Movie recommender system combine deep matrix factorization and content-based filtering
Abstract
Nowadays, content providers want to attract the maximum number of users by introducing content that users want according to personal preferences, so recommendation systems are always a key target interested in. In this paper we propose a hybrid system to enhance recommendation performance. First, we create the TF-IDF matrix from the user reviews and the content of the movie that forms the input matrix. Then, the hidden vectors are generated using embedding layers. These vectors carrying the characteristics of the user and the movie will pass through the concatenate layer and enter the MLP (Multi Layer Perceptron) network system with H hidden layers. Then we use a deep learning model to find relationships between users and items. Finally, we use RMSE and MAE measures to evaluate the effectiveness of the model. Experimental results show that the model achieves 0.9247 RMSE, 0.7047MAE with the Netflix Prize data set and 0.9823 RMSE, 0.7552 MAE with the Movie Lens data set.
Tóm tắt
Ngày nay các nhà cung cấp nội dung đang muốn thu hút số lượng người dùng một cách tối đa bằng cách giới thiệu nội dung mà người dùng mong muốn theo sở thích cá nhân chính vì thế hệ thống gợi ý luôn là đối tượng trọng điểm được quan tâm đến. Trong bài báo này chúng tôi đề xuất một hệ thống kết hợp nhằm tăng cường hiệu suất gợi ý. Đầu tiên, chúng tôi tạo ma trận TF-IDF từ những đánh giá của người dùng và nội dung của bộ phim tạo nên ma trận đầu vào. Sau đó, các vector tiềm ẩn được tạo ra bằng các lớp nhúng. Các vector mang đặc trưng của người dùng và phim này sẽ qua lớp nối và đi vào hệ thống mạng MLP (Multi Layer Perceptron) với H lớp ẩn. Sau đó chúng tôi sử dụng mô hình học sâu để tìm mối liên hệ giữa người dùng và sản phẩm. Cuối cùng chúng tôi sử dụng độ đo RMSE và MAE để đánh giá mức độ hiệu quả của mô hình. Kết quả thực nghiệm cho thấy mô hình đạt 0.9247 RMSE, 0.7047MAE với tập dữ liệu Netflix Prize và 0.9823 RMSE, 0.7552 MAE với tập dữ liệu Movie Lens.
References
[1] N. T. Nghe, "Nghiên cứu và ứng dụng công nghệ thông tin ở Đồng bằng sông Cửu Long," vol. Chương 2, no. Nhà xuất bản Đại học Cần Thơ, pp. 21-47, 2016.
[2] Mirza Ilhami,Suharjito, "Film Recommendation Systems using Matrix Factorization and Collaborative Filtering," no. 2014 International Conference on Information Technology, pp. 24-27, 2014.
[3] X. He, H. Zhang, M. Kan, and T. Chua, "Fast matrix factorization for online recommendation with implicit feedback," no. SIGIR, p. 549–558, 2016.
[4] R. Burke, "Hybrid Web Recommender Systems," no. School of Computer Science, Telecommunications and Information Systems, p. 377 – 408, 2007.
[5] Xiaoyuan Su,Taghi M. Khoshgoftaar, "A survey of collaborative filtering techniques," 2009.
[6] SHUAI ZHANG, LINA YAO, AIXIN SUN, YI TAY, "Deep learning based recommender system: A Survey and New Perspectives," no. ACM Comput. Surv, 2019.
[7] Amir Albadvi, Mohammad Shahbazi, "A hybrid recommendation technique based on product category attributes," no. Expert Systems with Applications 36, pp. 11480-11488, 2009.
[8] Muhammet C¸ akır, S¸ule G¨und¨uz O˘g¨ud¨uc¨u ¨, Resul Tugay, "A Deep Hybrid Model for Recommendation Systems," Computer Engineering Department, no. Istanbul Technical University, 2020.
[9] Kalyan Kumar Jena 1 , Sourav Kumar Bhoi 1 , Soumya Ranjan Jena , Chittaranjan Mallick , Raghvendra Kumar , Hoang Viet Long , Nguyen Thi Kim Son , "Neural model based collaborative filtering for movie recommendation system," International Journal of Information Technology , no. International Journal of Information Technology , 2022.
[10] Y. Koren, "The BellKor Solution to the Netflix Grand Prize," 2009.
[11] Tulasi K. Paradarami, Nathaniel D. Bastian, Jennifer L. Wightman, "A Hybrid Recommender System Using Artificial Neural Networks," vol. 83, no. Expert Systems with Applications, pp. 300-313, 2017.
