Recommender System (RS) has become one of the most important component for many companies, such as YouTube and Amazon. A recommender system consists of a series of algorithms which predict and recommend products to users. This report covers the selection of many open source recommender system projects, and movie predictions are made using the selected recommender system. Based on the predictions, a comparison was made between precision and an improved precision algorithm. The selected RS uses singular value decomposition in the field of collaborative filtering. Based on the recommendation results produced by the RS, the comparison between precision and the improved precision algorithms showed that the result of improved precision is slightly higher than precision in different cutoff values and different dimensions of eigenvalues. / Rekommendationssystem har blivit en av de viktigaste beståndsdelar för många företag, såsom YouTube och Amazon. Ett rekommendationssystem består av en serie av algoritmer som förutsäger och rekommenderar produkter till användare. Denna rapport omfattar valet av många öppen källkod rekommendationssystem projekt, och filmprognoser görs med det valda rekommendationssystemet. Baserat på filmprognoser, gjordes en jämförelse mellan precision och en förbättrad precision algoritmer. Det valda rekommendationssystemet använder singulärvärdesuppdelning som kollaborativ filtrering. Baserat på rekommendationsresultat som produceras av rekommendationssystemet, jämförelsen mellan precision och den förbättrade precisions algoritmer visade att resultatet av förbättrad precision är något högre än precision i olika brytvärden och olika dimensioner av egenvärden.

Mängden data som transporteras över Internet idag är stor. Vilket innebär att det finns ett överflöd av information och ett behov för att urskilja relevant innehåll mot irrelevant. För att uppnå detta används rekommendationssystem som i sin tur använder olika filtreringstekniker. Det finns tre huvudtyper av tekniker, innehållsbaserad kollaborativ filtrering och hybrid tekniker. Syftet med studien är att jämföra olika filtreringstekniker och undersöka hur teknikerna förhåller sig till träffsäkerhet mot testset, beräkningsbelasning och användarnöjdhet. För att genomföra detta på ett nyanserat sätt har en strukturerad litteraturstudie genomförts där sju olika steg för inhämtning och analys av dokument gjorts. En kvalitativ metanalys genomfördes på de 28 utvalda tidskriftsartiklarna. IFT rekommendationssystem var den rekommendationsteknik som anses minst effektiv utifrån den definition som studien utgått från. KFT och hybrid rekommendationssystem är de som är mest effektiva enligt denna studie. Hybrid system kan ta vara på fördelar från alla andra tekniker och kan synergiskt också motverka vissa av teknikernas förknippade brister, mot kostnaden av att implementations-komplexiteten ökar.

With growing information availability recommendation systems help users navigate and filter the many options. The home rental market has been pointed out as one of the unexplored areas for recommendations system. This project examines the effects of incorporating historical data for probabilistic weighting and matching algorithms for increased recommendation diversity for a tenant to landlord recommendation system. This was done by implementing two new recommendation systems. The first uses probabilistic weighting to measure the similarity between tenants and landlord homes. The second combines this probabilistic weighting with a variant of the Deferred Acceptance algorithm to enhance recommendation diversity. These two recommendation systems were A/B tested together with the existing tenant recommendation system on the Qasa platform, a digital end-to-end rental apartments marketplace in Sweden. With the objective of having the recommendation system increase landlord engagement a good recommendation was defined as one where the landlord choose to contact the tenant. After the A/B test period, the three recommendation variants were evaluated on Coverage@N, Gini-Index@K, Precision@K and Recall@K. The result revealed that the use of the Deferred Acceptance algorithm did increase the recommendation diversity, but it led to reduced precision in the top recommendations compared to the first new implementation that only used probabilistic weighting. However, the incorporation of historical data for the probabilistic weighting for similarity in booth new recommendation systems showed higher precision and number of contacted tenants compared to the existing tenant recommendation model on the Qasa platform. / Med växande informationstillgänglighet hjälper rekommendationssystem användarna att navigera och filtrera bland många alternativ. Hyresmarknaden har pekats ut som ett av de outforskade områdena för rekommendationssystem. Detta projekt undersöker effekterna av att inkorporera historiska data för statistiska vikter och matchningsalgoritmer för ökad rekommendations mångfald i ett rekommendationssystem från hyresgäster till hyresvärdar. Detta gjordes genom att implementera två nya rekommendationssystem. Det första använder statistiska vikter för att mäta likheten mellan hyresgäster och hyresvärdars bostäder. Det andra kombinerar dessa statistiska vikter med en variant av deferred acceptance algorithm algoritmen för att förbättra rekommendations mångfaldet. Dessa två rekommendationssystem A/B testades tillsammans med det befintliga rekommendationssystemet av hyresgäster på Qasa-plattformen, en digital marknadsplats för andrahandsuthyrning av lägenheter i Sverige. Med målet att rekommendationssystemet skulle öka hyresvärdens engagemang definierades en bra rekommendation som en där hyresvärden valde att kontakta hyresgästen. Efter A/B-testperioden utvärderades de tre rekommendationsvarianterna baserat på Coverage@N, Gini-Index@K, Precision@K och Recall@K. Resultatet visade att användningen av algoritmen för uppskjuten acceptans ökade mångfaldet i ett rekommendationssystem, men det ledde till minskad precision i de första rekommendationerna jämfört med den första nya implementationen som endast använde statistiska vikter. Däremot visade inkorporeringen av historiska data för statistiska vikter vid uträkning av likhet, något som gjordes i båda nya rekommendationssystem, högre precision och fler antal kontaktade hyresgäster jämfört med den befintliga modellen för hyresgästrekommendationer på Qasa-plattformen.