Ein hybrides, kontextsensitives Recommender System für mobile Anwendungen in vernetzten Fahrzeugen

Michele Brocco, Robert Eigner, Wolfgang Wörndl

Technische Universität München Fakultät für Informatik

Boltzmannstraße 3 85748 Garching

brocco@informatik.tu-muenchen.de eigner@informatik.tu-muenchen.de

woerndl@informatik.tu-muenchen.de

Abstract: In diesem Beitrag wird beschrieben, wie mithilfe geeigneter Infrastrukturen in Fahrzeugen kontextsensitive Empfehlungsmaschinen konzipiert und implementiert werden können. Empfehlungsmaschinen (im Englischen Recommender Systems genannt) sind ohne Betrachtung geeigneter Kontextinformationen statisch. Durch die Erweiterung um Kontextinformationen können Empfehlungen verbessert werden, da nun berücksichtigt werden kann, in welchem Kontext eine Bewertung vorgenommen wurde bzw. eine Empfehlung ausgesprochen wurde. Kontextinformationen werden in unserem Szenario durch Busdaten im Fahrzeug sowie VANETs (vehicular ad-hoc networks) erfasst und übermittelt. Die Ideen und Konzepte für kontextsensitive Recommender werden mittels eines Tankstellen-Recommenders umgesetzt. Getestet wurde dieser anhand eines Prototyps, der eine Fahrt durch die Münchner Innenstadt simuliert und dabei Tankstellen basierend auf dem aktuellen Kontext wie Position und Tankstand empfiehlt.

1 Einleitung

In unserer vernetzten Welt nimmt die Menge an Daten immer mehr zu, was dazu führt, dass das Finden relevanter Informationen für Benutzer erheblich erschwert wird. Um diesem Phänomen entgegenzuwirken, sind Filter unverzichtbar. Eine besondere Art der Filterung bieten Recommender Systeme, die im Deutschen z.T. auch als „Empfehlungsmaschinen“ bezeichnet werden. Diese automatisierten Komponenten können beliebige Gegenstände oder Informationen (sog. "Items") aufgrund von diversen Metainformationen oder Bewertungen empfehlen. Viele Internetplattformen wenden bereits Recommender erfolgreich an und bieten damit einen direkten Mehrnutzen für ihre Kunden bei der Auswahl von Produkten oder Dienstleistungen. Das Online-Versandhaus Amazon [Ama] betreibt beispielsweise auf seiner Webseite seit Jahren einen eigenen Recommender, der den Kunden aufgrund seiner bereits getätigten Einkäufe andere Produkte empfehlen soll, die dem Geschmack des Kunden entsprechen.

65

Für die Generierung der Empfehlungen können verschiedene Strategien verwendet werden [Bu02]. Manche Recommender empfehlen auf der Basis bestimmter Stichworte (inhaltsbasiert), andere empfehlen je nach Bewertungen anderer Benutzer (also kollaborativ). Ein wichtiger Aspekt, der bisher bei Recommendern nur wenig Berücksichtigung fand, ist die Verwendung von Kontextinformationen, um maßgeschneiderte Empfehlungen generieren zu können. Damit wird es möglich, dynamische Recommender zu realisieren, die je nach Kontext, wie beispielsweise Ort oder Zeit, geeignete Items empfehlen.

Besonders interessant ist die Anwendung eines solchen Prinzips in Fahrzeugen. Gegenwärtig vorhandene Fahrzeuge enthalten bereits zahlreiche Sensoren, mithilfe derer man verschiedenste Kontextdaten erfassen kann. Aufgrund der relativ großen Anzahl von Sensoren gibt es auch dementsprechend einige Möglichkeiten, kontextsensitive Recommender für unterschiedliche Zwecke zu realisieren [WE07]. Weitere Vorteile ergeben sich durch das Aufkommen von Fahrzeug-ad-hoc-Netzwerken (vehicular ad-hoc networks, VANETs), mit deren Hilfe Fahrzeuge Bewertungen oder andere Informationen untereinander austauschen können. Als Beispielszenario wählen wir einen Tankstellenrecommender, der als Kontextdatum beispielsweise den aktuellen Tankstand verwendet. Sinnvollerweise sollte der Tankstellenrecommender erst beim Unterschreiten eines gewissen Schwellwertes Tankstellen empfehlen und außerdem nur Tankstellen berücksichtigen, die noch in der aktuellen Reichweite sind. Dieses Szenario wurde wegen seiner relativ übersichtlichen Anwendungsdomäne ausgewählt: Durch Selektion primärer Kontextdaten wie Ort und Tankstand soll hauptsächlich das Prinzip kontextsensitiver Recommender näher untersucht werden. Trotz der einfachen Domäne sind die primären Eigenschaften dieser Anwendung mit jenen komplexerer Anwendungen identisch, sodass eine prinzipielle Evaluierung dadurch nicht verhindert oder erschwert wird. Anzumerken bleibt auch, dass dieser Artikel weder eine seriennahe Fahrzeugintegration der Anwendung mit einer ansprechenden Benutzerschnittstelle beschreibt, noch technische Details der Vernetzung der Fahrzeuge untereinander.

