Recommender System is a tool helping users find content and overcome information overload. It predicts interests of users and makes recommendation according to the interest model of users. The original content-based recommender system is the continuation and development of collaborative filtering, which doesn’t need the user’s evaluation for items. Instead, the similarity is calculated based on the information of items that are chose by users, and then make the recommendation accordingly. With the improvement of machine learning, current content-based recommender system can build profile for users and products respectively. Building or updating the profile according to the analysis of items that are bought or visited by users. The system can compare the user and the profile of items and then recommend the most similar products. So this recommender method that compare user and product directly cannot be brought into collaborative filtering model. The foundation of content-based algorithm is acquisition and quantitative analysis of the content. As the research of acquisition and filtering of text information are mature, many current content-based recommender systems make recommendation according to the analysis of text information. This paper introduces content-based recommender system for the movie website of VionLabs. There are a lot of features extracted from the movie, they are diversity and unique, which is also the difference from other recommender systems. We use these features to construct movie model and calculate similarity. We introduce a new approach for setting weight of features, which improves the representative of movies. Finally we evaluate the approach to illustrate the improvement. / Recommender System är ett verktyg som hjälper användarna att hitta innehåll och övervinna informationsöverflöd. Det förutspår användarnas intressen och gör rekommendation enligt räntemodellen användare. Den ursprungliga innehållsbaserade recommender är en fortsättning och utveckling av samarbete filtrering, som inte behöver användarens utvärdering artiklar. Istället är likheten beräknas baserat på informationen objekt som har varit valde av användare, och sedan göra rekommendationen därefter. Med förbättringen av maskininlärning, kan nuvarande innehållsbaserad recommender systemet bygga profil för användare och produkt respektive. Bygga eller uppdatera profilen enligt analysen av objekt som köps eller besöks av användare. Systemet kan jämföra användaren och profilen av artiklar och rekommendera den mest liknande produkt. Så här recommender metod som jämför användaren och produkten direkt kan inte föras in collaborative filtreringsmodell. Grunden för innehållsbaserad algoritm är förvärv och kvantitativ analys av innehållet. Eftersom forskning förvärv och filtrering av textinformation är mogen, många aktuella innehållsbaserade recommender system gör rekommendation enligt analysen av textinformation. Denna uppsats införa innehållsbaserad recommender system för film webbplats VionLabs. Det finns en mängd funktioner som extraherats från en film, är de mångfald och unik, vilket är också skillnaden med andra recommender system. Vi använder dessa funktioner för att konstruera film vektor och beräkna likheter. Vi introducerar en ny metod för att fastställa vikten av funktioner, vilket förbättrar företrädare för filmer. Slutligen utvärderar vi tillvägagångssättet för att illustrera förbättringen.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-188494 |
| Date | January 2016 |
| Creators | Ma, Ke |
| Publisher | KTH, Skolan för informations- och kommunikationsteknik (ICT) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-ICT-EX ; 2016:4 |
Page generated in 0.0026 seconds