Schwarmintelligenz und evolutionäre Algorithmen in ...

4.3 Forschungsüberblick Recommender mit EA und SI
4.3 Forschungsüberblick Recommender mit EA und SI
In der Literatur sind in der Vergangenheit Recommendersysteme vorgeschlagen worden, die
um biologisch motivierte Ansätze erweitert wurden. Im Folgenden wird eine chronologische
Übersicht über diese Verfahren und ihre grundlegenden Ideen gegeben.
Ujjin und Bentley [74] untersuchen ein kollaboratives Recommendersystem, dass die Suche
nach ähnlichen Benutzern um einen genetischen Algorithmus erweitert. Der GA bestimmt
dabei einen Gewichtsvektor für die einzelnen Präferenzen des aktiven Benutzer, der bei der
Ähnlichkeitsbestimmung zwischen zwei Benutzern eingesetzt wird. Ujjin und Bentley [75]
verwenden später das gleiche System mit einem Particle Swarm Optimization-Algorithmus
(PSO). Dieses Verfahren dient auch als Grundlage für den in den kommenden Kapiteln vorgestellten
Recommender.
Lorenzi et al. [48] beschreiben ein Recommendersystem basierend auf case-based reasoning, das
mit Hilfe von Bienenschwärmen und deren Futtersuchverhalten nach ähnlichen Fällen (cases)
in einer vorab gefüllten Datenbank von bisher bekannten Fällen sucht. Es wird die Beobachtung
verwendet, dass innerhalb von Bienenschwärmen die Position von guten Futterplätzen
weitergegeben wird und in der Folge diese Stellen von mehr Bienen besucht werden, um die
dort vorhandene Nahrung einzusammeln. Dieses Modell basiert auf einem von Burke [12]
vorgeschlagenen Verfahren.
Rad et al. [69] stellen ein System vor, dass die von Ujjin und Bentley [74, 75] vorgeschlagenen
Verfahren umsetzt, jedoch die Optimierung der Gewichtsvektoren durch ein Optimierungsverfahren
namens Invasive Weed Optimization [51] ersetzt, siehe dazu auch Kapitel 3.3.
Bedi et al. [6] beschreibt ein auf Ant Colony Optimization (ACO) basierendes Recommendersystem.
Das Verfahren gliedert sich in zwei Phasen: Zuerst werden ähnliche Benutzer in eine
zuvor festgelegt Anzahl von Gruppen geclustert. Danach werden damit für den aktiven Benutzer
geschätzte Empfehlungen generiert. Dabei wird auf das Cluster zurückgegriffen, dass
diesem Nutzer am ähnlichsten ist. Zusätzlich wird auf die von den Ameisen in Phase 1 abgelegten
Pheromonspuren zurückgegriffen, um alternative Cluster zu finden, die dem besten
Cluster ähnlich sind bzw. auch häufig von den Ameisen besucht wurden. Auch die Benutzer
in diesen Clustern werden für die Schätzung der Empfehlungen betrachtet. Damit soll verhindert
werden, dass gute Empfehlungen nicht präsentiert werden, nur weil die ähnlichsten
anderen Benutzer dieses Item bisher nicht betrachtet haben.
4.4 Parallelisierung mit Clojure
Alle Algorithmen wurden in Clojure 1 implementiert, einem modernen LISP-Dialekt. Clojure
bietet eine robuste Infrastruktur für Mehrkern-Parallelisierung, die in dieser Arbeit in den
Optimierungsalgorithmen eingesetzt wurde. Alle Fitnessevaluationen der Agenten (Partikel,
1 http://clojure.org
45