Machine learning algorithms for film recommendation

 
see the original item page
in the repository's web site and access all digital files if the item*
share




2007 (EN)
Τεχνικές μηχανικής μάθησης για σύσταση ενοικίασης ταινίας
Machine learning algorithms for film recommendation

Σαμπαζιώτης, Ιωάννης Ευσταθίου

The purpose of this study was to elaborate on existing recommender system techniques and develop an application that will provide automatic film recommendations based on actual movie rental data provided by netflix. Recommender systems can be utilized to efficiently provide personalized services in most e-business domains. The developed application evolved in an object-oriented framework that allows effortless creation, testing and evaluation of recommender systems based on collaborative filtering techniques. The framework provides easy access to native rental data as long as complex calculated data such as Pearson-based user-to-user distances. Finally, as an example of the framework components, a set of collaborative filtering algorithms where developed. These algorithms where compared in means of recommendation speed and efficiency based on error rate. An analysis of the impact of their parameterization was also produced.
Στόχος της διπλωματικής εργασίας ήταν η μελέτη των υπαρχουσών τεχνικών συστάσεων και η ανάπτυξη μιας εφαρμογής η οποία, βασισμένη σε πραγματικά δεδομένα του online συστήματος ενοικίασης ταινίας neflix, θα επιτρέπει τη σύσταση ταινιών στους πελάτες. Τα συστήματα συστάσεων (recommender systems) περιγράφουν συνολικά τις ευφυείς τεχνικές που παρέχουν εξατομικευμένες υπηρεσίες, γνώσεις ή συμβουλές. Η εφαρμογή που αναπτύχθηκε, εξελίχθηκε σε μια αντικειμενοστραφή πλατφόρμα υλοποίησης αλγορίθμων μέσα στην οποία μπορούν, με χρήση βασικών δομικών αντικειμένων, να υλοποιηθούν αλγόριθμοι της κατηγορίας συνεργατικής διήθησης. Η πλατφόρμα προσφέρει εύκολη πρόσβαση σε πρωτογενή και προ-επεξεργασμένα δεδομένα ενοικιάσεων ενώ δίδεται η δυνατότητα απεικόνισης των προβλέψεων και συστάσεων καθώς και η εκπόνηση συγκριτικών μετρήσεων απόδοσης για όλους τους αλγορίθμους. Με βάση τα δομικά στοιχεία της πλατφόρμας, υλοποιήθηκαν βασικοί στατιστικοί και συνεργατικοί αλγόριθμοι διήθησης με βάση την μετρική απόστασης Pearson και έγιναν αναλυτικές μετρήσεις απόδοσης τους σε σχέση με τις παραμέτρους λειτουργίας τους. Οι μετρήσεις κατέδειξαν την υπεροχή των μεθόδων συνεργατικής διήθησης με απόσταση Pearson, έναντι των απλούστερων στατιστικών μεθόδων.

info:eu-repo/semantics/masterThesis
Postgraduate Thesis / Μεταπτυχιακή Εργασία

Automatic movie recommendation
Netflix prize
Collaborative filtering
Συνεργατική διήθηση
Μηχανική μάθηση
Machine learning
Μετρική απόστασης Pearson
Συστήματα συστάσεων
Αυτόματες προτάσεις ενοικίασης ταινιών
Framework for recommender systems
Recommender system
Πλατφόρμα ανάπτυξης αλγόριθμων συστάσεων

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)

Greek
English

2007
2009-06-21T21:00:00Z


Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Σχολή Θετικών Επιστημών, Τμήμα Πληροφορικής

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.
info:eu-repo/semantics/openAccess



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)