Effekten av varierande datamängd vid filmbetygsprediktion : En studie med en egenkonstruerad rekommendationsalgoritm
Behovet av att kunna förutspå användares preferenser ökar i samhället. Då konsumtion i digitala butiker ökar är det viktigt för butikerna att kunna generera så träffsäkra produktrekommendationer som möjligt för att på så sätt kunna öka sin försäljning. Denna rapport tar upp frågan om hur träffsäkerh...
| Main Authors: | , |
|---|---|
| Format: | Others |
| Language: | Swedish |
| Published: |
KTH, Skolan för datavetenskap och kommunikation (CSC)
2016
|
| Subjects: | |
| Online Access: | http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-186446 |
| Summary: | Behovet av att kunna förutspå användares preferenser ökar i samhället. Då konsumtion i digitala butiker ökar är det viktigt för butikerna att kunna generera så träffsäkra produktrekommendationer som möjligt för att på så sätt kunna öka sin försäljning. Denna rapport tar upp frågan om hur träffsäkerheten förändras med olika mängd data. En egen algoritm som lånar teorier från både kollaborativ- och innehållsbaserad filtrering konstrueras. Algoritmen testades med en mängd olika testset hämtade från MovieLens. Testseten varierade i storlek från 20 000 upp till 100 000 betyg. Resultatet visar att vid väldigt lite data uppnås bästa prediktionen. Träffsäkerhetens förändring är relativt liten. |
|---|