In diesem Beitrag beschreiben wir den Entwurf und die Implementierung eines solchen kontextsensitiven Tankstellenrecommenders für eine Anwendung in vernetzten Automobilen. Zunächst stellen wir dazu in Abschnitt 2 das Umfeld des Projektes, sowie Recommender Systeme und verwandte Arbeiten vor. Anschließend erläutern wir in Abschnitt 3 die Architektur und wichtige Aspekte der Realisierung unseres Recommenders. In Abschnitt 4 beschreiben wir unsere Testumgebung im Rahmen einer Evaluierung. Abschnitt 5 schließt den Beitrag mit einer Zusammenfassung und einem Ausblick ab.

2 Hintergrund

Um die gewünschte kontextsensitive Anwendung zu realisieren kann es von Nutzen sein, die Kontextdaten aus anderen Fahrzeugen zu beziehen, da der Kontext oftmals nicht aus allen Fahrzeugen gleich gut erfasst werden kann. Aus diesem Grund ist eine Infrastruktur erforderlich, die eine solche Übertragung möglich macht. Das im nächsten Unterabschnitt beschriebene NOW Framework stellt hierfür ein geeignetes Werkzeug

66

dar. Als zweiter Fokus dieser Arbeit werden Recommender Systeme im zweiten Unterabschnitt eingeleitet. Untersucht wird dabei was für Recommendertypen bekannt sind, welche Problematiken diese mit sich bringen und wie diese gelöst werden können.

Im dritten Teil dieses Abschnitts wird anschließend auf verwandte Arbeiten verwiesen, die im Bereich kontextsensitive Empfehlungsmaschinen von Relevanz sind.

2.1 Das Network-on-Wheels (NOW) Projekt

Als Infrastruktur dieses Recommender Systems wurde das vom Bundesministerium für Forschung und Bildung geförderte Projekt „Network on Wheels“ (NOW, vgl. http://www.network-on-wheels.de/) verwendet. Grundidee dabei ist die Bildung von spontanen ad-hoc Netzwerken zwischen Fahrzeugen (VANETs), um primär die Fahrsicherheit zu erhöhen, indem über die Funkschnittstelle Warnungen abgegeben werden, falls andere Verkehrsteilnehmer gefährliche Fahrsituationen wie Nebelbänke, Blitzeis oder Auffahrunfälle erkennen. Das NOW-Projekt beleuchtet auch alle anderen Aspekte der Vernetzung zwischen Fahrzeugen, u.a. Kanalmodellierung, Zugriffsprotokolle, Routing und Netzwerksicherheit und kann auch für sicherheitsunkritische Anwendungen wie [EL06] verwendet werden, bei denen im Gegensatz zu Active Safety Anwendungen eine bestimmte Mindestanzahl von Nutzern nicht von Bedeutung ist.

VANETs bieten den Fahrzeugen bzw. Fahrern eine Möglichkeit, Kontextinformationen mit anderen Nutzern der Infrastruktur austauschen zu können. Beispielsweise können ortsbasiert Informationen zur Verkehrslage [WER03] oder zum Straßenbelag, sowie Zustandsdaten des Fahrzeugs übermittelt werden. Zusätzlich können VANET-Knoten auch mit anderen Stationen Daten austauschen, was den Nutzerkreis weiter erhöht, da z.B. Fußgänger mit Mobiltelefonen und PDAs teilnehmen können.

2.2 Recommender Systeme

Primäre Aufgabe von Recommender Systemen ist es, aus Hintergrundinformationen und Eingabedaten gezielte und maßgeschneiderte Empfehlungen für bestimmte Items aus einer Item-Menge abzugeben. Die fünf bekanntesten klassischen Arten von Recommendern sind: regelbasierte, inhaltsbasierte, wissensbasierte, demografische und kollaborative [Bu02]. Alle weisen prinzipielle Stärken und Schwächen auf.

