prikaz prve stranice dokumenta Metode i algoritmi u sustavima preporučivanja
Access restricted to students and staff of home institution
master's thesis
Metode i algoritmi u sustavima preporučivanja
2019. urn:nbn:hr:195:112392
Volarić, Ana
University of Rijeka
Faculty of Informatics and Digital Technologies

Cite this document

Volarić, A. (2019). Metode i algoritmi u sustavima preporučivanja (Master's thesis). Rijeka: University of Rijeka. Retrieved from https://urn.nsk.hr/urn:nbn:hr:195:112392

Volarić, Ana. "Metode i algoritmi u sustavima preporučivanja." Master's thesis, University of Rijeka, 2019. https://urn.nsk.hr/urn:nbn:hr:195:112392

Volarić, Ana. "Metode i algoritmi u sustavima preporučivanja." Master's thesis, University of Rijeka, 2019. https://urn.nsk.hr/urn:nbn:hr:195:112392

Volarić, A. (2019). 'Metode i algoritmi u sustavima preporučivanja', Master's thesis, University of Rijeka, accessed 15 November 2024, https://urn.nsk.hr/urn:nbn:hr:195:112392

Volarić A. Metode i algoritmi u sustavima preporučivanja [Master's thesis]. Rijeka: University of Rijeka; 2019 [cited 2024 November 15] Available at: https://urn.nsk.hr/urn:nbn:hr:195:112392

A. Volarić, "Metode i algoritmi u sustavima preporučivanja", Master's thesis, University of Rijeka, Rijeka, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:195:112392

Please login to the repository to save this object to your list.
Metadata
TitleMetode i algoritmi u sustavima preporučivanja
Title (english)Methods and Algorithms for Recommender Systems
AuthorAna Volarić
MentorSanda Martinčić-Ipšić (mentor)
Committee memberMarina Ivašić-Kos (predsjednik povjerenstva)
Committee memberSanda Martinčić-Ipšić (član povjerenstva)
Committee memberAna Meštrović (član povjerenstva)
GranterUniversity of Rijeka
(Faculty of Informatics and Digital Technologies)
Rijeka
Defense date and country2019-12-04, Croatia
Scientific / art field,
discipline and subdiscipline		SOCIAL SCIENCES
Information and Communication Sciences
Abstract
Sustavi za preporučivanje se koriste na mnogim internetskim stranicama. Njihov cilj je prepoznati što je korisniku zanimljivo te izdvojiti i prikazati takve predmete. Za to je potrebno prikupiti podatke koji otkrivaju korisnikov ukus tj. ocjene, događaje i ponašanje korisnika. Podaci se spremaju u obliku korisnik-predmet matrice u kojoj se za svaki korisnik-predmet par daje vrijednost koja predstavlja stupanj preferencije tog korisnika za taj predmet. Sustavi za preporučivanje se dijele na sustave temeljene na sadržaju i sustave temeljene na suradnji. Sustavi temeljeni na sadržaju su usredotočeni na atribute predmeta i daju preporuke temeljene na sličnosti među predmetima, a sustavi temeljeni na suradnji su usredotočeni na odnose između korisnika i predmeta tj. na sličnosti među korisnicima i/ili predmetima. Glavna značajka sustava za preporučivanje je određivanje koliko su dva predmeta ili korisnika slična, a to se može izračunati koristeći neku od mjera sličnosti. Najčešće korištena mjera sličnosti je kosinusna sličnost te je ona korištena i kod implementacije algoritama u ovom radu. Za evaluaciju sustava za preporučivanje izvan mreže koriste se statističke mjere preciznosti koje računaju koliko sustav precizno može predvidjeti kako bi korisnici ocijenili filmove koje su već vidjeli. U ovom radu opisane su različite metode i algoritmi koji se koriste pri implementaciji sustava za preporučivanje. Isprobani su neki od najčešće korištenih algoritama koji su objašnjeni uz priložene dijelove koda. Algoritmi su evaluirani koristeći mjere preciznosti. Korišten je skup podataka MovieLens koji sadrži podatke s internetske stranice za preporuku filmova. Za implementaciju je korišten programski jezik Python i njegove programske knjižice Pandas i Surprise.
Abstract (english)
Recommendation systems are used on many websites. Their goal is to identify what is interesting to the user and to isolate and display such items. That requires gathering data that reveals the user's taste i.e. the ratings, events and behavior of the user. The data is saved in the form of a user-item matrix in which for each user-item pair a value is given that represents the degree of preference of that user for that item. Recommendation systems can be classified into content-based and collaboration-based systems. Content-based systems focus on item attributes and they make recommendations based on similarities between items, while collaboration-based systems focus on user-item relationships, i.e. similarities between users and/or objects. The main feature of the recommendation system is to determine how similar the two items or users are and this can be calculated using one of the similarity measures. The most commonly used similarity measure is cosine similarity and it was also used in the implementation of the algorithms in this paper. Statistical accuracy measures are used to evaluate recommendation systems offline. They calculate how accurately the system can predict how would users rate movies they have already seen. This paper describes the various methods and algorithms used in implementing the recommendation system. Some of the most commonly used algorithms were tested and evaluated using accuracy measures. Dataset that was used is a MovieLens dataset which contains data from the movie recommendation website. Algorithms were implemented using the Python programming language and its libraries Pandas and Surprise.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:195:112392
Study programmeTitle: Informatics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra informatike (magistar/magistra informatike)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2019-12-03 12:08:51