Geri Dön

An improved hybrid movie recommendation system based on content-based and collaborative filtering using co-clustering algorithm

Ortak kümeleme algoritmasını kullanan içerik tabanlı ve işbirliğine dayalı filtrelemeye dayalı iyileştirilmiş bir hibrit film öneri sistemi

  1. Tez No: 800412
  2. Yazar: YOUSIF TAREQ SALIH SALIH
  3. Danışmanlar: YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Endüstri ve Endüstri Mühendisliği, Electrical and Electronics Engineering, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 69

Özet

Öneri sistemleri, veri biliminin yaygın olarak kullanılan ve yaygın bir uygulamasıdır. Çok fazla araştırma yapıldı, ancak web içeriğinin hızlı büyümesi ve aşırı bilgi yüklenmesi nedeniyle ilgi ve talep yüksek olmaya devam ediyor. Bundan sonra, çevrimiçi işletmelerin kullanıcılara aşırı bilgi yüklemesini yönetmede yardımcı olma ve onlara kişiselleştirilmiş öneriler, içerik ve hizmetler sunma ihtiyacı katlanarak önemli hale geldi. Öneri sistemlerini uygulamak için en yaygın teknikler, İçeriğe Dayalı Filtreleme (CBF) ve İşbirliğine Dayalı Filtrelemedir (CF). Her birinin, CBF için“yeni kullanıcı”ve“aşırı uzmanlaşma”sorunları ve CF için“soğuk başlatma”ve“veri seyrekliği”sorunları gibi iyi bilinen dezavantajları vardır. Bu sorunların üstesinden gelmek için bir çözüm olarak, araştırmacılar iki veya daha fazla filtreleme tekniğini hibrit bir sistemde birleştirir. Benzer şekilde, araştırmamız CBF ve CF'yi birleştiren, ancak benzersiz bir senaryoda hibrit yaklaşıma odaklandı. Önerilen sistem, iki ana aşamadan oluşan bir hibrit film tavsiye sistemidir; ilk aşama, öznitelik çıkarma, vektörleştirme ve kosinüs benzerliği yöntemlerini kullanarak CBF tekniğini uygular, ardından ikinci aşama, Ortak Kümeleme ile CF tekniğini kullanır. doğru öneriler sunmak için bir makine öğrenme modeli olarak algoritma. Hibrit bir yaklaşım kullanmak ve Ortak Kümelemeyi CF ile birleştirmek anahtardır. Önerilen sistem, MAE metriği açısından rakiplerin en yakın sonuçlarını 0.25 ile geride bıraktığı ve emsalsiz bir hesaplama test süresi gösterdiği mevcut çalışmaların en iyi sonuçlarına kıyasla benzeri görülmemiş sonuçlar gösterdi.

Özet (Çeviri)

Recommender systems are a widely used and common application of data science. A lot of research has been done, but interest and demand remain high due to the rapid growth of web content and the overloading of information. From that, the need for online businesses to assist users in managing information overload and provide them personalized recommendations, content, and services has become exponentially important. The most common techniques for implementing recommender systems are Content-based Filtering (CBF) and Collaborative Filtering (CF). Each of them has well-known drawbacks such as the“new user”and“overspecialization”problems for the CBF and the“cold-start”and“data sparsity”problems for the CF. As a solution to overcome those problems, the researchers combine two or more filtering techniques in a hybrid system. Likewise, our research focused on the hybrid approach that combines, CBF and CF, but in a unique scenario. The proposed system is a hybrid movie recommendations system that comprises two main phases, the first phase applies the CBF technique by utilizing features extractions, vectorization, and the cosine similarity methods, followed by the second phase that employs the CF technique with a Co-clustering algorithm as a machine learning model to introduce accurate recommendations. Using a hybrid approach and incorporating Co-clustering with the CF is the key. The proposed system indicated unprecedented results compared to the best results of existing works where it outperformed the closest results of the competitors by 0.25 in terms of the MAE metric and showed a peerless computational test time.

Benzer Tezler

  1. An ontology-based hybrid recommendation system using semantic similarity measure and feature weighting

    Anlamsal benzerlik ölçüsü ve özellik ağırlıklandırmaya dayanan ontoloji tabanlı melez bir tavsiye sistemi

    UĞUR CEYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    DR. AYŞENUR BİRTÜRK

  2. A hybrid movie recommender using dynamic fuzzy clustering

    İçerikle desteklenmiş kooperatif filtreleme algoritmasına dayalı melez ve dinamik bir öneri sistemi

    FATİH GÜRCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    DR. AYŞENUR BİRTÜRK

  3. Çapraz e-ticaret pazarlarında hibrit öneri sistemi

    Hybrid recommendation system at cross e-commerce markets

    EMRE KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

  4. Determining e-commerce product recommendation systems utilizing mcdm methods

    Çkkv yöntemlerini kullanarak e-ticaret ürün öneri sistemlerinin belirlenmesi

    MİNE YAVUZ ŞAFAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. YUSUF İLKER TOPCU

  5. Tek ve çok amaçlı robot yol planlama problemi için hibrit bir optimizasyon yöntemi

    A hybrid optimization method for single and multi objective robot path planning problem

    EŞREF BOĞAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik MühendisliğiPamukkale Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SELAMİ BEYHAN