Anzeigen: Erhalten Sie die Zulassung zum 200-Level und studieren Sie einen beliebigen Kurs an einer Universität Ihrer Wahl. Niedrige Gebühren | Kein JAMB UTME. Rufen Sie 09038456231 an

Ein hybridisiertes Empfehlungssystem für Filmdaten mit inhaltsbasierter und kollaborativer Filterung

Abgelegt in Informatik Projektthemen, Aktuelle Projekte by im September 22, 2020
ADS! Erhalten Sie beim Aspire-Wettbewerb 300,000 bis zu 2020 N Bargeld

Ein hybridisiertes Empfehlungssystem für Filmdaten mit inhaltsbasierter und kollaborativer Filterung.

ABSTRACT

In jüngster Zeit hat das Wachstum der im Internet verfügbaren Informationen zu großen Datenmengen und einer Zunahme der Online-Nutzer geführt. Das Empfehlungssystem wurde eingesetzt, um Benutzern die Möglichkeit zu geben, fundierte und genaue Entscheidungen aus der Fülle von Informationen zu treffen. In dieser Studie schlagen wir eine hybride Empfehlungs-Engine vor, die inhaltsbasierte und kollaborative Filterempfehlungen kombiniert.

Damit soll untersucht werden, wie die Vorhersagegenauigkeit in vorhandenen kollaborativen Filter-Frameworks verbessert werden kann. Wir untersuchen, ob ein Empfehlungssystem, das inhaltsbasierte und kollaborative Filterung kombiniert, ein Mahout Framework verwendet und auf Hadoop basiert, die Empfehlungsgenauigkeit verbessert und auch Skalierbarkeitsprobleme verringert, die derzeit bei der Verarbeitung großer Datenmengen auftreten, um Benutzern Elemente zu empfehlen.

Wir haben die Hybridtechnik zur Funktionserweiterung verwendet, bei der die Ausgabe der inhaltsbasierten Empfehlung als Eingabe für die kollaborative Filterung verwendet wird. Das sehr bekannt MovieLens Die Daten wurden mit der Internet Movie Database (IMDB) abgeglichen, um Benutzer- und Artikelinhaltsfunktionen zu extrahieren. Die aus der Integration beider Datenbanken generierten Eingabedateien wurden in Textdateien konvertiert, die als Eingabe in das Collaborative Filtering Framework in Mahout dienen.

INHALTSVERZEICHNIS

ZERTIFIZIERUNG ……………………………………………………………………………………………… ii
ZUSAMMENFASSUNG …………………………………………………………………………………………………………… .iii
ANERKENNUNG …………………………………………………………………………………… .. iv
WIDMUNG……………………………………………………………………………………………………. v
INHALTSVERZEICHNIS …………………………………………………………………………………… vi
ABKÜRZUNGSVERZEICHNIS ……………………………………………………………………………… .. ix
ABBILDUNGSVERZEICHNIS ……………………………………………………………………………………………. x
TABELLENLISTE ……………………………………………………………………………………………… .. xi

KAPITEL 1 …………………………………………………………………………………………………………… XNUMX
EINFÜHRUNG………………………………………………………………………………………………. 1
1.1 HINTERGRUND DER STUDIE ……………………………………………………………. 1
1.2 PROBLEMSTELLUNG ……………………………………………………………………… .. 2
1.3 ZIEL UND ZIELE …………………………………………………………………………. 3
1.4 BEDEUTUNG DER STUDIE ………………………………………………………… .. 4
1.6 ÜBERSICHT ……………………………………………………………………………………………………… .. 4

LITERATURÜBERPRÜFUNG …………………………………………………………………………………… 5
2.1 ABRUF UND FILTERUNG VON INFORMATIONEN …………………………………… 5
2.2 EMPFEHLUNGSSYSTEMTYPEN UND -TECHNIKEN …………………… 6
2.2.1 EINRICHTUNGEN IN EMPFEHLUNGSSYSTEMEN …………………………………… .. 6
2.2.2 ZUSAMMENARBEITENDE FILTERUNG (CF) …………………………………………………… .. 9
2.2.3 INHALTSBASIERTE EMPFEHLUNG (CBR) ……………………………… 10
2.2.3.1 STÄRKE UND SCHWÄCHE VON INHALTSBASIERTEN
EMPFEHLUNG …………………………………………………………………………………… .. 10
2.2.4 EMPFEHLUNG UND ANSATZ VON HYBRIDEN ……………………………… 12
2.2.4.1 MÖGLICHE KOMBINATION DER HYBRID-EMPFEHLUNG ……… .. 13
2.3 APACHE MAHOUT ………………………………………………………………………………. 14
2.3.1 ENTWICKLUNG EINES EINFACHEN EMPFEHLERS MIT MAHOUT
BIBLIOTHEK ……………………………………………………………………………………………………………… 16
2.4 HADOOP ……………………………………………………………………………………………… .. 17
2.5 VERWANDTE ARBEITEN ………………………………………………………………………………… 17

