Schwarmintelligenz und evolutionäre Algorithmen in ...

4 Recommender mit Schwarmintelligenz und evolutionären Algorithmen
Klassische kollaborative Recommendersysteme betrachten nur die Bewertungen der Nutzer
für Items. Weitere Informationen über die Nutzer und Items, wie zum Beispiel demografische
Werte oder Beschreibungen der Items durch Genres, werden nicht in die Berechnung
der Empfehlungen mit einbezogen. Durch die Berücksichtigung solcher Daten könnte ein
Recommendersystem persönlichere Empfehlungen abgeben, da es neben den reinen Bewertungen
auf Items auch die Charakterisierung des Nutzer kennt. Wenn diese Charakterzüge
noch zusätzlich gewichtet werden, könnte es möglich sein, noch passendere Empfehlung zu
erstellen.
4.2 Ziel der vorgestellten Verfahren
Ziel dieses Arbeit und der darin vorgestellten und erweiterten Verfahren ist die Verbesserung
der Empfehlungsqualität eines kollaborativen Recommendersystems, die Untersuchung des
durch den Datensatz und das Optimierungsverfahren entstehende Fitnesslandschaft sowie
eine mögliche Verbesserung der Optimierungsverfahren durch zusätzliche in der Literatur
vorgeschlagene Erweiterungen.
Das hier besprochenen Verfahren sowie die Metriken zur Evaluation der Algorithmen betrachten
immer alle bewerteten und unbewerteten Items des aktiven Benutzers und misst die
Abweichungen aller Items, auch die der niedrigen Bewertungen. Es soll das grundlegende
Modell eines Recommendersystems im Zusammenspiel mit Optimierungsverfahren betrachtet
werden und diese den praxistypischen Überlegungen vorziehen. Ein Top-N Recommender
ist beispielsweise nur daran interessiert, die die besten N Empfehlungen möglichst genau
vorauszusagen. Er kann sich dabei größere Fehler bei irrelevanten Empfehlungen (eine zu
niedrige Bewertung) leisten.
Es wird von dieser Arbeit die Hypothese aufgestellt, dass die in einem Recommendersystem
verwendeten Datensätze (Tupel aus und weiteren Eigenschaften
von Items und Benutzern) eine sehr multimodale Fitnesslandschaft ergeben. Durch die
große Anzahl an Benutzer, die sehr ähnlich oder unähnlich zu einander sein können, und die
teilweise sehr unterschiedlich bewerteten Items, ist in den ersten Untersuchungen des Verfahrens
diese Vermutung gewachsen. Es konnte in den ersten Testläufen kein festes Gewicht
für einen Benutzer gefunden werden. Es ergeben sich für mehrere unabhängig durchgeführte
Läufe jeweils unterschiedliche Gewichtsvektoren. Diese Eigenschaft muss von den eingesetzten
Optimierungsalgorithmen beachtet werden, um nicht verfrüht in einem lokalen Optimum
hängen zu bleiben.
Eine solche Situation kann auftreten, wenn die verwendete Fitnessfunktion das zugrunde liegende
Problem nicht komplett spezifiziert [23]. Dies ist in Recommendersystemen der Fall,
da die Fitnessfunktion nur die Abweichung der geschätzten von den tatsächlichen Bewertungen
wiedergibt und diese Abweichung (vermutlich) nicht auf einen theoretisch möglichen
Minimalwert von 0 reduziert werden kann.
44