Ein verbreiteter Vertreter der klassischen Recommender ist der kollaborative Filter (engl. „collaborative filtering“). Kollaborative Recommender basieren ihre Empfehlungen auf explizit oder implizit erhobenen Bewertungen von Benutzern für Items. Wie bei jeder kollaborativen Methodik steigt der Nutzen mit steigender Anzahl an Benutzern bzw. an der Anzahl von bewerteten Items von Seiten mehrerer Benutzer. Umgekehrt hat dies zur Folge, dass kollaborative Recommender am so genannten Anlaufproblem leiden, d.h. konkret, dass bei wenigen Bewertungen der Recommender keine guten Empfehlungen abgeben kann.

67

Durch geschickte Kombination klassischer Recommender zu hybriden Recommendern ist es möglich, unerwünschte Eigenschaften dieser klassischen Recommender zu umgehen bzw. deren Auswirkung zu minimieren. Die Kombination kann von zwei oder mehrere Recommender umfassen und auch verschiedene Strategien vorsehen. Populäre Vorgehensweisen zur Kombination sind Kaskadieren (Hintereinanderschaltung), Switching/Schalten (dynamische Auswahl eines geeigneten Algorithmus), Mixed/Mischen (Ergebnisse verschiedener Recommender werden kombiniert) mit oder ohne Gewichten [Bu02]. Durch hybride Recommender wird es damit möglich, die Qualität der Empfehlungen im Vergleich zu klassischen, einzelnen Recommendern zu erhöhen.

Für fast alle klassischen und hybriden Recommender gilt, dass sie Kontext nicht unterstützen. Es besteht also eine größere Auswahl an Daten bzw. Produkten, die möglicherweise im gegebenen Kontext sinnlos sind, was die Item-Auswahl erschwert: Man stelle sich vor, man fährt mit dem Auto und sucht eine Tankstelle. Mit klassischen Recommendern müsste man diese unter einer Vielzahl von Tankstellen suchen, wobei unberücksichtigt bliebe, ob die Tankstellen überhaupt noch aufgrund des aktuellen Tankstandes erreicht werden können. Für weniger dynamische Anwendungen können sie durchaus von Nutzen sein, der stark von der jeweiligen Anwendung abhängt. Es besteht also bei vielen Anwendungen der Bedarf, Kontext in Recommender zu integrieren, um den sich dadurch laufend ändernden Bedürfnissen der Benutzer gerecht zu werden. Unter Kontext verstehen wir hierbei sehr dynamische und transiente Daten, die sich im Gegensatz zu Benutzerprofilen sehr schnell ändern können. Benutzerprofile können dagegen eher langlebige Informationen, wie bevorzugte Tankstellenketten in unserem Szenario, enthalten.

2.3 Verwandte Arbeiten

Es gibt bereits einige wenige Ansätze, die versuchen, Kontext in Recommender Systeme effizient mit einzubeziehen. Der Ansatz [Ch05] von Chen zur Verwendung von Kontext in kollaborativen Filtern analysiert beispielsweise die Ähnlichkeit verschiedener Kontexttypen und -instanzen und leitet dabei die Relevanz von den Bewertungen anderer Benutzer für den aktuellen Benutzer im gegebenen Kontext ab. Dabei stellt sich jedoch die Frage, ob in der Praxis genügend „ähnliche“ Kontexte vorhanden sind, um Empfehlungen auf dieser Basis machen zu können, insbesondere in der Anlaufphase.

Adomavicius et al. [ASS05] schlagen einen kontextsensitiven Ansatz vor, der Kontext, Benutzer- und Dateninformationen als eigene Dimension betrachtet. Aufgrund dieser multidimensionalen Modellierung ist es nicht nur möglich, kontextsensitive Empfehlungen abzugeben, sondern auch Kontext oder komplexere Kombinationen von Dimensionen zu empfehlen. Ein Ansatz des multidimensionalen Recommenders sieht auch die Reduktion von m Dimensionen nach n Dimensionen (m>n) durch Projektion und Selektion vor. Besonders vorteilhaft ist eine Reduktion auf n=2, da dadurch auf die reduzierten beiden Dimensionen klassische Recommender angewendet werden können. Zu beachten ist allerdings, dass dadurch wieder deren Schwächen (und Stärken) den Empfehlungsprozess beeinflussen.

68

Ganz anders als bei den genannten Ansätzen entwerfen Horvitz et al. [HKS07] ihren kontextsensitiven Recommender. Dieser basiert auf Bayes’schen Netzwerken und verwendet somit Wahrscheinlichkeiten zur Filterung von Daten. Der Trainingsdatensatz zum Ermitteln der Wahrscheinlichkeiten des Modells sowie für eine durchgeführte Kosten-Zeit-Analyse muss dabei vom Benutzer eingegeben werden, was einen Nachteil in der praktischen Anwendung darstellt.

