Schwarmintelligenz und evolutionäre Algorithmen in ...

Empfehlungen

Info

1 Einleitung Das Ziel dieser Arbeit soll die Untersuchung bestehender Recommendersysteme und Recommendersysteme mit SI und EA sein, dabei den möglichen Einsatz von SI- und EA- Erweiterungen zu beschreiben und diese Verfahren entsprechend zu implementieren und zu evaluieren. Eigene Verbesserungen und Erweiterungen der bestehenden Verfahren sollen zusätzlich entwickelt werden. 1.2 Aufbau der Arbeit In Kapitel 2 werden die bisherigen Forschungen zu Recommendersystemen besprochen und eine grobe Einteilung der Verfahren vorgenommen. Es wird ein generisches Recommendersystem als Basis aller folgenden Verfahren vorgestellt, anschließend werden die konkreten Verfahren im Detail formell erläutert. Kapitel 3 gibt eine Übersicht über die Methoden der Schwarmintelligenz und evolutionären Algorithmen sowie eine kurzer Vergleich mit verwandten Methoden und deren Eigenschaften. Kapitel 4 beschreibt drei um Schwarmintelligenz und evolutionäre Algorithmen erweiterte Recommendersysteme, bespricht deren Eigenschaften und die Auswirkungen auf die Empfehlungsqualität. Zusätzlich werden eigene Verbesserungen und Erweiterungen vorgestellt. In Kapitel 5 werden die vorgestellten Verfahren experimentell untersucht und eine Evaluation der Ergebnisse vorgestellt. Es wird parallel auf die Methoden der Evaluation und deren Eignung in Recommendersystemen eingegangen, sowie eine kurze Besprechung der praktischen Implementierung gegeben. Kapitel 6 diskutiert die Ergebnisse dieser Arbeit und gibt einen Ausblick auf weitere Forschungsmöglichkeiten. In Kapitel 7 werden in kompakter Form die Hauptergebnisse dieser Arbeit zusammengefasst. Anmerkung Im Folgenden werden die englischen Begriffe User und Item synonym für Benutzer und Objekt/Gegenstand verwendet. Auch der englische Begriff rating wird an manchen stellen für Bewertungen verwendet. Viele englische Begriffe für Fachgebiete oder Forschungsgegenstände werden nicht übersetzt, sondern hervorgehoben in ihrem englischen Original verwendet. Wo es möglich und sinnvoll ist, werden jedoch deutsche Übersetzungen verwendet. 2
2 Recommendersysteme 2.1 Motivation In den letzten zwei Jahrzehnten ist ein Wachstum an Informationsquellen und daraus resultierenden Informationen in Kommunikationssystemen, wie etwa dem Internet, beobachtet worden. Weit über 90% der weltweit verfügbaren Informationen sind digital vorhanden und übersteigen, nach Schätzungen, im Jahr 2010 die Grenze von 1000 Exabytes (1 Billion Gigabyte) [17, 25]. Rund 1,5 Milliarden Menschen haben ständigen Zugriff auf das Internet und geben täglich ca. 10 Milliarden Suchanfragen ab. Dieser stetige Wachstum macht es für den Einzelnen immer schwieriger für ihn relevante Informationen, Produkte und Wissen zu finden. Recommendersyteme sind in den letzten Jahren zu einer Lösung dieses Informationsüberflusses herangewachsen. Sie bieten den Benutzern von Informationssystemen Empfehlungen an, welche Informationen oder Produkte für sie relevant sein könnten und orientieren sich dabei am bisherigen Verhalten dieser Personen. Diese personalisierten Empfehlungen verbessern die Kundenzufriedenheit erheblich [68, 41, 79]. Vor allem e-commerce Dienstleister wie Amazon.com oder Netflix verwenden Empfehlungssysteme als verkaufsförderndes Mittel und nennen diese einen wichtigen Bestandteil ihres Verkaufskonzepts [68]. 