Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix

SÜTÇÜ, MUHAMMED; ERDEM, OĞUZKAN; KAYA, ECEM

Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix

Muhammed SÜTÇÜ, (Abdullah Gül Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, Kayseri, Türkiye)

Ecem KAYA, (Abdullah Gül Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme ve Ekonomi için Veri Bilimi Anabilim Dalı, Kayseri, Türkiye)

Oğuzkan ERDEM (Abdullah Gül Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme ve Ekonomi için Veri Bilimi Anabilim Dalı, Kayseri, Türkiye)

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi

2 1

Yıl: 2021 Cilt: 37 Sayı: 3 Sayfa Aralığı: 367 - 376 Metin Dili: İngilizce İndeks Tarihi: 22-05-2022

Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix

Öz:

User ratings on items like movies, songs, and shopping products are usedby Recommendation Systems (RS) to predict user preferences for items that havenot been rated. RS has been utilized to give suggestions to users in various domainsand one of the applications of RS is movie recommendation. In this domain, threegeneral algorithms are applied; Collaborative Filtering that provides predictionbased on similarities among users, Content-Based Filtering that is fed from therelation between item-user pairs and Hybrid Filtering one which combines thesetwo algorithms. In this paper, we discuss which methods are more efficient in movierecommendation in the framework of Collaborative Filtering. In our analysis, we useNetflix Prize dataset and compare well-known Collaborative Filtering methodswhich are Singular Value Decomposition, Singular Value Decomposition++, K Nearest Neighbour and Co-Clustering. The error of each method is calculated byusing Root Mean Square Error (RMSE). Finally, we conclude that K-NearestNeighbour method is more successful in our dataset.

Anahtar Kelime:

İşbirlikçi Filtreleme Temelinde Film Öneri Sistemleri: Netflix Üzerinde Bir VakaÇalışması

Öz:

