Schwarmintelligenz und evolutionäre Algorithmen in ...
Schwarmintelligenz und evolutionäre Algorithmen in ...
Schwarmintelligenz und evolutionäre Algorithmen in ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
2.3 Übersicht existierende Recommendersysteme<br />
Items<br />
1 i j n<br />
1<br />
Users<br />
u<br />
m<br />
Input: User-Item-Matrix<br />
= nicht bewertete Items<br />
Recommender<br />
Geschätzte<br />
Bewertungen<br />
i <strong>und</strong> j für User u<br />
rat<strong>in</strong>g = 4<br />
rat<strong>in</strong>g = 3<br />
Abbildung 2.2: Das gr<strong>und</strong>legende Modell e<strong>in</strong>es (kollaborativen) Recommendersystems. Die<br />
User-Item-Matrix enthält bewertete (leeres Feld) <strong>und</strong> nicht bewertete (⊘)<br />
Items der jeweiligen Benutzer. Der Recommender generiert aus diesen Daten<br />
die geschätzten Bewertungen der bisher nicht bewerteten Items. Hier am<br />
Beispiel des Benutzers u dargestellt.<br />
unter allen geschätzten Items auswählt. Es können Empfehlungen entweder nur für e<strong>in</strong>en Benutzer<br />
erstellt werden, wenn dieser se<strong>in</strong>e Empfehlungen anfordert (z.b. per Webseite). Oder<br />
e<strong>in</strong> System erstellt direkt, aber “offl<strong>in</strong>e” für alle Benutzer alle Empfehlungen für die jeweils<br />
bisher unbekannten Items. Letzteres wird bei Recommendern e<strong>in</strong>gesetzt, die e<strong>in</strong>e sehr große<br />
Anzahl an Items <strong>und</strong> Benutzer haben <strong>und</strong> e<strong>in</strong>e Echtzeitberechnung (“onl<strong>in</strong>e”) für e<strong>in</strong>e große<br />
Anzahl an gleichzeitig aktiver Benutzer (z.B. e<strong>in</strong> großer Onl<strong>in</strong>eshop oder Nachrichtenwebseite)<br />
nicht machbar ist.<br />
Um die vorhergesagte Bewertung e<strong>in</strong>es Items zu bestimmen, werden Heuristiken oder Modelle<br />
aufgestellt <strong>und</strong> untersucht, die die Bewertungsfunktion def<strong>in</strong>ieren. Siehe dazu die folgenden<br />
Abschnitte. Diese Bewertungsfunktion wird über Qualitätsmaße wie dem mean square<br />
error (MSE), root mean square error (RMSE) oder mean absolut error (MAE) optimiert, um e<strong>in</strong>e<br />
möglichst genaue Vorhersage über das Rat<strong>in</strong>g des Users für e<strong>in</strong> ihm bisher unbekanntes Item<br />
zu treffen. Siehe dazu Abschnitt 5.2.2.<br />
Die <strong>in</strong> diesem Abschnitt verwendeten Abkürzungen <strong>und</strong> Symbole werden im weiteren Verlauf<br />
der Arbeit wiederverwendet. Wenn der Kontext der Bewertungsfunktion e<strong>in</strong>deutig ist,<br />
wird statt r(u, i) auch r ui geschrieben.<br />
2.3 Übersicht existierende Recommendersysteme<br />
Im nächsten Abschnitt wird e<strong>in</strong>e Übersicht über die verschiedenen Varianten von Recommendersystemen<br />
gegeben. E<strong>in</strong>e ausführliche Übersicht zu Forschungen, die <strong>Schwarm<strong>in</strong>telligenz</strong><br />
5
Change language