Film öneri sistemi makine öğrenmesi ve tkinter ile geliştirilmiş uygulama
Movie recommendation system application developed with machine learning and tkinter
- Tez No: 932288
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖZKURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İSTANBUL NİŞANTAŞI ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 94
Özet
Bu çalışma, makine öğrenmesi yöntemlerini kullanarak bir film öneri sistemi geliştirmeyi ve bu sistemi kullanıcı dostu bir grafiksel arayüz (GUI) ile sunmayı amaçlamaktadır. Öneri sistemi, bir kullanıcının seçtiği filme benzer filmleri belirlemek ve önerilerde bulunmak için TF-IDF (Term Frequency-Inverse Document Frequency), Word2Vec ve BERT modellerini kullanmaktadır. Sistem, Kaggle platformundan alınan dört farklı veri setini birleştirerek, film adları, türleri, kullanıcı puanları, poster yolları ve diğer detayları içeren bir veri yapısı oluşturmuştur. TF-IDF yöntemi, türler ve kullanıcı puanlarından oluşan bir özellik matrisi oluşturarak filmler arasındaki benzerlikleri hesaplamaktadır. Word2Vec modeli, filmlerin bağlamını öğrenerek kelimeler arası ilişkileri anlamlandırmakta ve bağlam duyarlılığı daha yüksek öneriler sunmaktadır. BERT modeli ise, bağlamı en derin şekilde analiz ederek önerilerde geniş tematik çeşitlilik ve bağlam zenginliği sağlamaktadır. Film önerileri, bir Tkinter tabanlı arayüz aracılığıyla kullanıcılara sunulmaktadır. Kullanıcı bir film seçtiğinde, sistem seçilen filme benzer en iyi 8 filmi önerir ve bu öneriler afişleriyle birlikte görsel olarak ekranda listelenir. Film afişleri, performansı artırmak amacıyla yerel bir önbellekte saklanmaktadır. Böylece uygulamanın yanıt süresi optimize edilmiştir. Projenin diğer önemli bileşenleri arasında, önerilen filmlerin kullanıcıya görsel bir formatta sunulması, Tkinter arayüzünün kaydırılabilir bir yapı ile daha fazla öneri görüntülemesine olanak tanıması ve farklı modellerin performanslarının hız, bağlam duyarlılığı ve öneri kalitesi açısından karşılaştırılması bulunmaktadır.
Özet (Çeviri)
This study aims to develop a movie recommendation system using machine learning methods and to present this system with a user-friendly graphical user interface (GUI). The recommendation system uses TF-IDF (Term Frequency-Inverse Document Frequency), Word2Vec, and BERT models to identify and suggest movies similar to a user's selected movie. The system combines four different datasets obtained from the Kaggle platform to create a data structure that includes movie titles, genres, user ratings, poster paths, and other details. The TF-IDF method constructs a feature matrix based on genres and user ratings to calculate similarities between movies. The Word2Vec model learns the context of the movies, capturing the relationships between words and providing context-sensitive recommendations. The BERT model, on the other hand, deeply analyzes the context, offering recommendations with broad thematic diversity and contextual richness. Movie recommendations are presented to users through a Tkinter-based interface. When a user selects a movie, the system automatically suggests the top 8 similar movies, displaying them visually on the screen along with their posters. To enhance performance, movie posters are cached locally, optimizing the response time of the application. Other significant components of the project include presenting the recommended movies in a visual format to the user, enabling the Tkinter interface to display more movie recommendations with a scrollable structure, and comparing the performance of different models in terms of speed, context sensitivity, and recommendation quality.
Benzer Tezler
- Deep learning based recommendation system design
Derin öğrenme tabanlı öneri sistemi tasarımı
SEÇİL ŞEN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SADIK FİKRET GÜRGEN
- Hybrid reciprocal recommendation with advanced feature representations
Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri
EZGİ YILDIRIM
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- E-ticaret siteleri için bulanık mantık ve makine öğrenmesi tabanlı bir öneri sistemi
A recommendation system based on fuzzy logic and machine learning for e-commerce sites
METEHAN UÇAR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
- Çapraz e-ticaret pazarlarında hibrit öneri sistemi
Hybrid recommendation system at cross e-commerce markets
EMRE KÖSE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Derin öğrenme yöntemleri ile sinema filmi başarım tahmini
Estimating film achievement using deep learning methods
OSMAN NURİ ATAK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL ÖZKAN