Schwarmintelligenz und evolutionäre Algorithmen in ...

2 Recommendersysteme
die folgenden Systeme, GroupLens [37], Video Recommender [32] und Ringo [71], automatisierten
die Vorhersage der Bewertungen und gelten daher als die ersten echten kollaborativen
Recommender. Aus heutiger Sicht sind beispielsweise die Systeme von Netflix, Amazon und
Last.fm interessant. Netflix, eine Online-DVD-Videothek mit USA-weitem Distributionsnetzwerk,
hat mit dem von ihnen ausgeschriebenen Netflix Prize 3 für viel Aufsehen im Forschungsbereich
der Recommendersysteme gesorgt. Der mit 1 Million US-Dollar dotierte Preis
für den Algorithmus, der den bisherigen Netflix Recommender um 10% verbessert, ging nach
ca. 3 Jahren an ein international zusammengesetztes Forscherteam namens BellKor’s Pragmatic
Chaos. Die Veröffentlichung und genaue Beschreibung ihres Algorithmus, eine Bedingung des
Wettbewerbs, ist unter [38] zu finden.
Breese et al. [29] teilte die kollaborativen Recommender in zwei Gebiete ein: Memory-based
und model-based. Beispiele für reine memory-based Algorithmen und Verfahren sind in Breese
et al. [29], Resnick et al. [59] und Shardanand et al. [71] zu finden. Alternativ schlägt Aggarwal
et al. [2] einen Graph-basierten Recommender vor, der Vorteile beim Bestimmen der
Nachbarschaften hat, da diese systembedingt schon vorliegen. Beispiele für Model-basierte Verfahren
[29, 9, 33, 49, 55, 76] sind in der Literatur zahlreich zu finden. Neuronale Netze setzt
Billsus et al. [9] ein, induction rule learning Basu et al. [5], lineare Klassifikatoren Zhang et al.
[80], Bayes’sche Netzwerke und Clustering Breese et al. [29] und Verfahren basierend auf der
Hauptkomponentenanalyse Goldberg et al. [27].
Aktuellere Forschung in diesem Bereich beschäftigt sich mehr und mehr mit komplexen
probabilistischen Modellen für die Schätzung von Ratings. Beispielsweise betrachtet Shani
et al [70] den Recommenderprozess als sequentielles Entscheidungsproblem und schlägt
einen Markov-Entscheidungsprozess für die Erstellung der Bewertungen vor. Kumar et al [43]
schlägt hingegen ein einfaches probabilistisches Modell vor, das demonstrieren soll, dass auch
schon bei sehr wenigen Daten über jeden User sinnvolle Empfehlungen abgegeben werden
können.
Item-basierte Methoden schlägt Sarwar et al. in [66] vor. Von Desphande et al. [20] wird dieser
Ansatz weiter verfolgt und bestätigt dort auch das Ergebnis von [66], dass Item-basierende
Methoden unter Umständen qualitativ bessere Ergebnisse als User-basierende Methoden liefern.
Forschung zu Hybrid Filtering Kombinierte Verfahren wendet Claypool et al. [15] an, indem
Bewertungen verschiedener Recommender linearer kombiniert werden, während Pazzani
et al. [56] eine Votierung verwendet. Das DailyLearner System [10] wählt das Rating aus,
dass die größte Sicherheit unter allen Ratings bietet.
Beispiele für inhalts-basierte Methoden in kollaborative Verfahren sind das Fab System [4]
und das schon genannte Verfahren von Pazzani et al. [56]. Good et al. [28] schlägt ein System
vor, das mit sogenannten filterbots arbeitet, die die Inhalte des Systems feiner untersuchen um
damit die Empfehlungen zu verbessern.
3 http://www.netflixprize.com/
20