عنوان

A Movie Recommender System Using Hybrid Ensemble Learning Method

Number

T25659

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

A Movie Recommender System Using Hybrid Ensemble Learning Method

General Material Designation

Dissertation

First Statement of Responsibility

Mohammed Qadir Hassan

Name of Publisher, Distributor, etc.

Tabriz

Date of Publication, Distribution, etc.

1400

Specific Material Designation and Extent of Item

69p

Other Physical Details

cd

Dissertation or thesis details and type of degree

Master's

Discipline of degree

Electrical and Computer Engineering

Date of degree

1400/06/31

Body granting the degree

Tabriz

Text of Note

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

Text of Note

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.

Variant Title

طراحی یک سیستم توصیه‌گر فیلم با استفاده از روش ترکیبی یادگیری گروهی

Subject Term

Recommender System, Ensemble learning, clustering methods, MovieLens dataset

Subject Term

: سیستم توصیه‌گر ، یادگیری گروه، روش های خوشه بندی، مجموعه داده های MovieLens

Entry Element

Qadir Hassan,

Part of Name Other than Entry Element

Mohammed

Relator Code

Producer

Entry Element

Feizi-Derakhshi

Entry Element

Pashazadeh

Part of Name Other than Entry Element

Mohammad-Reza

Part of Name Other than Entry Element

Saeid

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central library of tabriz

Date of Transaction

20220312

Call Number

ارشد پایاننامه QA76 .Q23 1400

Electronic name

e

TL

276903

a

Y