Schwarmintelligenz und evolutionäre Algorithmen in ...

Empfehlungen

Info

Begleitende Webseite: www.matthias-schneider.org/diplomarbeit Der Quellcode, die Arbeit als PDF und weitere Materialien sind unter der oben genannten Adresse bereitgestellt. Fassung vom 3. Mai 2010 Umschlagbild von Eric (etgeek), Flickr - Abgerufen am 30. März 2010. http://www.flickr.com/photos/tofsrud/4171421134/ Some rights reserved. This work is licensed under the Creative Commons Attribution-Noncommercial-No Derivative Works 3.0 Germany License. To view a copy of this license, visit http://creativecommons.org/ licenses/by-nc-nd/3.0/de/ or send a letter to Creative Commons, 171 Second Street, Suite 300, San Francisco, California, 94105, USA.
Inhaltsverzeichnis 1 Einleitung 1 1.1 Motivation und Zielsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Recommendersysteme 3 2.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Basis-Recommendersystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.3 Übersicht existierende Recommendersysteme . . . . . . . . . . . . . . . . . . . . 5 2.3.1 Einteilung der verschiedenen Verfahren . . . . . . . . . . . . . . . . . . . . 6 2.4 Content-based Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.5 Collaborative Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.1 Memory-based Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.2 Item-based Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.5.3 Model-based Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.5.4 Latent Factor Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.6 Hybrid Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.7 Überblick über die bisherige Forschung . . . . . . . . . . . . . . . . . . . . . . . . 18 3 Schwarmintelligenz und evolutionäre Algorithmen 23 3.1 Genetischer Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2 Particle Swarm Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Invasive Weed Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4 Recommender mit Schwarmintelligenz und evolutionären Algorithmen 43 4.1 Idee und Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4.2 Ziel der vorgestellten Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.3 Forschungsüberblick Recommender mit EA und SI . . . . . . . . . . . . . . . . . 45 4.4 Parallelisierung mit Clojure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.5 Particle Swarm Optimization Recommender (PSOREC) . . . . . . . . . . . . . . . 46 4.5.1 Beschreibung des Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.5.2 Vorgeschlagene Erweiterungen . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.6 Genetic Algorithm Recommender (GAREC) . . . . . . . . . . . . . . . . . . . . . 53 4.6.1 Beschreibung des Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.6.2 Vorgeschlagene Erweiterungen . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.6.3 Variante: Selbstanpassung der Mutationsschritte und Evolution Strategies 56 4.7 Invasive Weed Optimization Recommender (IWOREC) . . . . . . . . . . . . . . . 58 4.7.1 Beschreibung des Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . 58 iii
Seite 1: Fakultät für Ingenieurwissenschaf
Seite 5 und 6: 1 Einleitung In der heutigen Zeit w
Seite 7 und 8: 2 Recommendersysteme 2.1 Motivation
Seite 9 und 10: 2.3 Übersicht existierende Recomme
Seite 11 und 12: 2.3 Übersicht existierende Recomme
Seite 13 und 14: 2.4 Content-based Filtering Collabo
Seite 15 und 16: 2.5 Collaborative Filtering bewerte
Seite 17 und 18: 2.5 Collaborative Filtering und ¯r
Seite 19 und 20: 2.5 Collaborative Filtering Bei die
Seite 21 und 22: 2.5 Collaborative Filtering Benutze
Seite 23 und 24: 2.7 Überblick über die bisherige
Seite 25 und 26: 2.7 Überblick über die bisherige
Seite 27 und 28: 3 Schwarmintelligenz und evolution
Seite 29 und 30: eiden Chromosome gekreuzt werden, w
Seite 31 und 32: GA ES Typisches Kombinatorische Kon
Seite 33 und 34: Ansatz leitete den Schwarm ohne die
Seite 35 und 36: 3.1 Genetischer Algorithmus 1 BEGIN
Seite 37 und 38: 3.1 Genetischer Algorithmus 0 0 0 0
Seite 39 und 40: 3.2 Particle Swarm Optimization 3.2
Seite 41 und 42: 3.2 Particle Swarm Optimization Abb
Seite 43 und 44: 3.3 Invasive Weed Optimization aus
Seite 45 und 46: 3.3 Invasive Weed Optimization bede
Seite 47 und 48: 4 Recommender mit Schwarmintelligen
Seite 49 und 50: 4.3 Forschungsüberblick Recommende
Seite 51 und 52: 4.5 Particle Swarm Optimization Rec
Seite 53 und 54:
4.5 Particle Swarm Optimization Rec
Seite 55 und 56:
4.5 Particle Swarm Optimization Rec
Seite 57 und 58:
4.6 Genetic Algorithm Recommender (
Seite 59 und 60:
Seite 61 und 62:
Seite 63 und 64:
4.7 Invasive Weed Optimization Reco
Seite 65 und 66:
5 Evaluationsmethoden und Experimen
Seite 67 und 68:
5.2 Messverfahren und Qualitätsma
Seite 69 und 70:
5.2 Messverfahren und Qualitätsma
Seite 71 und 72:
5.3 Experimente True positive rate
Seite 73 und 74:
5.3 Experimente zelnen Features ent
Seite 75 und 76:
5.3 Experimente 1.2 1.1 Optimierte
Seite 77 und 78:
5.3 Experimente 0.71546 0.70665 0.7
Seite 79 und 80:
5.3 Experimente MAE (mean absolute
Seite 81 und 82:
5.3 Experimente -0.2 0.0 0.2 0.4 0.
Seite 83 und 84:
5.3 Experimente MAE (mean absolute
Seite 85 und 86:
5.3 Experimente -0.2 -0.1 0.0 0.1 0
Seite 87 und 88:
5.3 Experimente 1.2 1.1 Mutationswh
Seite 89 und 90:
5.3 Experimente -0.05 0.00 0.05 0.1
Seite 91 und 92:
5.3 Experimente 1.2 1.1 Mit FPS Ohn
Seite 93 und 94:
6 Diskussion der Ergebnisse In dies
Seite 95 und 96:
6.2 Diskussion IWO und Vergleich zu
Seite 97 und 98:
6.4 Diskussion der Evaluationsmetho
Seite 99 und 100:
6.5 Diskussion der experimentellen
Seite 101 und 102:
Seite 103 und 104:
Seite 105 und 106:
6.7 Ausblick Dies ist aber bei den
Seite 107 und 108:
7 Zusammenfassung der Hauptergebnis
Seite 109 und 110:
Literaturverzeichnis [1] Adomaviciu
Seite 111 und 112:
Literaturverzeichnis [28] Good, N.
Seite 113 und 114:
Literaturverzeichnis ; Thrun, Sebas
Seite 115:
Name: Matthias Schneider Matrikelnu
Alle anzeigen

Schwarmintelligenz und evolutionäre Algorithmen in ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?