Journal of Applied Knowledge Management - Felix Moedritscher

6.6. PRAKTISCHE ANWENDUNG 87
6.6.8 Metasuchmaschinen
Metasuchmaschinen können sowohl Server als auch Clientbasierend sein. In beiden Fällen wird eine
Suchanfrage an mehrere Suchdienste verschickt. Die erhaltenen Ergebnisse werden von Dubletten befreit
und zu dem Benutzer weitergeschickt. Metasuchdienste besitzen keine eigene Datenbank. Sie sind also auf
die Bewertungsmechanismen der Suchdienste angewiesen, die referenziert werden. Dies kann als Nachteil
angesehen werden. Ein weiterer Nachteil der serverbasierenden Metasuchmaschinen ist die erhöhte Netzlast,
da die Suchergebnisse zuerst zum Server der Metasuchmaschine und dann zum Benutzer geschickt
werden. Andererseits gibt es auf der anderen Seite keinen Informationsbeschaffungsverkehr.
Ein herkömmlicher Suchdienst muss ja jedes Dokument über das Netz laden, um dieses dann einer
Untersuchung zu unterziehen. Der Vorteil der clientbasierenden gegenüber den serverbasierenden Suchmaschinen
ist der, dass diese am Rechner des Benutzers laufen und die Suchanfragen direkt von dort an die
einzelnen Suchdienste verschickt werden. Da es dabei keinen Umweg über den Server der serverbasierenden
Metasuchmaschine gibt, erfolgt die Suche schneller. Beide Arten haben den Vorteil, dass aufgrund des
grossen Datenvolumens, dass von allen referenzierten Suchdiensten abgedeckt wird, die Wahrscheinlichkeit
sehr gross ist, ein passendes Suchergebnis zu erhalten.
Bei der Suche mit Metasuchmaschinen muss man mit jenen Kriterien auskommen, die allen referenzierten
Suchdiensten gemein sind. Da aber Metasuchdienste hauptsächlich dazu verwendet werden, um ein
grosses Datenvolumen nach speziellen Schlüsselwörtern zu durchsuchen, fällt dieser Nachteil nicht so sehr
ins Gewicht. Ein Beispiel für einen Serverbasierenden Metasuchdienst ist MetaCrawler. [Legenstein 1999]
6.6.9 Recommender Systems
Die Grundidee der Recommender Systems ist es Empfehlungen von anderen Menschen mit entsprechenden
Interessensgebieten einzuholen. Damit können zusätzliche Informationen gewonnen werden. Diese Systeme
bilden die programmtechnische Umgebung, die es ermöglicht, Dokumente mit bestimmtem Inhalt und
Qualität für Benutzer mit bestimmten Interessen und Ansprüchen zugänglich bzw. kenntlich zu machen.
Die Gruppe der Recommender Systems kann man grundsätzlich in zwei Kategorien unterteilen. Die Content
based Recommender Systems beruhen darauf, dass sie die tatsächlichen Inhalte der Dokumente mit den
Profilen der Benutzer vergleichen und daraus versuchen, zu erkennen, welche Dokumente für den Benutzer
interessant sein könnten.
Das Benutzerprofil kann dabei eine Sammlung von gewichteten Wörtern sein, die jene Themengebiete
beschreiben, die im Interessensfeld des Benutzers liegen. Die Collaborative based Recommender Systems
verwenden im Gegensatz zu den Content based Recommender Systems nicht die Inhalte der Dokumente.
Bei diesen Systemen wird versucht, ähnliche Benutzer mit ähnlichen Interessen zu erkennen und interessante
Dokumente, die durch einen der Benutzer gefunden wurden, den anderen Benutzern kenntlich zu
machen. Diese Systeme beruhen also auf dem Vergleich der einzelnen Benutzerprofile:
Es gibt eine Vielzahl von Recommender Systemen. Unter anderem wären zu nennen:
• PHOAKS System