Schwarmintelligenz und evolutionäre Algorithmen in ...

Empfehlungen

Info

5 Evaluationsmethoden und Experimente 88
6 Diskussion der Ergebnisse In diesem Kapitel folgt eine Besprechung der Ergebnisse der Experimente aus Kapitel 5. Es werden Zusammenhänge und Ähnlichkeiten der vorgestellten Verfahren angesprochen sowie Verbindungen zu anderen Optimierungsverfahren gezogen. Anschließend folgt eine Diskussion der Ergebnisse der Experimente. 6.1 Diskussion Recommendersysteme 6.1.1 Content-based filtering Inhalts-basierte Systeme haben einige Einschränkungen [1]. Ein Problem ist, dass die Eigenschaften eines Items die einzigen Informationen sind, auf die das System aufbauen kann. Die Erstellung und Entdeckung dieser Eigenschaften ist in text-basierten Dokumenten einfach [1], aber andere Objekte wie etwa Bilder, Musikstücke oder Filme sind nur mit Hilfe von menschlichen Experten manuell oder mit sehr aufwendigen und nicht unbedingt ausgereiften automatischen Techniken zu klassifizieren. Weiterhin können beispielsweise zwei Textdokumente durchaus qualitativ inhaltliche Unterschiede haben, sind jedoch aufgrund ihrer keywords sehr ähnlich und werden daher gleichbedeutend empfohlen. Ein weiteres Problem ist eine mögliche Überanpassung [1]. Wenn einem Benutzer nur die Items empfohlen werden, die ähnlich zu bisher gut bewerteten Items sind, werden keine Empfehlungen aus einem fremden Interessengebiet erstellt. Der Benutzer steckt in der bisherigen Empfehlungskategorie fest und es gibt für ihn keine unerwarteten aber trotzdem interessante Empfehlungen. Zusätzlich ist es problematisch, wenn ein Recommender zu ähnliche Items empfiehlt. Dies ist beispielsweise der Fall, wenn zwei Artikel aus verschiedenen Nachrichtenmagazinen aufgrund der keywords als ähnlich gelten, aber in Wirklichkeit das genau gleiche Thema besprechen. 6.1.2 Collaborative-based filtering Collaborative Recommendersysteme können auf verschiedene Weisen implementiert werden. Bei Systemen, die nicht häufig um neue Daten (Bewertungen, Items, Nutzer) erweitert werden, werden die Ähnlichkeiten aller User zueinander offline vorberechnet und nur im Falle einer Änderung der Daten angepasst. Diese Anpassung kann inkrementell geschehen, d.h. wenn ein User seine Eigenschaften ändert, müssen nur die Abstände zu |U|-vielen Benutzern 89
Seite 1 und 2:
Fakultät für Ingenieurwissenschaf
Seite 3 und 4:
Inhaltsverzeichnis 1 Einleitung 1 1
Seite 5 und 6:
1 Einleitung In der heutigen Zeit w
Seite 7 und 8:
2 Recommendersysteme 2.1 Motivation
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 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: 5.3 Experimente 1.2 1.1 Mit FPS Ohn
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 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 ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?