Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
sind. Dieses Modell ist ein naiver Bayes’schen Klassifikator:
Pr(C = u, r 1 · · · r n ) = Pr(C = u)
n
∏
i=1
Pr(r i |C = u)
Der linke Teil der Formel beschreibt die Wahrscheinlichkeit, dass ein User u einer Klasse C angehört
und ein dazugehöriger kompletter Satz von Bewertungen. Die in Formel 2.6 benötigte
Wahrscheinlichkeit lässt sich nun aus dieser Formel bestimmen. Die Parameter für den naiven
Bayes-Klassifikator, Pr(U = u) und Pr(r i |C = u), werden mit einem Trainingsdatensatz
geschätzt.
Der zweite Modell, basiert auf Bayes’schen Netzen. Dabei ist jedes Item ein Knoten in einem
Bayes’schen Netz und der Zustand jedes Knoten entspricht den möglichen Werten der Bewertungsskala
für jedes Item. Es wird auf einem Trainingsdatensatz ein Algorithmus für das
Lernen von Bayes’schen Netzen angewandt [14]. Im daraus resultierenden Netz hat jedes Item
die Knoten als Eltern, die die besten Vorhersagen über die Bewertung dieses Items treffen. Ein
Problem bei diesem Verfahren ist, dass ein User nur in genau ein Cluster eingeteilt werden
kann [1]. Es ist aber möglich, dass ein User sich für zwei vollkommen andere Themengebiete
gleich interessiert und eine solche Einteilung daher problematisch ist.
2.5.4 Latent Factor Models
Latent Factor Models schließen aus dem Bewertungsmuster der Benutzer per Lernverfahren auf
mehrere Faktoren (ab ca. 20 bis über 100), die die Items und die User charakterisieren. Jedes
Item und jeder User wird über einen Vektor charakterisiert, der diese Faktoren enthält. Jeder
Faktor eines Items beschreibt dessen Eigenschaften, für den Fall von Filmen beispielsweise
Faktoren wie Menge an Action, Tiefe der Charaktere, Comedy vs. Drama, Eignung für Kinder
oder auch Faktoren, die direkt gar nicht vorherzusagen sind. Für den Benutzer misst jeder
Faktor den Grad, wie sehr dieser an den entsprechenden Eigenschaften interessiert ist.
Eine mögliche Durchführung von Latent Factor Models ist die Matrixfaktorisierung, die jedes
Item und jeden Benutzer als Vektor von Faktoren darstellt [41]. Eine hohe Ähnlichkeit der
beiden Vektoren führt zu einer Empfehlung. Viele Recommendersysteme arbeiten auf expliziten
Bewertungen von anderen Items, beispielsweise wenn die Benutzer konkrete Werte
für ein Item auf einer Skala von 1 bis 5 abgeben. Dies führt zu einer sehr spärlich gefüllten
User-Item-Matrix, da die meisten Benutzer im Vergleich zur gesamten Anzahl an Items
nur sehr wenige bewertet haben. Der Vorteil der Matrixfaktorisierung ist, dass auch implizite
Bewertungen bzw. Präferenzen der Benutzer in das Modell mit einfließen können [41]. Dies
wären z.B. Dinge wie die Art der besuchten Seiten einer Webseite, Muster bei der Suche, das
Kaufverhalten der Benutzer, etc.
Die Matrixfaktorisierung bildet Items und Benutzer in einen gemeinsamen latent factor Merkmalsraum
ab, so dass man die Gemeinsamkeiten zwischen Items und Benutzern als Skalarprodukt
der jeweiligen Vektoren beschreiben kann [39]. Die geschätzte Bewertung ˆr von
16