Afprøvning af näive bayesiansk netværk til estimering af filmbedømmelser i movieLens datasettet
Forfatter
Lassen, Niels Klitgaard
Semester
10. semester
Udgivelsesår
2009
Abstract
Denne rapport undersøger kollaborativ filtrering, som bruges til at anbefale indhold ved at finde mønstre i, hvad lignende brugere kan lide. Vi sammenligner en hukommelsesbaseret metode, der bruger de eksisterende data direkte, med en modelbaseret metode, der først lærer en model til at forudsige anbefalinger. Formålet var gennem et praktisk forsøg at se, om den modelbaserede tilgang kunne overgå den hukommelsesbaserede. Rapporten giver en kort introduktion til teorien bag begge metoder og gennemgår det overordnede programdesign i den egenudviklede kode. Resultaterne viser, at den hukommelsesbaserede metode gav de mest præcise anbefalinger, mens den modelbaserede metode – som forventet – klarede sig langt bedre på performance (hastighed/effektivitet).
This report examines collaborative filtering, a technique used to recommend content by finding patterns in what similar users like. We compare a memory-based method, which relies directly on existing data, with a model-based method, which first learns a model to make predictions. The aim was to test, through a practical experiment, whether the model-based approach could outperform the memory-based one. The report briefly introduces the theory behind both methods and outlines the overall program design of the custom code. The results show that the memory-based method produced the most accurate recommendations, while the model-based method—as expected—performed much better in terms of performance (speed/efficiency).
[Dette resumé er genereret ved hjælp af AI]