Unsere Lösung, die wir in den nächsten Abschnitten erläutern, realisiert einen hybriden Ansatz mit Elementen des multidimensionalen Ansatzes, der auch die Bewertungen anderer Benutzer berücksichtigt, aber die Anlaufprobleme eines reinen kollaborativen Filters wie bei [Ch05] vermeidet. Durch die entwickelten Vorgehensweisen zur Einbindung von Kontext steht bereits eine kleine Palette an Werkzeugen zur Verfügung, um kontextsensitive Recommender Systeme in Fahrzeugen darauf aufzubauen. Von entscheidender Bedeutung ist dabei die Erfassung der benötigten Daten für den Recommenderprozess wie Kontext, Bewertungen und andere Zusatzdaten. Wichtig ist dass der Recommender möglichst selbständig arbeitet, da der Fahrer während der Fahrt nicht abgelenkt werden darf. Dies bedeutet, dass die Interaktivität auf ein Minimum reduziert werden muss und dennoch der Recommender zum geeigneten Zeitpunkt treffende Items empfiehlt.

3 Entwurf eines Recommender Systems für VANETs

3.1 Datenquellen: Kontext und Bewertungen

Es gibt vielfache Anwendungen für VANETs im Bereich von kontextsensitiven Anwendungen in Fahrzeugen. Nicht nur der Kontextaustausch kann je nach Anwendung einen entscheidenden Vorteil bringen, sondern auch zusätzliche Daten. Bei kontextsensitiven Recommender Systemen sind hier zwei Gruppen von Daten von grundlegender Bedeutung: Sensordaten des Fahrzeugs und Bewertungen für Recommender.

In Fahrzeugen neuerer Generationen befindet sich eine Vielzahl von Sensoren und Steuergeräten. Durch diese Sensoren kann der aktuelle Kontext erfasst werden und liefert somit die Basis für kontextsensitive Anwendungen. Die bekanntesten Sensoren in Fahrzeugen sind beispielsweise GPS-Empfänger, Tankstandsensor, Reifendrucksensor, Uhr, Kilometerstand, usw. Durch Verwendung der vorhandenen Sensoren lassen sich somit Anwendungen konstruieren, die als Bausteine die von den Sensoren erfassten Kontexttypen nutzen. VANETs bieten dabei die Möglichkeit diese Kontextdaten auszutauschen und somit nicht nur die Kontextinformation im eigenen Fahrzeug auszuwerten, sondern auch Zugriff auf den Kontext anderer Verkehrsteilnehmer zu erhalten. Dadurch verbreitet sich das Spektrum möglicher kontextsensitiver Applikationen auch für Recommender Systeme. Ein Beispiel dafür wäre die Übertragung der Entfernung eines vorausfahrenden Fahrzeuges zu einem Hindernis, um Auffahrunfälle durch Empfehlung einer früheren Bremsaktion zu vermeiden.

69

Bei kollaborativen Recommendern gibt es zusätzlich die Herausforderung, genügend Bewertungen (anderer Benutzer) zu erfassen, um gute Empfehlungen generieren zu können. Man kann davon ausgehen, dass alleine aus den Bewertungen der Fahrer des eigenen Fahrzeugs nie eine kritische Masse an unabhängigen Bewertungen erfasst werden kann. Daher ist es sinnvoll, mit anderen Autofahrern Bewertungen mit den dazugehörigen Kontextdaten auszutauschen. Zu diesem Zweck eignet sich NOW bestens, da dadurch Bewertungen übertragen werden können. Durch diesen Austausch kann die Anzahl an Bewertungen steigen und dadurch können kollaborative Recommender in geringerer Zeit gute Empfehlungen abgeben. Durch NOW und die Fahrzeugsensoren lassen sich somit sowohl Kontextsensitivität als auch kollaborative Filter in Fahrzeugen realisieren.

3.2 Entwurfskriterien

Entworfen werden soll also nun eine kontextsensitive Empfehlungsmaschine, die in Fahrzeugen eingesetzt werden kann und die Nachteile klassischer Recommender minimiert. Als Beispielanwendung wurde ein Tankstellen-Empfehlungssystem prototypisch umgesetzt [Br07]. Die wichtigsten Aspekte beim Entwurf dieses Recommenders waren:

• Wahl und Modellierung eines geeigneten Recommender Systems zur Empfehlung von Items

• Geeignete Kontextmodellierung, -erfassung und -übertragung

• Realisierung des Systems mit einer Simulationsumgebung

Zur Lösung des ersten Aspektes stehen unter anderem die in Abschnitt 2 vorgestellten Konzepte zur Verfügung. Bereits erwähnt wurde der Vorteil von hybriden Recommendern, mit dem sich die Nachteile einzelner Lösungen abmildern lassen, weshalb dieser Ansatz auch hier zum Einsatz kommt. Dieser Ansatz soll somit die Grundstruktur des Recommender Systems bilden. Aus Gründen der Übersichtlichkeit wird im Prototyp die Anzahl der zu kombinierenden Recommender klein gehalten und auf zwei beschränkt.

