Movie Recommendation Using Hybrid Method

Abstract

Recommendation systems are a tool that facilitates decision making during a process of information searching and retrieval. It relies on information of user preference and user behavior in order to recommend the useful information. There are 3 main types of recommendation system, in general. This includes Content Based Filtering (CBF), Collaborative Filtering (CF) and Hybrid Filtering (HF). However, the recommendation system still has problems for new users and new items. This research proposes a new hybrid method to develop the conceptual framework of recommendation system that deals with new user and new movie data. The data used in the research consists of a data from MovieLens and the Internet Movie Database (IMDB). The data from MovieLens contains 100,000 ratings from 943 users on 1,682 movies. As for the IMDB, the data includes information of actors, actresses and directors of the movies. In this work, a hybrid recommendation system with a combination of CBF and CF is introduced. Pre-filtering the data is performed by finding an optimal number of clusters in order to obtain optimal cluster centers. This is done by calculating the total within cluster sum of square. Then the Fuzzy C-mean is implemented in order to reduce the complexity of data and increase the relevance of the user-item ratings. Then the similarity is calculated by using Item Based method. Finally, the K-Nearest Neighbors (KNN) and weight sum of the rating is applied in order to recommend the movies. The performance is measured with precision and Mean Absolute Error (MAE). The research found that for new user data the precision is at 85 percent and MAE value 2.1011. For new item data, the result of research obtains the precision at 87 percent and MAE value 2.0031. In conclusion, the new hybrid method developed can recommendation movie efficiently.

ระบบแนะนำข้อมูล เป็นเครื่องมือช่วยอำนวยความสะดวกในการตัดสินใจในการค้นหาและค้นคืนข้อมูลเป็นการอาศัยข้อมูลพฤติกรรมความชอบของผู้ใช้ในการช่วยพยากรณ์แนะนำข้อมูล ระบบแนะนำข้อมูลมี 3 ประเภท ได้แก่ วิธีการคัดกรองข้อมูลแบบอิงเนื้อหา วิธีการคัดกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วมและวิธีการแบบผสมผสาน ซึ่งระบบแนะนำข้อมูลยังมีปัญหาผู้ใช้ใหม่และสินค้าใหม่ งานวิจัยนี้เสนอวิธีการแบบผสมผสานแบบใหม่เพื่อพัฒนากรอบความคิดในการแนะนำภาพยนตร์ด้วยวิธีการผสมผสานที่เกี่ยวข้องกับผู้ใช้ใหม่และข้อมูลภาพยนตร์ใหม่ ข้อมูลที่ใช้ในการทดลองวิจัยประกอบด้วยฐานข้อมูลมูฟวี่เลนส์ (MovieLens) และฐานข้อมูลดิอินเทอร์เน็ตมูวีเดตาเบส (The Internet Movie Database : IMDB) โดยฐานข้อมูล MovieLens เป็นชุดข้อมูลประกอบด้วยข้อมูลจำนวน 100,000 เร็คคอร์ด ผู้ใช้งาน จำนวน 943 คน และภาพยนตร์ จำนวน 1,682 เรื่อง ส่วนฐานข้อมูล IMDB ข้อมูลที่นำมาใช้ประกอบด้วย ข้อมูลนักแสดงชาย นักแสดงหญิง และผู้กำกับ วิธีการดำเนินการวิจัย ด้วยวิธีการแบบผสมผสานแบบรวมคุณลักษณะ จากการคัดกรองข้อมูลแบบอิงเนื้อหา และการคัดกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม ลำดับแรก เป็นการเตรียมข้อมูลจากการประมาณค่ากลุ่ม เป็นการคำนวนผลรวมทั้งหมดภายในกลุ่มยกกำลังสองเพื่อให้ได้การจัดกลุ่มที่ดีที่สุด การจัดกลุ่มแบบฟัซซี่ซีมีนเพื่อลดความซับซ้อนของข้อมูลและเพิ่มความเกี่ยวข้องของค่าคะแนนของผู้ใช้กับภาพยนตร์ และการหาค่าความใกล้เคียงด้วยวิธีการ Item based การประมวลผลการแนะนำข้อมูลเป็นการหาค่าเพื่อนบ้านที่ใกล้ที่สุดและรวมน้ำหนัก วัดประสิทธิภาพด้วยค่าความแม่นยำ (Precision) และค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย (Mean Absolute Error : MAE) ผลการวิจัยพบว่า การแก้ปัญหาผู้ใช้ใหม่ ประสิทธิภาพของค่าความแม่นยำร้อยละ 85 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 2.1011 และการแก้ปัญหาข้อมูลใหม่ ประสิทธิภาพของค่าความแม่นยำร้อยละ 87 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 2.0031 โดยสรุป วิธีการแบบผสมผสานที่พัฒนาขึ้น สามารถแนะนำข้อมูลภาพยนตร์ได้อย่างมีประสิทธิภาพ