Mašininio mokymosi algoritmais grindžiamų filmų rekomendacinių

Abstract

Baigiamajame magistro darbe nagrinėjama rekomendacinių sistemų sudarymo tema. Skirtingiems rekomendacinių sistemų tipams įgyvendinti pasirinkti mašininio mokymosi algoritmai: kartimiausio kaimyno, k-reikšmių klasterizavimo bei neuroninių tinklų. Sudarytos filmų rekomendacinės sistemos buvo apmokomos bei išbandomos „MovieLens“ duomenų baze. Rekomendacinių sistemų tikslumas įvertintas vidutinės absoliučios paklaidos (MAE) bei šaknies iš vidutinės kvadratinės paklaidos (RMSE) metrikomis. Taip pat rekomendacinių sistemų modeliai buvo palyginti apmokymo trukmės įvertinimu. Tyrimo metu nustatyta, kad bendrumo filtravimu paremta rekomendacinė sistema yra efektyviausia, dėl žemo MAE ir RMSE įverčio, taip pat tokio modelio apmokymo trukmė yra trumpiausia ir įvesties duomenų kiekis yra mažiausias. Darbą sudaro 7 dalys: įvadas, rekomendacinių sistemų tipų analizė, mašininio mokymosi algoritmų taikymo rekomendacinėse sistemose analizė, filmų rekomendacinių sistemų projektavimas, rekomendacinių sistemų įgyvendinimas ir testavimas, išvados ir siūlymai, literatūros sąrašas. Darbo apimtis – 55 p. teksto be priedų, 16 iliustr., 8 lent., 33 bibliografiniai šaltiniai.

The final master‘s thesis describes the topic of recommendation systems. For different types of movie recommendation systems implementation there were chosen three different machine learning algorithms: k-Nearest Neighbor, k-Means Clustering and neural networks. Implemented movie recommendation systems were trained and tested based on „MovieLens“ dataset. The accuracy and efficiency of movie recommendation systems were measured and compared by Mean Absolute Error (MAE), Root Mean Absolute Error (RMSE) metrics and evaluation of model‘s training time. Based on the results, the collaborative filtering based movie recommendation system was selected as most efficient because of the low MAE, RMSE, training time evaluations and also required input data is very small. Thesis consists of 7 parts: introduction, analysis of recommendation system types, analysis of machine learning algorithms used in recommendation systems, design of movie recommendation systems, implementation and testing of recommendation systems, conclusions, references. Thesis consists of 55 p. text without appendixes, 16 pictures, 8 tables, 33 bibliographical entries.