Schwarmintelligenz und evolutionäre Algorithmen in ...

4 Recommender mit Schwarmintelligenz und
evolutionären Algorithmen
4.1 Idee und Motivation
Schwarm- und evolutionäre Algorithmen sind metaheuristische Methoden um Funktionen
zu optimieren. Sie werden erfolgreich eingesetzt, wenn nicht nach der einen besten Lösung
gesucht wird, sondern nur nach einer hinreichend guten Lösung in jedoch vergleichsweise
annehmbarer Zeit [22]. Damit ist es möglich eine Lösung zu finden, die zwar beispielsweise
nur 80% der Güte der bestmöglichsten Lösung entspricht, jedoch in 10% der Zeit gefunden
werden kann. Wenn diese Beschränkung für das zugrunde liegende Problem funktioniert und
man mit nicht ganz optimalen Lösungen arbeiten kann, sind diese Methoden eine gute Wahl
zur Optimierung von Funktionen.
In Recommendersystemen werden für den aktiven Benutzer passende Empfehlungen für
Items gesucht. Diese Bewertungen werden berechnet, indem eine möglichst ähnliche Gruppe
von anderen Benutzern gefunden wird, die ihren Geschmack mit dem des aktiven Benutzers
teilen. Die Suche nach solch einer Nachbarschaft kann mittels einem k-nearest-neighbor-
Verfahren erfolgen, das zur Bestimmung der Ähnlichkeit zweier Benutzer ein vorher definiertes
Abstandsmaß verwendet, beispielsweise die Pearson-Korrelation oder eine Minkowski-
Metrik (Euklidische Metrik, Manhattan-Metrik, etc.). Wenn dieses Abstandsmaß, das die Profile
(Charakteristiken) zweier Benutzer miteinander vergleicht, mit zusätzlichen Faktoren gewichtet
wird, können für den aktiven Benutzer eventuell ähnlichere Benutzer gefunden werden,
als es dies ohne Gewichte der Fall wäre. Dabei werden die für den aktiven Nutzer
bevorzugten Eigenschaften (in einem Filmkontext z.B. Alter, Beruf, Genres der Filme) stärker
gewichtet und somit eine persönlichere Auswahl der Nachbarschaft getroffen.
Die Optimierung dieser Gewichte kann mit einem evolutionären oder schwarmbasierten Optimierungsalgorithmus
vorgenommen werden, indem das gesamte Recommendersystem als
Fitnessfunktion verwendet wird. Dabei spielt die Eigenschaft der nicht optimalen Lösungen,
welche jedoch in angemessener Zeit berechenbar ist, eine wichtige Rolle. Eine Suche nach
dem einen besten Gewicht ist aus zeitlichen Gründen oft nicht möglich. In Recommendersystemen
mit vielen tausenden Benutzern und Produkten ist die Berechnung der Nachbarschaft
sehr aufwendig und kann nicht für jeden Benutzer so oft wiederholt werden, bis das optimale
Gewicht gefunden ist. Schwarm- und evolutionäre Algorithmen zur Optimierung von
Funktionen können hier eingesetzt werden, um die Schätzung von Empfehlungen an einen
Benutzer zu verbessern, ohne zeitliche Beschränkungen zu überschreiten.
43