Zur Einbeziehung von Kontext ist aufgrund seiner Flexibilität insbesondere der multidimensionale Ansatz aus [ASS05] geeignet. Ein Vorteil dieses Verfahrens ist die Möglichkeit, mit dem reduktionsbasierten Ansatz arbeiten zu können und damit bereits entwickelte zweidimensionale Empfehlungsmaschinen wie z.B. kollaborative Filter zu verwenden, in die bereits großer Forschungsaufwand investiert wurde. Als klassischer Recommender im multidimensionalen Teil wird aus zweierlei Gründen dieser kollaborative Recommender verwendet: Einerseits sind kollaborative Recommender relativ unabhängig von der Anwendungsdomäne und sind somit im Einklang mit der Flexibilität der Empfehlungen, die durch diesen Ansatz gewährleistet wird. Andererseits sind kollaborative Filter an sich sehr mächtig, wenn es darum geht, neue Items zu finden.

70

Diese Entwurfsentscheidung hat allerdings zur Folge, dass der gesamte Recommender am Anlaufproblem leiden würde. Als zweiten Recommender des hybriden Ansatzes muss also ein Recommender gewählt werden, der keine solche Schwäche aufweist und bereits mit wenigen Daten zufriedenstellende Empfehlungen abgeben kann. Wissensbasierte Recommender eignen sich prinzipiell, haben aber den Nachteil eines erforderlichen „knowledge engineerings“ [Bu00]. Inhaltsbasierte Filter verwenden oft Klassifikatoren zum Erkennen potentiell interessanter Items [CH01]. Die Items werden dabei durch Metadaten beschrieben. Auch hier muss aber in der Anfangsphase aus bereits bewerteten Objekten gelernt werden, sodass sich dieser Ansatz weniger für den zu entwerfenden hybriden Recommender eignet. Unsere Lösung kombiniert Eigenschaften des wissensbasierten Ansatzes mit einem inhaltsbasierten Modell, was die gewünschten Eigenschaften besitzt. Konkret wird in diesem Recommender nach eingestellten Vorlieben gefiltert, welche mit vorhandenen Metadaten von Items verglichen werden. Man könnte diesen realisierten inhaltsbasierten Recommender somit als einen „Präferenzenfilter“ bezeichnen.

Durch die Kombination des Präferenzenfilters mit dem kollaborativen Recommender kann gewährleistet werden, dass auch bei Mangel an Bewertungen Empfehlungen abgegeben werden. Wirkungsvoll ist dieser hybride Ansatz bei Gebrauch einer Kaskadierungsstrategie. Dabei werden die beiden Recommender in einem Pipeline-Prinzip der Reihe nach verkettet. Sinnvoll scheint dabei, den Präferenzenfilter als ersten Filter zu verwenden. Damit können primär Items ausgeschlossen werden, die nicht den von Benutzer konfigurierten minimalen Anforderungen entsprechen. Der Filter kann auch deaktiviert werden, damit dem folgenden Recommender die vollständige Menge an Items als Arbeitsmenge übergeben werden kann. Der Mangel an Empfehlungen kann dadurch ausgeglichen werden, dass Empfehlungen vom Präferenzenfilter ergänzt werden, obwohl sie vom multidimensionalen Teil nicht empfohlen wurden, sobald ein bestimmter Schwellwert an Bewertungen unterschritten wird. Items werden bei kollaborativen Recommendern nicht empfohlen, falls entweder nicht genügend Datensätze vorhanden sind (wie im obigen Fall) oder falls die geschätzte Bewertung zu negativ ist.

3.3 Kontextsensitivität

Um den Recommender kontextsensitiv zu gestalten, müssen dementsprechend auch die Bewertungen kontextsensitiv erfasst und gespeichert werden. Dies wird durch die Untersuchung der Sensordaten auf dem Fahrzeugbus realisiert, auf den Sensoren in mehr oder weniger regelmäßigen Zeitabständen vielfältige erfasste Kontextdaten senden. Interessant sind für die prototypische Anwendung insbesondere Tankstand mit Reichweite und Position. Durch die Orts- und Reichweitenangabe kann ermittelt werden, welche Tankstellen überhaupt erreicht werden können. Diese Kontextinformation stellen somit die Dimensionen des multidimensionalen Ansatzes dar.

