Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
berechnen, da sich die Ähnlichkeiten zwischen Items (z.B. Filme, Bücher etc.) nicht bzw.
nur sehr selten ändern. Daher muss diese Berechnung nur einmal durchgeführt werden und
bleibt dann statisch im System bestehen. Mit geeigneten Datenstrukturen (z.B. Hashtabelle)
kann eine Abfrage der Ähnlichkeit performant durchgeführt werden.
Die Ähnlichkeitsberechnung der Items geschieht nicht wie bei den inhalts-basierten Methoden
über die Profile der Items, sondern über die von anderen Usern abgegebenen Bewertungen
über dieses Item. Es werden weiterhin, wie bei allen kollaborativen Verfahren, die
anderen User des Systems in die Vorhersage der Bewertungen mit einbezogen.
Der Algorithmus berechnet zu einem gegebenen Item i die k ähnlichsten Items I k = {i 1 , · · · i k }
und deren Abstände zu i, S i = {s i1 , · · · s ik }. Das Rating für Item i wird dann als gewichtetes
Mittel über all diese ähnlichen Bewertungen bestimmt.
Für die Berechnung der Ähnlichkeit zweier Items i und j stellt Sarwar et al. [66] drei Varianten
vor: Kosinusähnlichkeit, Pearson Korrelationskoeffizient und eine modifizierte Kosinusähnlichkeit.
Es wird für jedes Itempaar die Menge U ij an Usern bestimmt, die beide Items in der
Vergangenheit bewertet haben, siehe Abbildung 2.7. Implementieren kann man dies, indem
man die Schnittmenge der Mengen U i und U j berechnet.
1
2
Item
1 2 i j n-1 n
r r
-
r
User
u
r
r
Co-rated
Items
m-1
m
r
r
r
-
Abbildung 2.7: Exemplarische Berechnung der Ähnlichkeit zweier Items. Es werden dabei
nur die gemeinsam bewerteten Items betrachtet. Die Paare werden dabei aus
verschiedenen Benutzern gewählt.
Bei der Kosinus-basierten Ähnlichkeit werden die Items als m-dimensionale Vektoren (die
Spalten in Grafik 2.7) aufgefasst. Als Ähnlichkeit wird, analog zum memory-based Verfahren,
der Kosinuswinkel zwischen diesen beiden Vektoren angewandt. Es wird der komplette Vektor
inklusive aller nicht bewerteten Items verwendet. Die fehlenden Bewertungen werden
dabei durch den Wert 0 ersetzt.
Für die Pearson-Korrelationskoeffizient ist es wichtig, dass mit der die Menge U ij und nicht
mit der Menge I uv der Items gerechnet wird, die Formel 2.5 muss angepasst werden.
14