شماره کتابشناسی ملی
شماره
T25659
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی
عنوان و نام پديدآور
عنوان اصلي
A Movie Recommender System Using Hybrid Ensemble Learning Method
نام عام مواد
Dissertation
نام نخستين پديدآور
Mohammed Qadir Hassan
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
Tabriz
تاریخ نشرو بخش و غیره
1400
مشخصات ظاهری
نام خاص و کميت اثر
69p
ساير جزييات
cd
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
Master's
نظم درجات
Electrical and Computer Engineering
زمان اعطا مدرک
1400/06/31
کسي که مدرک را اعطا کرده
Tabriz
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
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
متن يادداشت
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.
عنوانهای گونه گون دیگر
عنوان گونه گون
طراحی یک سیستم توصیه‌گر فیلم با استفاده از روش ترکیبی یادگیری گروهی
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Recommender System, Ensemble learning, clustering methods, MovieLens dataset
اصطلاح موضوعی
: سیستم توصیه‌گر ، یادگیری گروه، روش های خوشه بندی، مجموعه داده های MovieLens
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
Qadir Hassan,
ساير عناصر نام
Mohammed
کد نقش
Producer
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
Feizi-Derakhshi
عنصر شناسه اي
Pashazadeh
ساير عناصر نام
Mohammad-Reza
ساير عناصر نام
Saeid
کد نقش
Thesis advisor
کد نقش
Consulting advisor
شناسه افزوده (تنالگان)
عنصر شناسه اي
Tabriz
مبدا اصلی
کشور
ایران
سازمان
Central library of tabriz
تاريخ عمليات
20220312
شماره دستیابی
شماره بازیابی
ارشد پایاننامه QA76 .Q23 1400
دسترسی و محل الکترونیکی
نام الکترونيکي
مطالعه متن کتاب وضعیت انتشار
فرمت انتشار
e
اطلاعات رکورد کتابشناسی
نوع ماده
TL
کد کاربرگه
276903
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
