Recommender systems – Apoorv Kala

Anotace:

Tato práce provádí kvantitativní srovnání mezi expertními systémy využívajícími fuzzy logiku a tradičními doporučovacími systémy pro doporučování filmů se zaměřením na zachycení široké škály trendů lidských spotřebitelů. Tradiční doporučovací systémy, charakteristické svým deterministickým přístupem k uživatelským preferencím, jsou v kontrastu s fuzzy-expertními systémy, které nabízejí jemnější reprezentaci uživatelských preferencí prostřednictvím lingvistických proměnných a následné fuzzy inference. Realizovaný výzkum zahrnuje komplexní metodologii, která systematicky vyhodnocuje a porovnává výkon obou typů systémů pomocí různých metrik, včetně přesnosti doporučení, relevance, rozmanitosti a spokojenosti uživatelů. K trénování a vyhodnocování systémů se používá rozsáhlá datová sada obsahující interakce uživatelů, atributy filmu a kontextové informace. Zejména návrh nastavení pro fuzzy-expertní systém zahrnuje širokou škálu lidských spotřebitelských trendů a zachycuje nejasnou a nejistou povahu uživatelských preferencí efektivněji než tradiční systémy doporučování. Tento přístup umožňuje komplexnější pochopení uživatelského chování a preferencí a umožňuje fuzzy-expertnímu systému generovat kontextově relevantnější a personalizovaná doporučení filmů. Prostřednictvím rozsáhlého experimentování si tento výzkum klade za cíl poskytnout cenné poznatky o relativních výhodách fuzzy-expertních systémů oproti tradičním doporučovacím systémům v oblasti doporučování filmů. Zjištění této práce přispívají k lepšímu porozumění návrhu systému doporučování a informují o vývoji efektivnějších a na uživatele zaměřených platforem pro doporučování filmů. …víceméně

Abstract:

This study conducts a quantitative comparison between fuzzy logic expert systems and traditional recommender systems for movie recommendations, with a focus on capturing a wide variety of human consumer trends. Traditional recommender systems, characterized by their deterministic approach to user preferences, are contrasted with fuzzy logic expert systems, which offer a more nuanced representation of user preferences through fuzzy inference and linguistic variables. The research design encompasses a comprehensive methodology that systematically evaluates and compares the performance of both types of systems across various metrics, including recommendation accuracy, relevance, diversity, and user satisfaction. A diverse dataset comprising user interactions, movie attributes, and contextual information is utilized to train and evaluate the systems. In particular, the setup design for the fuzzy logic expert system encompasses a wide variety of human consumer trends, capturing the fuzzy and uncertain nature of user preferences more effectively than traditional recommender systems. This approach allows for a more comprehensive understanding of user behavior and preferences, enabling the fuzzy logic system to generate more contextually relevant and personalized movie recommendations. Through rigorous experimentation, this research aims to provide valuable insights into the relative advantages of fuzzy logic expert systems over traditional recommender systems in the domain of movie recommendations. The findings of this study contribute to advancing our understanding of recommendation system design and inform the development of more effective and user-centric movie recommendation platforms. …víceméně