Der multidimensionale Ansatz kann beispielsweise voraussagen, ob Fahrer bereit sind, die Autobahn zu verlassen, um eine gut bewertete Tankstelle zu besuchen. Realisiert wird dieses Feature durch Erfassung und Speicherung des Standortes der Fahrer bei der

71

Auswahl einer empfohlenen Tankstelle und die darauffolgende Bewertung beim Verlassen der erreichten Tankstelle. Falls sich für den Fahrer der Umweg nicht gelohnt hat, wird diese Tankstelle schlecht bewertet. Im anderen Fall wird sie eine gute Bewertung erhalten, so dass dann Fahrer, die sich in der gleichen Situation wie er befinden werden, von seiner Erfahrung profitieren können.

Bei der Kontextmodellierung ist eine geeignete Granularität wichtig: Bei einer zu feinen Granularität sind möglicherweise zu wenig Kontexte gleich bzw. ähnlich. Durch die Kontextsensitivität erhöht sich somit die Streuung der Bewertungen für den kollaborativen Filter. Infolgedessen sind für einen bestimmten Kontext nicht mehr so viele Bewertungen verfügbar, wie bei einem nicht-kontextsensitiven kollaborativen Filter. Dies wiederum hat zur Folge, dass bei bestimmten Anwendungen der klassische kollaborative Recommender sogar bessere Empfehlungen abgeben würde. Um das genannte Problem zu lösen, werden Hierarchien über Kontexttypen definiert. Durch den schrittweisen Übergang von einer Hierarchiestufe zu einer höheren, weniger feinen Stufe, werden die Kontextangaben immer gröber, sodass sich die Anzahl der Bewertungen, die für diesen gröberen Kontext abgegeben wurden erhöht, bis eine gewünschte Minimalanzahl an Bewertungen erreicht wird. Ein konkretes Beispiel für das Kontextattribut Ort wäre das folgende. Für einen Fahrer, der von Süddeutschland über Österreich nach Norditalien fährt, ist weniger die exakte Position der Tankstellen wichtig, sondern vielmehr das betreffende Land, da Benzin in Österreich z.Zt. grundsätzlich billiger als in Deutschland oder Italien ist.

Die Preise von Tankstellen sind grundsätzlich schwierig zu ermitteln, da sie nicht ohne weiteres von zentralen Diensten abgerufen werden können, wie es beispielsweise von Horvitz et al. in [HKS07] angenommen wird. Außerdem können sich die Tankstellenpreise täglich ändern, so dass eine Aktualisierung solcher zentraler Dienste erschwert wird. Offen bleibt zudem die Frage, ob Tankstellenbetreiber bereit wären, die Tankstellenpreise eigenständig online zu aktualisieren. Eine gute Lösung ist unter Verwendung des NOW Frameworks, Preisdaten über VANETs zwischen Autos auszutauschen [WE07]. Ein Zeitstempel sorgt dafür, dass die aktuellsten Preise stets in der Tankstellendatenbank gespeichert werden. Des Weiteren kann NOW auch dazu genutzt werden, Bewertungsdaten zwischen Fahrzeugen auszutauschen. Damit kann der genutzte kollaborative Filter schneller treffende Empfehlungen abgeben.

Der kollaborative Filter wurde mithilfe der freien Java-Bibliothek „Taste“ [Tas] implementiert, welche mehrere Arten von kollaborativen Filteralgorithmen anbietet ([SKK01], [LM05]). Diese Bibliothek wurde in der im Folgenden erläuterten Architektur unserer Anwendung mit Hilfe eines Adapters integriert, so dass das System auch sehr leicht um weitere Recommender Module erweitert werden kann.

3.4 Architektur der Anwendung und Simulationsumgebung

Eine vereinfachte Architektur unseres realisierten Recommender Systems ist in Abbildung 1 dargestellt. Man erkennt, dass dabei nicht nur Fahrzeuge angeschlossen werden können, sondern auch Infrastuktur-Komponenten (Hotspots) und mobile

72

Endgeräte, die das Protokoll unterstützen. Man kann damit also auch auf einem Server Bewertungen abspeichern und mit geeigneter Zusatzsoftware Statistiken berechnen und visualisieren lassen. Der ContentRecommender realisiert den Präferenzenfilter unter Verwendung der verfügbaren Kontextinformationen, insbesondere des Tankstandes. Der MDRecommender empfiehlt geeignete Tankstellen aus der Menge der vorgefilterten Items mit Hilfe der verfügbaren Bewertungen.

