Schwarmintelligenz und evolutionäre Algorithmen in ...

1 Einleitung
In der heutigen Zeit wird man mit einer großen Menge von Angeboten zu Produkten und
Dienstleistungen konfrontiert. Man findet sich häufig in der Situation, Entscheidungen ohne
ausreichend viele Informationen treffen zu müssen. Im alltäglichen Leben treffen wir diese
Entscheidungen auf Basis von Empfehlungen von Freunden, durch Mund zu Mund Propaganda,
durch Testberichte in Fachmagazinen oder durch allgemeine Ratgeber zu den jeweiligen
Themen.
Recommendersysteme unterstützen einen Konsumenten bei dieser Entscheidung, indem die
Kaufgewohnheiten des einzelnen Konsumenten sowie die der anderen Konsumenten analysiert
werden um persönliche Empfehlungen für den Einzelnen zu erstellen. Dabei wird auf
eine Vielzahl an Methoden zurückgegriffen, die gute und verlässliche Empfehlungen generieren
sollen. Die Zufriedenheit des Konsumenten ist von großer Bedeutung, da die Toleranz
für schlechte oder unpassende Empfehlungen sehr niedrig ist.
Das rasante Wachstum des Internets und die steigende Bereitschaft der Nutzer, Inhalte und
Informationen zu erstellen, führt zu einer großen Menge an Daten, die einen detaillierten Einblick
in die persönlichen Vorlieben, Erfahrungen und Verhaltensweisen der Nutzer gewähren.
Die Analyse dieser Daten, das Ableiten und Interpretieren der Verhaltensmuster der Benutzer
und die Empfehlung oder Vorhersage von zukünftigen Aktionen sollen in dieser Arbeit
untersucht werden.
1.1 Motivation und Zielsetzung
Recommendersysteme sind in der aktuellen Forschung ein sehr aktives Gebiet, das in der
zweiten Hälfte der 1990er stark angewachsen ist und in den letzten Jahren wiederholt Aufmerksamkeit
bekommen hat. Auch Schwarmintelligenz und evolutionäre Algorithmen bleiben
ein aktives Forschungsfeld [23]. In dieser Arbeit soll untersucht werden, inwieweit beide
Bereiche verbunden werden können um bessere, performantere und persönlichere Empfehlungen
zu erzeugen.
Recommendersysteme können mit Methoden der Schwarmintelligenz (SI) und evolutionären
Algorithmen (EA) erweitert werden, um klassische deterministische Optimierungsverfahren
(etwa lokale Suche, simulated annealing oder Gradientenaufstieg) zu ersetzen. Auch die Einbeziehung
von erweiterten Daten über die Benutzer, statt sich nur auf die bisherigen Bewertungen
zu beziehen, sind mit SI und EA möglich. Diese Verfahren ersetzen dabei nicht die
klassischen Verfahren der Recommendersysteme, sondern stellen Erweiterungen und Ergänzungen
dar.
1