Ostvarenje sustava preporučivanja koristeći algoritam matrične faktorizacije

diplomski rad

• Naslov (engleski): Recommendation Systems Implementation Using Matrix Factorization Algorithm
• Autor: Fran Vrankić
• Mentor: Klemo Vladimir (mentor)
• Član povjerenstva: Klemo Vladimir (predsjednik povjerenstva)
• Član povjerenstva: Goran Delač (član povjerenstva)
• Član povjerenstva: Marin Šilić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2025-02-26, Hrvatska

Sažetak

Ovaj rad proučava sustave preporučivanja, od njihovih varijanti i metoda do primjene i izazova s kojima se suočavaju. Objašnjeno je filtriranje sadržaja preko implicitnih povratnih informacija korisnika i suradničko filtriranje s pomoću eksplicitnih ocjena korisnika. Poseban je naglasak stavljen na algoritme matrične faktorizacije kao napredniju metodu koja daje kvalitetnije preporuke s većom pouzdanošću. U praktičnom dijelu rada implementiran je sustav preporučivanja koristeći osnovne metode... Više suradničkog filtriranja i sustav koji koristi matričnu faktorizaciju. Sustavi su testirani nad skupom podataka "MovieLens", a rezultati uspoređeni s referentnom "Python" knjižnicom "Surprise". Rezultati su zadovoljavajući i pokazuju superiornost matrične faktorizacije nad običnim metodama filtracije preporuka. Rad potvrđuje važnost matrične faktorizacije u suvremenim sustavima preporučivanja te ukazuje na moguća poboljšanja (naprednije metode matrične faktorizacije). Sakrij dio sažetka

Sažetak (engleski)

This paper examines recommender systems, covering their variations, methods, applications, and the challenges they face. Content filtering based on users' implicit feedback and collaborative filtering using explicit user ratings are explained. Special emphasis is placed on matrix factorization algorithms as a more advanced method that provides higher-quality recommendations with greater reliability. In the practical part of the paper, a recommender system was implemented using basic... Više collaborative filtering methods, along with a system utilizing matrix factorization. The systems were tested on the "MovieLens" dataset, and the results were compared with the reference "Python" library "Surprise". The results are satisfactory and demonstrate the superiority of matrix factorization over standard recommendation filtering methods. The paper confirms the importance of matrix factorization in modern recommender systems and highlights potential improvements (more advanced matrix factorization methods). Sakrij dio sažetka

• Ključne riječi: sustav preporučivanja; suradničko filtriranje; matrična faktorizacija; MovieLens; Surprise
• Ključne riječi (engleski): Recommender System; Collaborative filtering; Matrix Factorization; MovieLens; Surprise
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:233206
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-03-12 11:20:09