Individualisierung und mobile Dienste am Beispiel der Medienbranche

150
EachMovie
Spärliche
Ratingmatrix
⎡ u 11 L u
1 N ⎤
⎢
⎥
⎢
M O M
⎥
⎢
⎣
⎢
⎣ u M 1 K u MN ⎥
⎦
⎥
⎦
Web
Crawler
Filmedatenbank
Eigenschaftsbasierter
Filter
Abbildung 4-17: Content-boosted Collaborative Filtering
4 Individualisierung von Mediengütern
IMDb
Vollständige
Ratingmatrix
⎡ v 11 L v 1 N ⎤
⎢
⎥
⎢
M O M
⎥
⎢
⎣
⎢
⎣ v M 1 K v MN ⎥
⎦
⎥
⎦
Collaborative
Filtering
Empfehlung
In einer empirischen Testreihe deckten Melville/Mooney/Nagarajan (2002) drei
weitere Abhängigkeiten in Bezug auf die Genauigkeit der Empfehlungsergebnisse
auf:
(1) Eine Beeinflussung der Korrelation Pa,u zwischen den Ratings zweier Nutzer
a und u durch die Anzahl ni der jeweils von beiden überlappend bewerteten
Produkte, wobei hoch korrelierte Mentoren mit jedoch nur wenigen überlappenden
Produkten das Empfehlungsergebnis negativ beeinträchtigen. Zur Abwertung
dieser Korrelationen wird ein Signifikanzgewicht (significance weighting
factor, sg) entsprechend Ausdruck 0-4 vorgeschlagen.
⎧ru,
i , für ni
< 50
u,
i = ⎨
⎩1,
für ni
≥ 50
sg (0-4)
(2) Eine Beeinflussung der Qualität des eigenschaftsbasierten Filterverfahrens
durch die Anzahl insgesamt bewerteter Produkte durch einen Nutzer, wobei
eine geringe Zahl von Bewertungen durch einen Nutzer a zu einer verfälscht
hohen Korrelation zum Profil eines anderen Nutzer u führt. Zur Verringerung
der Fehlerwahrscheinlichkeit wird der sog. „harmonisierende Mittelwertsgewichtungsfaktor“
(harmonic mean weighting factor, hm) entsprechend Ausdruck 0-5
eingeführt.
mamu
hma
u =
ma
+ mu
2
(0-5) , 486
Signifikanzgewicht und harmonisches Mittelwertgewicht beziehen sich beide
auf die Korrelation Pa,u zwischen den Ratings zweier Nutzer a und u und kön-
⎧n
486 ⎪ a / u , für n < 50
Es gilt: m =
a / u
a / u ⎨ 50
.
⎪⎩ 1,
für na
/ u ≥ 50