Filmler, şarkılar ve alışveriş ürünleri gibi ögelerin kullanıcı değerlendirmeleriÖneri Sistemleri (ÖS) tarafından henüz değerlendirilmemiş ürünleri tahmin etmekiçin kullanılır. ÖS kullanıcılara çeşitli alanlarda öneri vermek için geliştirilmiştir veÖS uygulama alanlarından birisi de film önerisidir. Bu alanda üç genel algoritmakullanılmaktadır; kullanıcılar arası benzerliğe dayanarak tavsiye veren İşbirlikçiFiltreleme, kullanıcı-eşya eşleştirilmesindeki ilişkiden beslenen İçerik TabanlıFiltreleme ve bu iki algoritmayı birleştiren Hibrit Filtreleme. Bu çalışmamızdaİşbirlikçi Filtreleme çerçevesinde hangi metotların daha etkili çalıştığı incelenmiştir.Analizimizde Netflix Ödül veri seti kullanılmış ve iyi bilinen İşbirlikçi Filtrelememetotları olan Tekil Değer Ayrışımı, Tekil Değer Ayrışımı++, K En Yakın Komşu veEş Kümeleme kıyaslanmıştır. Her metodun hatası Ortalama Hata Kare Kökükullanılarak ölçülmüştür. Son olarak, K En Yakın Komşu metodunun veri setimizdedaha başarılı olduğu sonuçlanmıştır.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] W. Deng, R. Patil, L. Najjar, Y. Shi, and Z. Chen, “Incorporating Community Detection and Clustering Techniques into Collaborative Filtering Model,” Procedia Comput. Sci., vol. 31, pp. 66–74, 2014, doi: 10.1016/j.procs.2014.05.246.
[2] J. Bobadilla, F. Serradilla, and A. Hernando, “Collaborative filtering adapted to recommender systems of Elearning,” Knowledge-Based Syst., vol. 22, pp. 261–265, May 2009, doi: 10.1016/j.knosys.2009.01.008.
[3] I. Tobías, “Matrix factorization models for cross-domain recommendation: Addressing the cold start in collaborative filtering,” 2017.
[4] F. Şahin and C. Söylemez, “Güdülenmiş Tüketici Yenilikçiliğinin Dijital Medya Platformlarının Algılanan Tüketici Temelli Marka Değeri Ve Marka Tutumu Üzerine Etkisi: Covıd-19 Döneminde Netflıx Üzerine Bir İnceleme,” Erciyes Üniversitesi İktisadi ve İdari Bilim. Fakültesi Derg., vol. 58, pp. 301–332, 2021.
[5] B. Morgan, “How Amazon Has Reorganized Around Artificial Intelligence And Machine Learning.” https://www.forbes.com/sites/blakemorgan/2018/07/16/how-amazon-has-re-organized-aroundartificial-intelligence-and-machine-learning/?sh=704109107361. (Access date: 10.10.2021)
[6] T. Anwar and V. Uma, “Comparative study of recommender system approaches and movie recommendation using collaborative filtering,” Int. J. Syst. Assur. Eng. Manag., vol. 12, no. 3, pp. 426–436, 2021, doi: 10.1007/s13198-021-01087-x.
[7] Z. Wang, X. Yu, N. Feng, and Z. Wang, “An improved collaborative movie recommendation system using computational intelligence,” J. Vis. Lang. Comput., vol. 25, no. 6, pp. 667–675, 2014, doi: 10.1016/j.jvlc.2014.09.011.
[8] G. Adomavicius and A. Tuzhilin, “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions,” Knowl. Data Eng. IEEE Trans., vol. 17, pp. 734–749, Aug. 2005, doi: 10.1109/TKDE.2005.99.
[9] N. Yi, C. Li, X. Feng, and M. Shi, “Design and implementation of movie recommender system based on graph database,” Proc. - 2017 14th Web Inf. Syst. Appl. Conf. WISA 2017, vol. 2018-Janua, pp. 132–135, 2018, doi: 10.1109/WISA.2017.34.
[10] S. R. S. Reddy, S. Nalluri, S. Kunisetti, S. Ashok, and V. Bachu, “Content-Based Movie Recommendation System Using Genre Correlation: Proceedings of the Second International Conference on SCI 2018, Volume 2,” 2019, pp. 391–397.
[11] J. Son and S. B. Kim, “Content-based filtering for recommendation systems using multiattribute networks,” Expert Syst. Appl., vol. 89, pp. 404–412, 2017, doi: https://doi.org/10.1016/j.eswa.2017.08.008.
[12] Y. Wang, M. Wang, and W. Xu, “A Sentiment-Enhanced Hybrid Recommender System for Movie Recommendation: A Big Data Analytics Framework,” Wirel. Commun. Mob. Comput., vol. 2018, p. 8263704, 2018, doi: 10.1155/2018/8263704.
[13] K. N. Jain, V. Kumar, P. Kumar, and T. Choudhury, “Movie Recommendation System: Hybrid Information Filtering System,” in Intelligent Computing and Information and Communication, 2018, pp. 677–686.
[14] X. Li, W. Jiang, W. Chen, J. Wu, and G. Wang, “HAES: A New Hybrid Approach for Movie Recommendation with Elastic Serendipity,” Aug. 2019, pp. 1503–1512, doi: 10.1145/3357384.3357868.
[15] C. Christakou, S. Vrettos, and A. Stafylopatis, “A hybrid movie recommender system based on neural networks,” Int. J. Artif. Intell. Tools, vol. 16, no. 5, pp. 771–792, 2007, doi: 10.1142/S0218213007003540.
[16] R. Salakhutdinov and A. Mnih, “Bayesian Probabilistic Matrix Factorization Using Markov Chain Monte Carlo,” in Proceedings of the 25th International Conference on Machine Learning, 2008, pp. 880–887, doi: 10.1145/1390156.1390267.
[17] L. Baltrunas, T. Makcinskas, and F. Ricci, “Group Recommendations with Rank Aggregation and Collaborative Filtering,” in Proceedings of the Fourth ACM Conference on Recommender Systems, 2010, pp. 119–126, doi: 10.1145/1864708.1864733.
[18] T. George and S. Merugu, “A Scalable Collaborative Filtering Framework Based on Co-Clustering,” in Proceedings of the Fifth IEEE International Conference on Data Mining, 2005, pp. 625–628, doi: 10.1109/ICDM.2005.14.

APA	SÜTÇÜ M, KAYA E, ERDEM O (2021). Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. , 367 - 376.
Chicago	SÜTÇÜ MUHAMMED,KAYA ECEM,ERDEM OĞUZKAN Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. (2021): 367 - 376.
MLA	SÜTÇÜ MUHAMMED,KAYA ECEM,ERDEM OĞUZKAN Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. , 2021, ss.367 - 376.
AMA	SÜTÇÜ M,KAYA E,ERDEM O Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. . 2021; 367 - 376.
Vancouver	SÜTÇÜ M,KAYA E,ERDEM O Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. . 2021; 367 - 376.
IEEE	SÜTÇÜ M,KAYA E,ERDEM O "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix." , ss.367 - 376, 2021.
ISNAD	SÜTÇÜ, MUHAMMED vd. "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix". (2021), 367-376.

APA	SÜTÇÜ M, KAYA E, ERDEM O (2021). Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 37(3), 367 - 376.
Chicago	SÜTÇÜ MUHAMMED,KAYA ECEM,ERDEM OĞUZKAN Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 37, no.3 (2021): 367 - 376.
MLA	SÜTÇÜ MUHAMMED,KAYA ECEM,ERDEM OĞUZKAN Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol.37, no.3, 2021, ss.367 - 376.
AMA	SÜTÇÜ M,KAYA E,ERDEM O Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 37(3): 367 - 376.
Vancouver	SÜTÇÜ M,KAYA E,ERDEM O Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 37(3): 367 - 376.
IEEE	SÜTÇÜ M,KAYA E,ERDEM O "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix." Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 37, ss.367 - 376, 2021.
ISNAD	SÜTÇÜ, MUHAMMED vd. "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study onNetflix". Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 37/3 (2021), 367-376.