KAPITEL DREI ………………………………………………………………………………………… .. 20
FORSCHUNGSMETHODIK ………………………………………………………………………. 20
3.1 EINLEITUNG …………………………………………………………………………………… .. 20
3.2 METHODIK ……………………………………………………………………………………. 20
3.3 INHALTSBASIERTE EMPFEHLUNG …………………………………………. 22
3.4 ZUSAMMENARBEITENDE FILTERUNG MIT MAHOUT …………………………… .. 24
3.5 RECAP …………………………………………………………………………………………………………… 25

KAPITEL VIER ……………………………………………………………………………………………… .. 26
UMSETZUNG, ERGEBNISSE, PRÄSENTATION UND DISKUSSION ……… .. 26
4.1 ÜBERBLICK ÜBER DEN UMSETZUNGSANSATZ ………………… .. 26
4.2 EXTRAKTION VON IMDB-DATEN ……………………………………………………………. 26
4.2.1 SOFTWARE-WERKZEUGE ……………………………………………………………………………… 26
4.2.1.1 SQLObject ……………………………………………………………………………………… .. 27
4.2.1.2 PSYCOPG ………………………………………………………………………………………… .. 27
4.2.1.3 POSTGRESQL ………………………………………………………………………………… 27
4.3 EXTRAKTION VON MOVIELENS-DATEN ……………………………………………. 28
4.3.1 BEWERTUNGSINFORMATIONEN FÜR MOVIELEN ……………………………………………. 28
4.3.2 MOVIELENS-ARTIKELINFORMATIONEN ………………………………………………… .. 29
4.3.3 BENUTZERMERKMALE VON MOVIELENS EXTRAKTIEREN ……………………………… .. 30
4.4 EINZELTEILEIGENSCHAFTEN EXTRAKTION UND KOMBINATION ………………… .. 31
4.5 UMSETZUNG DES EMPFEHLERMOTORS DURCH APACHE
MAHOUT …………………………………………………………………………………………………………………… 32
4.5.1 CLOUDERA ……………………………………………………………………………………………… 33
4.5.2 APACHE MAVEN ………………………………………………………………………………… .. 33
4.6 MAHOUT-EMPFEHLERKOMPONENTEN - PARAMETER
OPTIMIERUNG …………………………………………………………………………………………………… 34
4.6.1 DATASET ……………………………………………………………………………………………………. 34
4.6.2 ÄHNLICHKEITSMETRIK UND NACHBARSCHAFTSKRITERIEN ………………. 35
4.7 SYSTEMBEWERTUNG ……………………………………………………………………… .. 38
4.7.1 LEISTUNGSMASSNAHMEN ………………………………………………………………… 38
4.7.2 EIGENSCHAFTEN DES BENUTZERINHALTS ……………………………………………………………… .. 39
4.7.3 EIGENSCHAFTEN DES ARTIKELINHALTS ………………………………………………………………. 41
4.7.4 VERGLEICH DER EIGENSCHAFTEN DES BENUTZER- / ARTIKELINHALTS ……………………………. 43

KAPITEL FÜNF ……………………………………………………………………………………………… 45
ZUSAMMENFASSUNG UND SCHLUSSFOLGERUNGEN ……………………………………………………………… .. 45
5.1 ZUSAMMENFASSUNG ……………………………………………………………………………………………. 45
5.2 SCHLUSSFOLGERUNG ……………………………………………………………………………………… 45
5.3 EMPFEHLUNG UND ZUKÜNFTIGE ARBEITEN …………………………………… 46

VERWEISE…………………………………………………………………………………………………. 47

EINFÜHRUNG

Die Geschwindigkeit, mit der Informationen im Internet wachsen, hat zu großen Datenmengen und einer Zunahme der Online-Nutzer geführt. Diese enorme Datenexplosion hat Benutzer mit großen Informationsmengen überflutet und stellt daher eine große Herausforderung hinsichtlich der Informationsüberflutung dar. Dies hat es für Menschen sehr schwierig gemacht, solche Informationen manuell zu verarbeiten, und es ist für sie ziemlich schwierig, die richtigen Informationen zu finden.

