Ostvarenje sustava preporučivanja koristeći algoritam matrične faktorizacije

master's thesis

• Title (english): Recommendation Systems Implementation Using Matrix Factorization Algorithm
• Author: Lucija Bago
• Mentor: Klemo Vladimir (mentor)
• Committee member: Klemo Vladimir (predsjednik povjerenstva)
• Committee member: Marin Šilić (član povjerenstva)
• Committee member: Goran Delač (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2023-09-13, Croatia

Abstract

Sustavi preporučivanja imaju ključnu ulogu u današnjem digitalnom svijetu, olakšavajući korisnicima pristup raznim sadržajima, proizvodima i uslugama. Njihova svrha je pružiti personalizirane preporuke korisnicima na temelju različitih kriterija, kao što su njihove prethodne interakcije, afiniteti, stavovi ili sličnosti s drugim korisnicima. Upravo ih po tome možemo podijeliti na dvije osnovne vrste, a to su sustavi preporučivanja temeljeni na sadržaju i sustavi preporučivanja temeljeni na suradničkom filtriranju. Implementirani sustav preporučivanja je onaj temeljen na suradničkom filtriranju koji koristi ocjene korisnika za produkte kako bi pronašao slične korisnike i na temelju njihovih interakcija generirao nove preporuke. Metodom matrične faktorizacije, konkretno dekompozicijom matrice na singularne vrijednosti (SVD), modelirani su latentni faktori korisnika i produkata koji utječu na preciznost izrađenih preporuka te pospješuju personalizaciju postupka preporučivanja. Izgrađeni sustav vrjednovan je klasičnim metrikama validacije, a to su RMSE i MAE, te su uspoređene vrijednosti pojedine pogrješke za različite implementacije matrične faktorizacije.

Abstract (english)

Recommendation systems are crucial in today's digital world, facilitating users' access to various content, products, and services. Their purpose is to provide personalized recommendations to users based on multiple criteria, such as their previous interactions, preferences, opinions, or similarities with other users. We can categorize recommendation systems into two basic types: content-based recommendation systems and collaborative filtering recommendation systems. Collaborative filtering is the implemented recommendation system, which utilizes user ratings for products to find similar users and generate new recommendations based on their interactions. Through matrix factorization, specifically singular value decomposition (SVD), latent factors of users and products that influence the accuracy of the recommendations are modeled, enhancing the personalization of the recommendation process. Classic validation metrics, RMSE and MAE, were used to evaluate the built system and compare error values of matrix factorization implementations.

• Keywords: sustav preporučivanja; suradničko filtriranje; model-orijentirani sustavi preporučivanja; matrica korisnosti; matrična faktorizacija; latentni faktori; stohastički gradijentni spust; SVD; dekompozicija singularnih vrijednosti; Python Surprise
• Keywords (english): recommendation system; collaborative filtering; model-based recommendation systems; utility matrix; matrix factorization; latent factors; stochastic gradient descent; SVD; singular value decomposition; Python Surprise
• Language: croatian
• URN:NBN: urn:nbn:hr:168:040277
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-10-11 08:19:50