Hybrid movie recommendation system using a log likelihood content comparison approach and collaborative filtering user analysis

ระบบแนะนำภาพยนต์แบบผสมโดยการเปรียบเทียบเนื้อหาด้วยล็อกภาวะน่าจะเป็นและการวิเคราะห์ผู้ใช้ด้วยการกรองแบบร่วมกัน

Name: Yang, Yongmao

ThaSH: Information display systems)

ThaSH: Algorithms

ThaSH: Computer algorithms

ThaSH: Motion pictures

Abstract: Recommendation systems assist users in filtering qualified data from vast datasets. And the recommendation algorithm based on content and collaborative filtering has been widely used in the current recommendation field. The content-based filtering approach is prone to the sparsity and the recommendation result is single and lacks innovation, while the collaborative filtering algorithm reduces the recommendation accuracy due to the sparsity problem. To overcome the weaknesses of these, most research proposed hybrid systems, where the sparse rating matrix is decomposed into a product of two low-dimension matrices to mitigate the sparsity issue. Unfortunately, the decomposition causes an information loss, which incurs error. we proposed three hybrid recommendation system for mitigating these problems, which include Hybrid Movie Recommendation System with User Partitioning and Log Likelihood Content Comparison, Hybrid Movie Recommendation System with Content-Based and Memory-Based Collaborative Filtering based on Deep Neural Network, and Hybrid Movie Recommendation System with Content-Based and Memory-Based Collaborative Filtering Using Similarity Graph.In Hybrid Movie Recommendation System with User Partitioning and Log Likelihood Content Comparison section, we proposed a novel hybrid recommendation system to solve cold-start and sparsity problems as well as compensating information loss to mitigate the error. The sparse rating matrix is decomposed by alternating least squares (ALS) into hidden user feature vectors and hidden movie feature vectors. We use users' age, gender and movie genre preference information to mitigate the cold-start issue in the hidden user feature vectors. Also, we replace the term frequency-inverse document frequency (TF-IDF) with log-likelihood in word weighting to mitigate the cold-start issue in the hidden movie feature vectors. Compared with the conventional (ALS) matrix factorization algorithm, our proposed hybrid system obviously gives less Root mean square error (RMSE).In Hybrid Movie Recommendation System with Content-Based and Memory-Based Collaborative Filtering based on Deep Neural Network section, we propose a movie recommendation system based on deep neural networks and user vocabulary preference features to alleviate cold start and sparsity issues, reduce prediction errors, and improve recommendation efficiency. We evaluate our model using hit rate (HR) and average reciprocal hit rank (ARHR) as indicators, achieving an HR of 0.76 and an ARHR of 0.38. The robustness of our model is demonstrated through comparisons with other studies.In Hybrid Movie Recommendation System with Content-Based and Memory-Based Collaborative Filtering Using Similarity Graph section, we propose a movie recommendation system based on the knowledge graph and a mixture of content-based and collaborative filtering, which will wander the path of the knowledge graph and calculate the recommendation index of movies to users in each path. We get the recommended list of the top N movies by sorting and calculating the Hit Rate and Average Reciprocal Hit Rank. The results show that the proposed recommendation model has good recommendation efficiency, where the best Hit rate and Average Reciprocal Hit Rank are 0.74 and 0.44

