Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
Ähnliche Items
? 3 4 3
unbewertes Item
bewertete Items
Recommender:
?
3,3
Abbildung 2.5: Vereinfachte Darstellung eines Content-based Recommender. Zu einem bisher
nicht bewerteten Item werden die ähnlichsten, bewerteten Items bestimmt und
zum Beispiel der Mittelwert dieser Items als Bewertung übernommen.
ein User-Profil pro f ile(u) = (w u,1 , ...w u,k ) erstellt, wobei jedes Gewicht w u,i die Wichtigkeit
des keywords k i bestimmt. Dieses Profil gibt die Vorlieben des Benutzers wieder und kann auf
verschiedenen Wegen erzeugt werden. Der Rocchio Algorithmus [62] beispielsweise bestimmt
das Userprofil als Durchschnitt der Itemprofile, wohingegen auch Bayes’sche Klassifikatoren
eingesetzt werden können [57]. Eine weitere Möglichkeit ist die Anwendung des Winnow-
Algorithmus [56].
Die Bewertungsfunktion r ui ergibt sich nun als
r ui = score(pro f ile(u), pro f ile(i)),
mit score als beliebige Funktion, die aus den beiden Argumenten eine Bewertung erstellt. Dabei
werden die Profile der Benutzer als Gewichtsvektoren dargestellt, wobei die Gewichte für
die einzelnen keywords stehen. Es können daher heuristische Bewertungen verwendet werden,
um die Ähnlichkeit zwischen den Vektoren zu bestimmen, so zum Beispiel die Kosinus-
Ähnlichkeit:
r(u, i) = cos( ⃗w u , ⃗w i ) =
⃗w u · ⃗w i
‖ ⃗w u ‖ 2 × ‖⃗w i ‖ 2
=
mit K als die gesamte Anzahl der keywords im System.
∑ K x=1 w x,uw x,i
√
∑ K x=1 w2 x,u
√
∑ K x=1 w2 x,i
Weitere Techniken, denen nicht der bisher vorgestellte heuristische Ansatz zugrunde liegt,
sind Bayes’sche Klassifikatoren und zahlreiche Methoden aus dem Bereich des maschinellen
Lernen wie etwa Clustering, Entscheidungsbäume oder künstliche neuronale Netze. Pazzani
et al. [57] verwenden beispielsweise ein naiver Bayes’scher Klassifikator, um Webseiten zu
10