Abbildung 1: Schematische Darstellung der Systemarchitektur

Konkret wird das System in mehrere Untersysteme gegliedert, die jeweils bestimmte Aufgaben erfüllen. Das Storage-Subsystem enthält alle Daten zu den gespeicherten Dimensionen (d.h. Benutzer, Kontexttypen und Items) und den Bewertungen. Das Untersystem Recommender enthält ein Modell des vorgeschlagenen Recommender Systems. Um die Anwendung simulieren zu können, wurden noch zusätzlich eine schlichte grafische Oberfläche mit Kontrollelementen, ein VANET-Subsystem zur Simulation des Datenaustauschs und ein Car-Untersystem entwickelt. Das VANET-Subsystem wird vorerst durch eine einfache Peer-to-Peer Verbindung simuliert, die Bewertungen und Preisdaten durch den Server-Teil bereitstellen kann. Der Client-Teil des Peers überprüft in regelmäßigen Zeitabständen, ob sich andere Peers in Reichweite befinden, die den gewünschten Dienst anbieten. Falls ja, werden die Bewertungen hinzugefügt und gegebenenfalls die Preise aktualisiert.

4 Evaluierung

Kontextsensitive Recommender Systeme zu evaluieren, ist prinzipiell schwierig, da Bewertungen sich immer nur auf einen konkreten Kontext beziehen und man zudem beim kollaborativen Filter auf eine Vielzahl von Bewertungen angewiesen ist. Um den entworfenen Recommender dennoch zu testen, wurden zunächst einfache Szenarien anhand der in Java implementierten Testumgebung simuliert. Solche Szenarien umfassen zum Beispiel das Aufeinandertreffen zweier Fahrzeuge auf der Strecke und deren

73

Datenaustausch, Betreiber- und Preisfilterung, usw. Der Test wurde anhand einer im Rahmen des NOW-Projekts (vgl. Kapitel 2.1) aufgezeichneten Fahrt in der Münchner Innenstadt, die auf einer GoogleEarth Karte visualisiert wird, durchgeführt (Abbildung 2). Die aufgezeichnete Fahrt enthält alle Sensordaten, die am Fahrzeugbus anfallen, z.B. den Tankstand. Als Item-Menge wurde eine Liste von 2300 Tankstellen und deren Koordinaten aus einer Point-of-Interest-Datenbank verwendet.

Abbildung 2: Visualisierung der Testfahrt mit empfohlenen Tankstellen

In der Simulationsumgebung wird außerdem eine Liste der aufgrund des aktuellen Kontextes empfehlenswerten Tankstellen angezeigt. Abbildung 3 zeigt eine exemplarische Ergebnisanzeige im Fahrzeug. Dabei werden die Empfehlungen des Recommenders rot hinterlegt und weitere zusätzliche Optionen, die zur Ergänzung durch den Präferenzenfilter hinzugefügt worden sind, werden mit gelber Hintergrundfarbe gekennzeichnet.

Abbildung 3: Ergebnisliste der empfohlenen Tankstellen

74

Durch die durchgeführten Tests mit den realen Daten ließ sich zeigen, dass der Prototyp für einige definierte Testfälle sinnvolle Ergebnisse liefert, die die in den vorhergehenden Kapiteln beschriebenen Eigenschaften besitzen (u.a. keine Tankstellen außerhalb der Reichweite). Die Ausführungsdauer der Berechnungen liegt dabei in einem Bereich, der eine Auswertung des Fahrzeugbusses in Echtzeit realistisch erscheinen lässt, so dass damit die Umsetzbarkeit eines recht komplexen Recommender Modells in unserem VANET-Szenario demonstriert werden konnte. Weitere Tests, insbesondere um die Nützlichkeit verschiedener Arten von Recommendern genauer zu untersuchen, sind geplant.

5 Zusammenfassung und Ausblick

Das Ziel dieses Projekts war eine Analyse, inwieweit Recommender Systeme im VANET-Szenario sinnvoll eingesetzt werden können. Dabei war die Integration von im Fahrzeug anfallenden Kontextdaten zur Verbesserung des Empfehlungsprozess ein wesentlicher Aspekt. Das Konzept wurde anhand eines realisierten Systems mit einem hybriden, multidimensionalen und kontextsensitiven Tankstellenrecommender erprobt. U.a. wurde dazu ein Verfahren konstruiert, das ermöglicht, durch Hierarchisierung von Kontext genügend Bewertungen auch für einen kollaborativen Empfehlungsprozess zu generieren. Dieser Recommender wurde implementiert und in einfachen Testfällen anhand realer Daten getestet. Ein wesentlicher Punkt ist die Einbettung des Systems in das NOW-Kommunikationsframework, was den Austausch von Daten mit anderen Verkehrsteilnehmern erlaubt. Die Integration mit Fahrzeugschnittstellen ermöglicht zudem den Zugriff auf den aktuellen Kontext des Fahrzeugs.