2.2 Basis-Recommendersystem Es folgt eine formelle Beschreibung eines generischen Recommendersystems. Ein Recommendersystem erstellt geschätzte Bewertungen für einzelne Items (z.B. Filme, Webseiten oder Bücher), die ein Benutzer bisher noch nicht bewertet hat. Dieser Benutzer wird im Folgenden auch der aktive Benutzer genannt. Die typische Eingabe ist eine User-Item-Matrix, die die jeweiligen Ratings der Benutzer auf die Items enthält oder eine Item-Features-Matrix, die die Items über die Features beschreiben. Siehe dazu Abbildung 2.2 und Abbildung 2.3. Sei U die Menge aller Benutzer und sei I die Menge aller Items und sei r eine Bewertungsfunktion, die die Bedeutung (oder Bewertung) eines Items für den Nutzer bestimmt: r : U × I → R, wobei R eine vollständig geordnete Menge ist, beispielsweise natürliche oder reelle Zahlen in einem bestimmten Bereich (z.B. eine Bewertung zwischen 1 und 5). Dann soll für jeden Nutzer u ∈ U ein Item i ′ ∈ I gefunden werden, dass die Bewertungsfunktion maximiert: ∀u ∈ U, i u ′ = arg max r(u, i). i∈I 3
Seite 1 und 2: Fakultät für Ingenieurwissenschaf
Seite 3 und 4: Inhaltsverzeichnis 1 Einleitung 1 1
Seite 5: 1 Einleitung In der heutigen Zeit w
Seite 9 und 10: 2.3 Übersicht existierende Recomme
Seite 11 und 12: 2.3 Übersicht existierende Recomme
Seite 13 und 14: 2.4 Content-based Filtering Collabo
Seite 15 und 16: 2.5 Collaborative Filtering bewerte
Seite 17 und 18: 2.5 Collaborative Filtering und ¯r
Seite 19 und 20: 2.5 Collaborative Filtering Bei die
Seite 21 und 22: 2.5 Collaborative Filtering Benutze
Seite 23 und 24: 2.7 Überblick über die bisherige
Seite 25 und 26: 2.7 Überblick über die bisherige
Seite 27 und 28: 3 Schwarmintelligenz und evolution
Seite 29 und 30: eiden Chromosome gekreuzt werden, w
Seite 31 und 32: GA ES Typisches Kombinatorische Kon
Seite 33 und 34: Ansatz leitete den Schwarm ohne die
Seite 35 und 36: 3.1 Genetischer Algorithmus 1 BEGIN
Seite 37 und 38: 3.1 Genetischer Algorithmus 0 0 0 0
Seite 39 und 40: 3.2 Particle Swarm Optimization 3.2
Seite 41 und 42: 3.2 Particle Swarm Optimization Abb
Seite 43 und 44: 3.3 Invasive Weed Optimization aus
Seite 45 und 46: 3.3 Invasive Weed Optimization bede
Seite 47 und 48: 4 Recommender mit Schwarmintelligen
Seite 49 und 50: 4.3 Forschungsüberblick Recommende
Seite 51 und 52: 4.5 Particle Swarm Optimization Rec
Seite 57 und 58:
4.6 Genetic Algorithm Recommender (
Seite 59 und 60:
Seite 61 und 62:
Seite 63 und 64:
4.7 Invasive Weed Optimization Reco
Seite 65 und 66:
5 Evaluationsmethoden und Experimen
Seite 67 und 68:
5.2 Messverfahren und Qualitätsma
Seite 69 und 70:
5.2 Messverfahren und Qualitätsma
Seite 71 und 72:
5.3 Experimente True positive rate
Seite 73 und 74:
5.3 Experimente zelnen Features ent
Seite 75 und 76:
5.3 Experimente 1.2 1.1 Optimierte
Seite 77 und 78:
5.3 Experimente 0.71546 0.70665 0.7
Seite 79 und 80:
5.3 Experimente MAE (mean absolute
Seite 81 und 82:
5.3 Experimente -0.2 0.0 0.2 0.4 0.
Seite 83 und 84:
5.3 Experimente MAE (mean absolute
Seite 85 und 86:
5.3 Experimente -0.2 -0.1 0.0 0.1 0
Seite 87 und 88:
5.3 Experimente 1.2 1.1 Mutationswh
Seite 89 und 90:
5.3 Experimente -0.05 0.00 0.05 0.1
Seite 91 und 92:
5.3 Experimente 1.2 1.1 Mit FPS Ohn
Seite 93 und 94:
6 Diskussion der Ergebnisse In dies
Seite 95 und 96:
6.2 Diskussion IWO und Vergleich zu
Seite 97 und 98:
6.4 Diskussion der Evaluationsmetho
Seite 99 und 100:
6.5 Diskussion der experimentellen
Seite 101 und 102:
Seite 103 und 104:
Seite 105 und 106:
6.7 Ausblick Dies ist aber bei den
Seite 107 und 108:
7 Zusammenfassung der Hauptergebnis
Seite 109 und 110:
Literaturverzeichnis [1] Adomaviciu
Seite 111 und 112:
Literaturverzeichnis [28] Good, N.
Seite 113 und 114:
Literaturverzeichnis ; Thrun, Sebas
Seite 115:
Name: Matthias Schneider Matrikelnu
Alle anzeigen

Schwarmintelligenz und evolutionäre Algorithmen in ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?