Schwarmintelligenz und evolutionäre Algorithmen in ...

4 Recommender mit Schwarmintelligenz und evolutionären Algorithmen
Individuen, Pflanzen) einer Generation werden parallel berechnet. Dadurch ist der Algorithmus
stark skalierbar, da jeder zusätzliche CPU-Kern eine Beschleunigung des Verfahrens
bedeutet. Eine Fitnessevaluation des Algorithmus entspricht einen kompletten Durchlauf des
Recommendersystems für den aktiven Nutzer. Je nach Größe des Datensatzes und der damit
verbundenen Anzahl der Benutzer benötigt eine Evaluation relativ lange, was durch die
parallele Implementierung deutlich beschleunigt werden kann [42].
4.5 Particle Swarm Optimization Recommender (PSOREC)
In diesem Abschnitt folgt eine Untersuchung des von Ujjin et. al. [75] vorgestellten Verfahrens.
Zusätzlich zu den dort vorgestellten Ansätzen und Qualitätsmaßen zur Evaluation werden
selbst entwickelte Verbesserungen und eine erweiterte Evaluation vorgestellt. Die folgende
Beschreibung verwendet zur Darstellung des Ablaufs den MovieLens Datensatz, für Details
siehe Abschnitt 5.1.
4.5.1 Beschreibung des Verfahrens
Das Verfahren implementiert ein hybrides Recommendersystem, das den Particle Swarm Optimization-Algorithmus
(PSO) verwendet, um die Suche nach den ähnlichsten Benutzern zur
Erstellung der Nachbarschaft zu verbessern.
1. Schritt Es wird für jeden Benutzer ein Profil erstellt, das sich aus den von diesem Benutzer
bewerteten Items (im MovieLens Datensatz sind dies Filme) zusammensetzt. Ein profile(u)
für User u besteht, vorausgesetzt der Benutzer hat mehr als ein Item bewertet, aus mehreren
Itemvektoren i, die wie in Abbildung 4.1 aufgebaut sind. Das Profil enthält neben der
Rating Alter Geschlecht Beruf Genres des Films
4 27 0 15 000101000100010001
Abbildung 4.1: Profil eines bewerteten Films in einem Benutzerprofil.
Bewertung für diesen Film auch die demografischen Werte des aktiven Benutzers sowie die
18 möglichen Genres des Films als Bitmaske. Eine 1 gibt an, dass der Film in die jeweilige
Kategorie passt. Alle Profilwerte werden vorab normiert, so dass alle Werte im Intervall [0, 1]
liegen.
profile(u,i) bezeichnet den von Benutzer u bewerteten Film i. In der Regel hat jeder Benutzer
mehr als einen bewerteten Film und daher auch mehr als einen Itemvektor in seinem Profil.
Im MovieLens Datensatz ist garantiert, dass jeder Benutzer mindestens 20 Filme bewertet hat.
46