Applying evolutionary algorithms to the problem of information filtering

Tjoa, A. Min; Höfferer, Max; Ehrentraut, G.; Untersmeyer, P.

doi:10.1109/dexa.1997.617331

Cited by 11 publications

(8 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In Min Tjoa et al [21], is presented a system called CIFS (Cognitive Information Filtering System) which applies an evolutionary model (Learning Classifier System) at the time of to learn from the user. CIFS filter e-mails, based in the ranking that do the user and in the checking of behaviour of him.…”

Section: Related Workmentioning

confidence: 99%

Learning User’s Characteristics in Collaborative Filtering through Genetic Algorithms: Some New Results

Velez-Langs

Jiménez

2014

Advance Trends in Soft Computing

View full text Add to dashboard Cite

Abstract. This work presents an alternative approach (Genetic Algorithms approach) to traditional treatment of Recommender Systems (RSs). The work examines genetic algorithms possibilities to offer adaptive characteristics to these systems trough learning. The main goal, in addition to give a general view about RSs capabilities and possibilities, it is to provide a new example mechanism for to extend RSs learning capabilities (from user's personal characteristics), with the purpose of improve the effectiveness at time of to find recommendations and appropriate suggestions for particular individuals.Keywords: Recommender Systems, Genetic Algorithms, User-Adapted Interaction. IntroductionUsually in Internet, that is the main source of information for people that search answers and solutions for many situations, we use search engines typing key words, being too much the employed time for this task without finding the expected results. One alternative is to use Recommender Systems (RSs) [19,26,3] that offer to users an approach with their preferences, which are capable of suggesting the acquisition of any product. These systems filter the information, being classified in two main categories, depending on the information that use to suggest items. Those that only use information on the items and information with respect to objective user are call "Content Based" where the types, needs and inclinations of the users are determined in design time [9]. Alternative there are systems that do not use information on the items, but they do the suggestion using the known preferences of a group of users to predict the strangers preferences of a new user, the recommendations for this new user are based on these predictions [24]. This category is named "Collaborative Filtering" (CF).

show abstract

Section: Related Workmentioning

confidence: 99%

Learning User’s Characteristics in Collaborative Filtering through Genetic Algorithms: Some New Results

Velez-Langs

Jiménez

2014

Advance Trends in Soft Computing

View full text Add to dashboard Cite

show abstract

“…Typically, evolutionary AIF systems maintain a population of profiles that collective represent a user's interests. The most common practice is to represent profiles and documents as weighted keyword vectors in a vector space with as many dimensions as the number of unique words in the documents' vocabulary [7], [8], [9]. Alternative representations, such as weighted trigram 1 vectors also exist [10], [11], but are outside the scope of the current work.…”

Section: Evolutionary Information Filteringmentioning

confidence: 99%

“…1): single-point [12], two-point [9], [7] and three-point [13]. More crossover points means more randomness, which can destroy important keyword combinations resulting in less successful individuals [8]. More randomness can result in performance fluctuations and the user's dissatisfaction.…”

Section: Evolutionary Information Filteringmentioning

confidence: 99%

See 1 more Smart Citation

Revisiting Evolutionary Information Filtering

Nanas¹,

Kodovas²,

Vavalis³

2010

IEEE Congress on Evolutionary Computation

View full text Add to dashboard Cite

Adaptive Information Filtering seeks a solution to the problem of information overload through a tailored representation of the user's interests, called user profile, which constantly adapts to changes in them. Evolutionary Algorithms have been proposed as a solution to the problem of profile adaptation, but the relevant attempts have not produced successful real world applications. In this paper, we argue that Adaptive Information Filtering is a complex and dynamic problem not easily addressed with Genetic Algorithms and Memetic Algorithms that adopt weighted keyword vector for profile representation. We discuss the theoretical issues and provide experimental evidence showing that such an approach suffers due to the large number of dimensions in the underlying vector space. The genetic operators cannot randomly produce the right combinations of keyword weights, given the very large number of possible combinations. With the current work, we wish to reanimate the interest in Evolutionary Information Filtering. Profile adaptation is a challenging problem with no established solution and biologically inspired solutions have still an important role to play in solving it. This however requires experimental methodologies that reflect the complexity and dynamics of the problem. This paper is part of ongoing research work in this direction.

