Maschinelles Lernen Bayes'scher Netze in benutzeradaptiven Systemen

Abstract

Das Thema der vorliegenden Arbeit ist die Anwendung existierender sowie die Entwicklung neuer, spezifisch auf den Fall benutzeradaptiver Systeme zugeschnittener, maschineller Lernverfahren für Bayes'sche Netze. Bislang werden die in benutzeradaptiven Systemen eingesetzten Bayes'schen Netze meist manuell—anhand von theoretischen Überlegungen (von Experten)—konstruiert. Es bietet sich an, die im System anfallenden Interaktionsdaten im Rahmen des Konstruktions- bzw. Wartungsprozesses durch die Anwendung entsprechender maschineller Lernverfahren zur Verbesserung der Systemperformanz auszunutzen. Dieser Arbeit liegt eine integrative Konzeption des maschinellen Lernens Bayes';scher Netze für benutzeradaptive Systeme zugrunde, die gemäß den Anforderungen der zu modellierenden Domäne mit alternativen Verfahren instanziiert werden kann. In diesem Rahmen werden in dieser Arbeit neu entwickelte maschinelle Lern- bzw. Adaptionsverfahren für Bayes';sche Netze vorgestellt, die das gemeinsame Ziel verfolgen, die besonderen Eigenschaften und Anforderungen des Benutzermodellierungskontexts während des Lern- bzw. Adaptionsvorgangs zu berücksichtigen. Diese neuen Verfahren werden in vergleichenden Studien mit alternativ einsetzbaren existierenden Methoden des maschinellen Lernens Bayes'scher Netze evaluiert

This thesis focuses on the application of existing and the development of new Bayesian network learning methods that are able to deal with or that can exploit the characteristics of domains of user-adaptive systems. So far, Bayesian networks used by user-adaptive systems have typically been specified manually—on the basis of theoretical considerations (of experts). It seems to be a promising approach to exploit the interaction data that can be collected during the systems'; use through the application of machine learning methods in the design and maintenance phases. We present an integrative generic framework that can be instantiated with alternative methods according to the demands of the domain to be modeled. To this end, new Bayesian network learning and adaptation methods are presented that jointly aim to address adequately the characteristics and demands of the user modeling context during the learning and adaptation processes. These methods are evaluated in comparative empirical studies relative to alternative existing standard Bayesian network learning procedures.