Abstract: ระบบแนะนำช่วยผู้ใช้งานกรองข้อมูลที่เหมาะสมจากชุดข้อมูลขนาดใหญ่ โดยอัลกอริธึมการแนะนำที่อิงตามเนื้อหา และการกรองแบบร่วมมือได้รับการใช้งานอย่างแพร่หลายในปัจจุบัน อย่างไรก็ตาม วิธีการกรองตามเนื้อหามักเผชิญกับปัญหาความเบาบางของข้อมูล ซึ่งทำให้ผลการแนะนำมีความซ้ำซากและขาดนวัตกรรม ขณะที่อัลกอริธึมการกรองแบบร่วมมือมีความแม่นยำลดลงเนื่องจากปัญหาความเบาบางดังกล่าว เพื่อแก้ไขข้อด้อยเหล่านี้ งานวิจัยส่วนใหญ่เสนอระบบไฮบริด ซึ่งใช้การแยกเมทริกซ์คะแนนที่เบาบางออกเป็นผลคูณของเมทริกซ์สองมิติที่มีขนาดต่ำกว่าเพื่อแก้ปัญหาความเบาบาง อย่างไรก็ตาม การแยกเมทริกซ์นี้อาจทำให้ข้อมูลสูญหายและเกิดข้อผิดพลาด เราได้เสนอระบบแนะนำแบบไฮบริด 3 ระบบเพื่อแก้ไขปัญหาเหล่านี้ ได้แก่ ระบบแนะนำภาพยนตร์แบบไฮบริดที่ใช้การแบ่งกลุ่มผู้ใช้งานและการเปรียบเทียบเนื้อหาโดยอาศัยค่าความน่าจะเป็นเชิงลอการิทึม ระบบแนะนำภาพยนตร์แบบไฮบริดที่ผสานการกรองตามเนื้อหาและการกรองแบบร่วมมือโดยอิงกับเครือข่ายประสาทเทียมเชิงลึก และระบบแนะนำภาพยนตร์แบบไฮบริดที่ผสานการกรองตามเนื้อหาและการกรองแบบร่วมมือโดยใช้กราฟความเหมือนในส่วนของระบบแนะนำภาพยนตร์แบบไฮบริดที่ใช้การแบ่งกลุ่มผู้ใช้งานและการเปรียบเทียบเนื้อหาโดยอาศัยค่าความน่าจะเป็นเชิงลอการิทึม เราได้เสนอระบบแนะนำแบบไฮบริดใหม่ที่แก้ปัญหาความเบาบางและปัญหาเริ่มต้น รวมถึงชดเชยการสูญเสียข้อมูลเพื่อบรรเทาความผิดพลาด โดยเมทริกซ์คะแนนที่เบาบางถูกแยกด้วยวิธีการกำลังสองที่น้อยที่สุดแบบสลับกัน ให้เป็นเวกเตอร์คุณลักษณะผู้ใช้และเวกเตอร์คุณลักษณะภาพยนตร์ที่ซ่อนอยู่ เราใช้ข้อมูลอายุ เพศ และความชื่นชอบในประเภทของภาพยนตร์ของผู้ใช้งานเพื่อบรรเทาปัญหาเริ่มต้นในเวกเตอร์คุณลักษณะผู้ใช้ นอกจากนี้ เราแทนที่การคำนวณน้ำหนักคำแบบทีเอฟ-ไอดีเอฟ ด้วยค่าความน่าจะเป็นเชิงลอการิทึมเพื่อลดปัญหาเริ่มต้นในเวกเตอร์คุณลักษณะภาพยนตร์ เมื่อเปรียบเทียบกับอัลกอริธึมการแยกเมทริกซ์ด้วยวิธีการกำลังสองที่น้อยที่สุดแบบสลับกันกำลังสองที่น้อยที่สุดแบบสลับกันแบบเดิม ระบบที่เราเสนอลดค่ารากที่สองของผิดพลาดยกกำลังสองเฉลี่ย ได้อย่างชัดเจนในส่วนของระบบแนะนำภาพยนตร์แบบไฮบริดที่ผสานการกรองตามเนื้อหาและการกรองแบบร่วมมือโดยอิงกับเครือข่ายประสาทเทียมเชิงลึก เราได้เสนอระบบแนะนำภาพยนตร์ที่ใช้เครือข่ายประสาทเทียมเชิงลึกและคุณลักษณะด้านความชื่นชอบในคำศัพท์ของผู้ใช้เพื่อลดปัญหาความเบาบางและปัญหาเริ่มต้น รวมถึงลดข้อผิดพลาดในการคาดการณ์และเพิ่มประสิทธิภาพการแนะนำ เราประเมินโมเดลโดยใช้ตัวชี้วัดเอชอาร์ และเออาร์เอชอาร์ โดยได้ค่าประเมินเอชอาร์ที่ 0.76 และเออาร์เอชอาร์ที่ 0.38 แบบจำลองที่เสนอจึงมีสมรรถนะที่ดีกว่างานวิจัยอื่น ๆในส่วนของระบบแนะนำภาพยนตร์แบบไฮบริดที่ผสานการกรองตามเนื้อหาและการกรองแบบร่วมมือโดยใช้กราฟความเหมือน เราเสนอระบบแนะนำภาพยนตร์ที่ใช้ความรู้จากกราฟและการผสมผสานการกรองตามเนื้อหาและการกรองแบบร่วมมือ โดยระบบจะสำรวจเส้นทางในกราฟความรู้และคำนวณดัชนีการแนะนำภาพยนตร์สำหรับผู้ใช้งานในแต่ละเส้นทาง จากนั้นจะได้รายการภาพยนตร์ที่แนะนำโดยจัดอันดับจากเอชอาร์ และเออาร์เอชอาร์ ผลการทดลองแสดงให้เห็นว่าระบบที่เสนอนี้มีประสิทธิภาพดี โดยค่าที่ดีที่สุดของเอชอาร์ และเออาร์เอชอาร์ อยู่ที่ 0.74 และ 0.44 ตามลำดับ

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Kampol Woradit

Role: Advisor

Created: 2025

Modified: 2025-08-05

Issued: 2025-08-05

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Computer Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	630631130.pdf	3.12 MB

ใช้เวลา

0.017565 วินาที