Die Fähigkeit, fundierte und genaue Entscheidungen aus der Fülle von Informationen der Benutzer zu treffen, führt häufig zu immenser Verwirrung. Große Internetunternehmen wie Amazon, Google und Facebook hatten Schwierigkeiten, diese Explosion von Informationen zu bewältigen. Empfehlungssysteme wurden eingesetzt, um dieses Problem auf intelligente Weise zu transformieren.

Die enorme Zunahme von Online-Daten und Nutzern führte zu einer Zunahme von Big Data. Die Big Data-Welt hat dem Empfehlungssystem die größte Aufmerksamkeit gewidmet. Big Data hat die Fähigkeit verbessert, Empfehlungen in großem Umfang abzugeben. Es hat das Empfehlungssystem für die Benutzer wichtiger gemacht, da es aus riesigen Informationsmengen die richtige Information vorhersagt.

Das System ist eine bestimmte Form der Informationsfilterung, die ausgenutzt wird Benutzer frühere Verhaltensweisen oder das Verhalten ähnlicher Benutzer, um eine Liste von Informationselementen zu erstellen, die persönlich auf die Vorlieben eines Endbenutzers zugeschnitten ist. Gegenwärtig werden im E-Commerce Empfehlungssysteme (Recommendation Systems, RSs) häufig für Informationsfilterprozesse verwendet, um personalisierte Informationen bereitzustellen, indem die Präferenzen der Benutzer für bestimmte Elemente vorhergesagt werden.

REFERENZEN

G. Adomavicius und A. Tuzhilin, „Auf dem Weg zur nächsten Generation von Empfehlern
Systeme: Ein Überblick über den Stand der Technik und mögliche Erweiterungen “, IEEE Trans. auf
Knowledge and Data Engineering, vol. 17, S. 734-749, Juni 2005.

D. Goldberg, D. Nichols, BM Oki und D. Terry, „Using Collaborative Filtering to
Weben Sie einen Informationsteppich “, Communication of the ACM, vol. 35, S. 61-70, 1992.

B. Miller, I. Albert, S. Lam, J. Konstan und J. Riedl, „MovieLens Unplugged:
Erfahrungen mit einem gelegentlich verbundenen Empfehlungssystem “in Proc. ACM 2003
Internationale Konferenz über intelligente Benutzeroberflächen, ACM, 2003, S. 263-266.

R. Burke, "Hybrid Recommender Systems: Umfrage und Experimente", Benutzermodellierung
und User-Adapted Interaction, vol. 12, S. 331–370, 2002.

M. Balabanovic und Y. Shoham, „Fab: Content-Based, Collaborative
Empfehlung “, Comm. ACM, vol. 40, S. 66-72, März 1997.

JS Breese, D. Heckerman und C. Kadie, „Empirical Analysis of Predictive
Algorithmen für die kollaborative Filterung “in Proc. 14. Conf. Unsicherheit in künstlichen
Intelligence (UAI-98), Morgan Kaufmann, Madison, WI, 1998, S. 43-52.

LH Ungar und DP Foster, "Clustering Methods for Collaborative Filtering", in
Proc. Workshop zu Empfehlungssystemen, Artikel von 1998 Workshop, Technisch
Bericht WS-98-08, 1998.

CSN-Team.

Geben sie ihre E-Mailadresse ein:

Zugestellt von TMLT NIGERIA

Treten Sie jetzt mehr als 3,500 Lesern online bei!


=> FOLGE UNS AUF Instagram | FACEBOOK & TWITTER FÜR AKTUELLE UPDATES

ADS: FALSCHE DIABETES IN NUR 60 TAGEN! - BESTELLE DEINEN HIER

COPYRIGHT WARNUNG! Die Inhalte dieser Website dürfen weder ganz noch teilweise ohne Genehmigung oder Bestätigung erneut veröffentlicht, vervielfältigt oder weitergegeben werden. Alle Inhalte sind durch DMCA geschützt.
Der Inhalt dieser Website wird mit guten Absichten gepostet. Wenn Sie Eigentümer dieses Inhalts sind und glauben, dass Ihr Urheberrecht verletzt oder verletzt wurde, kontaktieren Sie uns bitte unter [[Email protected]], um eine Beschwerde einzureichen, und es werden unverzüglich Maßnahmen ergriffen.

Tags: , , ,

Kommentarfunktion ist abgeschaltet.