3: Übersicht der collaborative-based Verfahren.
Sei d j ein gegebenes Dokument oder Item und k i ein keyword in d j . Die normalisierte Häufigkeit
des Auftretens dieses keywords ist definiert als
TF i,j =
n i,j
∑ k n k,j
mit n i,j als die gesamte Anzahl des Auftretens von k i und der Zähler als Summe aller Auftrittshäufigkeiten
aller keywords. Jedoch sind keywords, die in vielen Dokumenten auftreten,
nicht nützlich für die Unterscheidung von Dokumenten. Daher wird die inverse document
frequency (IDF) in Kombination mit TF genutzt. IDF ist definiert als
IDF i = log N n i
mit N für die gesamte Anzahl aller Dokumente und n i als Anzahl der Dokumente, in der k i
auftritt. Das TDF/IDF-Gewicht für keyword k i ist definiert als
w i,j = TF i,j × IDF i
und das Profil eines Items i für ein Dokument d j als pro f ile(i) = (w 1,j , ..., w k,j ).
Um nun bisher ungesehene Items einem User zu empfehlen, werden diese mit den bisher bewerteten
Items verglichen. Dabei wird aus den Profilen der bekannten und bewerteten Items
9