Schwarmintelligenz und evolutionäre Algorithmen in ...

2.7 Überblick über die bisherige Forschung
Ein Beispiel für kollaborative Methoden in inhalts-basierten Verfahren ist Soboroff et al. [72],
die latent semantic indexing verwenden, eine Technik aus der information retrieval um Dimensionalitäten
zu reduzieren.
Beispiele für Verfahren, die kollaborative und inhalts-basierte Recommender vereinigen sind
Basu et al. [5], die einen regelbasierten Klassifikator einsetzen, der die Charakteristiken der
Items und User berücksichtigt (z.B. Alter, Geschlecht, Genre von Filmen etc.). Ein Ansatz
von Condliff et al. [18] nutzt Bayes’sche Regressionsmodelle mit Mischeffekten, um damit
Markovketten und Monte-Carlo Methoden für die Einstellung von Parameter anzuwenden.
Forschung zu Latent Factor Models Hofmann untersucht in [33] und [34] latent semantic
models, mit denen er die Ratings des aktiven User als gemischtes System von Usergruppen
modelliert, bei denen die User mit einer gewissen Wahrscheinlichkeit in einer der Gruppen
teilnehmen. Koren [39] untersucht einen Vorschlag, der kollaborative Modelle und latent factor
models kombiniert und die Empfehlungsqualität durch die Einbeziehung von explizitem und
implizitem Benutzerfeedback empirisch verbessern kann. Weiter beschreibt Koren in [40] die
Entwicklung eines Verfahrens, dass die zeitliche Verschiebung von Benutzerinteressen bei der
Schätzung der Empfehlungen mit einbezieht. Beide von Koren vorgeschlagenen Verfahren
wurden mit Erfolg beim Netfliz Prize eingesetzt.
Weitere Entwicklungen im Forschungsbereich der Recommendersysteme In den letzten
Jahren hat sich die Forschung zu Recommendersystemen und allen angrenzenden Gebieten
sehr rasch entwickelt. Dabei sind viele Vorschläge zu Verfahren entstanden, die sich nicht
mehr genau in eine der bisher vorgestellten Kategorien einsortieren lassen. Im Folgenden
wird versucht, einen kurzen Überblick über diese Arbeiten zu geben.
Schweighofer et al. [67] schlagen ein probabilistisches memory-based Verfahren vor, dass weniger
auf die reine Verbesserung der Vorhersagequalität zielt, sondern andere Aspekte wie
Skalierung, Anpassung auf neue Daten und Verständlichkeit der Empfehlungen (“warum
wurde dieses Item empfohlen”) in den Vordergrund stellt. Gassner et al. [24] schlägt ein
Verfahren zur Visualisierung von Empfehlungen vor. Eine geografische Visualisierung der
Empfehlungen soll zeigen, wie die Empfehlungen zustande kamen und die Nachbarschaften
der Items zueinander angeordnet sind. Miller et al. [53] setzt mit ihrem PocketLens-Verfahren
auf ein portables System, das nicht auf large-scale Computern eingesetzt werden muss, sondern
auf mobilen Geräten funktionieren soll. Das Thema Privacy in Recommendersystemen
untersucht Canny et al. [13] und Lam et al. [45, 44]. Mehta et al. [52] verwenden robuste
statistische Methoden (M-estimators), mit denen sie absichtliche Verfälschungen oder unabsichtliche
Abweichungen der Ratings abzufangen versuchen.
Herlocker et al. [31] untersuchen die verschiedenen Möglichkeiten zur Evaluation von Recommendersystemen
und gehen auf die dabei wichtigsten zu treffenden Entscheidungen ein.
Darunter die Art der Analyse und Auswahl der Datensätze, wie die Qualität von Empfehlungen
evaluiert wird, alternative Arten der Qualitätsmessung (Precision und Recall) und die
allgemeine Zufriedenheit des Benutzers mit dem System.
21