A Movie Recommender System Using Hybrid Ensemble Learning Method
Dissertation
Mohammed Qadir Hassan
Tabriz
1400
69p
cd
Master's
Electrical and Computer Engineering
1400/06/31
Tabriz
Recommender System (RS) is an important technology to help users to choose the right resources. Actually they have recently become so popular and are developing rapidly. RS use various sources of information to predict and recommend items to users. In this research, we have Proposed a method to perform movie recommendations using k-means clustering algorithm and then applying Adaboost and LSBoost algorithms to fulfill Ensemble Learning algorithm. We have also predicted the amount of classification error. MovieLens dataset was used to evaluate the proposed system and the criterion for evaluating the classification error is MSE. Moreover the k-Fold and the MSE criterions were used to evaluate the Ensemble Learning classification. The results show that among two suggested Ensemble Learning Algorithms, namely Adaboost and LSBoost, the LSBoost algorithm has lead to a lower error value equal to 0.0019 and finally has a better performance in movie recommendation. This results finally were compared with two other classification methods, namely KNN and Discriminant, which show that the error of the proposed model is considerably lower and it outperforms them
سیستم توصیه گر (RS) یک فناوری مهم است که به کاربران در انتخاب منابع مناسب کمک می کند. در واقع آنها اخیراً بسیار محبوب شده اند و به سرعت در حال توسعه هستند. RS از منابع مختلف اطلاعات برای پیش بینی و توصیه موارد به کاربران استفاده می کند. در این تحقیق ، ما روشی را برای انجام توصیه های فیلم با استفاده از الگوریتم خوشه بندی k-means و سپس استفاده از الگوریتم های Adaboost و LSBoost برای انجام الگوریتم یادگیری گروهی پیشنهاد کرده ایم. ما همچنین میزان خطای طبقه بندی را پیش بینی کرده ایم. مجموعه داده MovieLens برای ارزیابی سیستم پیشنهادی مورد استفاده قرار گرفت و معیار ارزیابی خطای طبقه بندی MSE است. علاوه بر این از معیارهای k-Fold و MSE برای ارزیابی طبقه بندی یادگیری گروهی استفاده شد. نتایج نشان می دهد که از بین دو الگوریتم یادگیری گروهی ، یعنی Adaboost و LSBoost ، الگوریتم LSBoost منجر به خطای کمتری برابر 0.0019 و در نهایت عملکرد بهتر در توصیه فیلم شده است. این نتایج در نهایت با دو روش طبقه بندی دیگر به نام KNN و Discriminant مقایسه شد که نشان می دهد خطای مدل پیشنهادی به میزان قابل توجهی کمتر است و از آنها بهتر عمل می کند.
طراحی یک سیستم توصیهگر فیلم با استفاده از روش ترکیبی یادگیری گروهی