Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
sind. Dieser Bias b lässt sich wie folgt schätzen:
b ui = µ + b i + b u
mit µ als globaler Mittelwert alles Bewertungen, b i als Abweichung des Items i vom Mittelwert,
beispielsweise wenn ein Film immer 0.5 Sterne besser bewertet wird als der Durchschnitt
aller Filme, und b u als Abweichung des Benutzers u vom Mittelwert, beispielsweise wenn ein
kritische Benutzer immer 0.4 Sterne weniger vergibt als der Durchschnitt. Daraus ergibt sich
folgende Modifikation der Formel 2.7:
ˆr ui = µ + b i + b u + q T i p u (2.11)
Das Modell minimiert nun den Fehler über die angepasste Funktion
min
∑
(u,i)∈K
(r ui − µ − b u − b i − q T i p u) 2 + λ(||q i || 2 + ||p u || 2 + b 2 u + b 2 i ).
2.6 Hybrid Filtering
Stellvertretend für die große Anzahl an verschiedenen hybriden Ansätzen für Recommendersystemen
wird im Folgenden das Verfahren von Claypool et al. [15] vorgestellt.
Claypool et al. setzen einen klassischen memory-based kollaborativen Filter ein, siehe Abschnitt
2.5.1, sowie einen inhalts-basierten Filter basierend auf keywords, ähnlich dem Abschnitt
2.4 vorgestellten Verfahren. Beide Verfahren schätzen unabhängig voneinander die
Bewertungen für ein Item, das der aktive User noch nicht gesehen hat. Anschließend werden
beide Bewertungen linear miteinander kombiniert. Die Schwierigkeit liegt darin, die jeweiligen
Gewichte w col und w cont zu finden, damit sich die kombinierte Bewertung r ui ergibt
als
r ui = w col · r colui + w cont · r contui
mit r colui als Bewertung des kollaborativen Filter und r contui als Bewertung des inhalts-basierten
Filter. Die Gewichte werden erstellt, indem zu Beginn mit gleichen Gewichten begonnen wird.
Immer dann, wenn ein Benutzer ein neues Item bewertet und in den Datensatz einfügt, wird
der absolute Fehler zwischen den beiden geschätzten Bewertung des Algorithmus und dieser
echten Bewertung des Benutzer bestimmt und die Gewichte so angepasst, das der Fehler
dazwischen minimiert wird. Die Gewichte werden per Benutzer erstellt, also jeder Benutzer
hat sein eigenes Paar von Gewichten [15].
2.7 Überblick über die bisherige Forschung
Die Wurzeln der Recommendersysteme sind in anderen Forschungsdisziplinen, namentlich
in den Bereichen der cognitive science, approximation theory, information retrieval, forecasting theo-
18