Datu analīzes hibrīdas metodes, izmantojot filmu ieteikšanas sistēmas piemēru

Abstract

Pēdējos gados datu apjoms ļoti strauji un apjomīgi palielinājies. Par to liecina straujaā attīstība informācijas tehnoloģiju nozare kā Big Data. Tāpēc tuvākajā laikā uzdevums atrast interesējošo saturu no bezgalīga skaita iespējamo alternatīvu būs tik laikietilpīgs process, ka fiziski tas nebūs iespējams un prasīs automatizāciju. Ieteikumu sistēmas ir izstrādātas, lai atrisinātu šo problēmu, un tās arvien vairāk tiek izmantotas, piemēram, izvēloties jaunus pakalpojumus, kā piemēram dziesmu atskaņošanas sarakstam, preci interneta veikalā vai filmu. Bakalaura darba izpētes objekts ir ieteikumu sistēma, kuras uzdevums ir izpētīt lietotāja gaumi, analizējot viņa rīcību, vērtējumus un/vai personas datus un izdodot viņam potenciāli interesantu saturu. Pētījuma priekšmets ir hibrīda metodes izmantošana, izstrādājot ieteikumu sistēmu filmām. Darba mērķis ir izveidot filmu ieteikumu sistēmu, kuras pamatā ir hibrīda datu analīzes metodes, izmantojot Pīrsona koeficientu un Sorensena koeficientu, kurš agrāk nekur nebija pieminēts filmu ieteikumu sistēmas nolūkos. Izstrādāto sistēmu var izmantot tīmekļa vietnē, mobilajā lietojumprogrammā vai citos resursos.

The amount of data has been growing very rapidly and voluminously in recent years. This is evidenced by the rapid development of the information technology industry as Big Data. Therefore, in the near future, the task of finding the content of interest from an infinite number of possible alternatives will be such a time-consuming process that it will not be physically possible and will require automation. Referral systems are designed to solve this problem and are increasingly used, for example, when choosing a new song for a playlist, an item in an online store, or a movie. The object of research in this work is a system of recommendations, the task of which is to study the user's tastes by analyzing his actions, evaluations and / or personal data and publishing potentially interesting content. The subject of the research is the use of the hybrid method in developing a recommendation system for films. The job aims to create a film-recommendation system based on hybrid data-analysis methods using the Pearson coefficient and the Sorensen coefficient, which had not previously been mentioned anywhere for the purposes of the film recommendation system. The developed system can be used on a website, mobile application, or other resources.