Schwarmintelligenz und evolutionäre Algorithmen in ...

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