Durch den vorgestellten Prototypen wurde ein Grundkonzept umgesetzt, wobei es noch zahlreiche Möglichkeiten zur Erweiterung gibt. Aufgrund der Architektur des Systems können weitere Recommender-Module entwickelt werden, um z.B. auch die Anwendbarkeit des Entwurfes für andere Itemtypen außer Tankstellen erproben zu können. Einige weitere Untersuchungen müssen im Bereich Identifizierung von Fahrzeugen, Items und Benutzern gemacht werden, um einerseits Datenschutz und Privacy garantieren zu können, andererseits damit doppelte Bewertungen nicht den Empfehlungsprozess verfälschen.

Zur Bewertung von Tankstellen wurde bereits in [Br07] ein Verfahren vorgeschlagen, wie Bewertungen mit dem geringsten Aufwand für den Benutzer erfasst werden können. Dabei handelt es sich um ein implizites Bewertungssystem, welches aus den Kontextdaten Bewertungen generiert. Damit entfällt auch zum Teil das Motivationsproblem zur Eingabe der Bewertungen von Seiten des Fahrers. Zum erproben dieses Systems müssen vorerst maßgeschneiderte Testfahrten aufgezeichnet werden, welche zudem auch zur weiteren Evaluierung des Recommenders von Nutzen sein können.

75

Danksagung

Teile dieser Arbeit wurden im Rahmen des Network-On-Wheels Projekt durchgeführt, das vom Bundesministerium für Bildung und Forschung (BMBF) unter der Vertragsnummer 01AK064 gefördert wird.

Literaturverzeichnis

[ASS05] Adomavicius, G.; Sankaranarayanan, R.; Sen, S.; Tuzhilin, A.: Incorporating contextual information in recommender systems using a multidimensional approach. ACM Transactions on Information Systems vol. 23, no. 1, pp. 103 – 145, 2005.

[Ama] Amazon - Online shopping for Electronics, Books, Apparel, Computers, DVDs and more. http://www.amazon.com.

[Br07] Brocco, M.: Konzeption und prototypische Umsetzung eines kontextsensitiven Recommender Systems für mobile Anwendungen in Fahrzeugen, Master’s thesis, Technische Universität München, 2007

[Bu02] Burke, R.: Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction, vol. 12, no. 4, pp. 331–370, 2002

[Bu00] Burke, R.: Knowledge-based recommender systems. Encyclopedia of Library and Information Systems vol. 69, no. 32, 2000.

[Ch05] Chen, A.: Context-aware collaborative filtering system: Predicting the user’s preference in the ubiquitous computing environment, in LNCS 3479, Springer Verlag, 2005, pp. 244 – 253

[CH01] Connor, M.; Herlocker, J.: Clustering items for collaborative filtering, in Proceedings of the SIGIR-2001 Workshop on Recommender Systems, 2001.

[EL06] Eigner, R; Linsmeier W.: Design Criteria for Wireless Payment Applicantions in Vehicular Ad-Hoc Networks, in Proceedings of the IADIS International Conference e-Commerce 2006, Barcelona, Spain, December 2006

[HKS07] Horvitz, E.; Koch, P.; Subramani1, M.: Mobile opportunistic planning: Methods and models, in Proceedings of the Eleventh Conference on User Modeling, pp. 238–247, 2007

[LM05] Lemire, D.; Maclachlan, A.: Slope one predictors for online rating-based collaborative filtering, in Proceedings of the SIAM Data Mining (SDM05), 2005.

[SKK01] Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J.: Item-based collaborative filtering recommendation algorithms, in Proceedings of the 10th World Wide Web Conference (WWW10), 2001, pp. 285–295.

[Tas] Taste - collaborative filtering for Java. http://taste.sourceforge.net. [WER03] Wischhof, L.; Ebner, A.; Rohling, H.; Lott, M.; Halfmann, R.: SOTIS – A Self-

Organizing Traffic Information System, in Proceedings of the 57th IEEE Vehicular Technology Conference (VTC 03 Spring) IEEE, 2003, S. 2442–2446

[WE07] Woerndl, W.; Eigner, R.: Context-aware, collaborative applications for inter-networked cars, in Proceedings of the 5th IEEE International Workshop on Distributed and Mobile Collaboration (DMC2007), 2007.

76