show abstract

“…En Min Tjoa et al [11], se presenta un sistema denominado CIFs (Cognitive Information Filtering System) el cual aplica un modelo evolutivo (sistema clasificador de aprendizaje) a la par que aprende de la realimentación del usuario. CIFS filtra correos electrónicos en el basado en el ranqueo que hace el usuario a los correos y también en base a la monitorización del comportamiento del mismo.…”

Section: Trabajo Relacionado De Aplicaciones De Algoritmos Evolutivosunclassified

Sistemas Recomendadores: Un enfoque desde los algoritmos genéticos

Velez-Langs

Santos

2014

idata

View full text Add to dashboard Cite

El crecimiento de Internet ha sido increíblemente acelerado, hay cantidades ingentes de datos casi sobre cualquier tópico, lo que hace de Internet la fuente más completa de información para casi todo. Sin embargo, hay más cantidad de artículos, libros, películas, programas de televisión, entre otras cosas, de los que las personas podemos manejar efectivamente, con lo cual hay una sobrecarga de información hacia los usuarios finales. El tiempo que se necesita para hacer una búsqueda sobre el conjunto total de tópicos es demasiado, y los proceso de búsqueda tradicionales pueden ser infructíferos la mayoría de las veces o con resultados poco exitosos.Los SR tratan de ser un paso adelante en el contexto de la recuperación de información tradicional, que se da por palabra claves del tópico que se desea encontrar a través de los bien conocidos motores de búsqueda (Google, Lycos y Altavista entre otros). Como su nombre nos lo indica los SR se encargan de recomendar o sugerir a los usuarios ítems o productos concretos basándose en sus preferencias, son usados por sitios web de comercio electrónico como herramientas de mercadeo para incrementar ventas al presentar al usuario aquellos productos que desea (o desearía) comprar, es así como se construye una base de entendimiento de necesidades concretas respecto a lo que gusta o no a los clientes, lo cual puede verse como reflejado en un incremento de la lealtad de los clientes. La gran mayoría de los SR trabajan con enfoques de filtrado colaborativo, en términos simples, por filtrado colaborativo se entiende al método de hacer predicciones automáticas (filtrado) acerca de los intereses de un usuario, colectando información sobre los gustos de varios usuarios (colaboración). Por ejemplo, un filtrado colaborativo o sistema de recomendaciones para gustos musicales puede hacer predicciones acerca de qué música debería desear un usuario, dada una lista parcial de gustos de otros usuarios.El enfoque tratado en este artículo utiliza a los algoritmos genéticos como afinadores en el proceso de concordancia de perfiles dentro de un SR, adecuando finalmente estos a las preferencias individuales, lo que redunda en una mayor precisión del SR a la hora de predecir qué gusta o no a un usuario específico. Este trabajo se enfoca primordialmente en la capacidad de predicción, obtenida mediante el aprendizaje de los pesos, que se logra con el Algoritmo Genético (AG).El artículo se organiza de la siguiente forma: la sección 2 muestra una RESUMENEl presente trabajo abarca un enfoque alternativo, desde los algoritmos evolutivos, a la manera tradicional en que se abordan los sistemas recomendadores (SR de aquí en adelante). Se examinan las posibilidades de los algoritmos genéticos para brindar características adaptativas a estos sistemas. Nuestro objetivo, además de proporcionar una panorámica informativa general sobre las posibilidades y potencialidades de los SR, es proveer mecanismos para que los SR sean capaces de aprender características personales desde los usuarios, con miras a mejorar la...

show abstract

Applying evolutionary algorithms to the problem of information filtering

Cited by 11 publications

References 5 publications

Learning User’s Characteristics in Collaborative Filtering through Genetic Algorithms: Some New Results

Learning User’s Characteristics in Collaborative Filtering through Genetic Algorithms: Some New Results

Revisiting Evolutionary Information Filtering

Sistemas Recomendadores: Un enfoque desde los algoritmos genéticos

Contact Info

Product

Resources

About