بهره ‌برداری از ژانرهای فیلم و اطلاعات جمعیت شناختی کاربران به منظور بهبود سامانه های توصیه فیلم

سامانه های توصیه فیلم ابزارهای کارآمدی هستند که به کاربران کمک می کنند فیلم های مورد علاقه خود را با بررسی علایق قبلی کاربران پیدا کنند. این سامانه ها بر اساس امتیاز کاربران به فیلم های گذشته و استفاده از آنها برای پیش بینی علایق آنها در آینده ایجاد شده اند؛ با این حال ، امتیازدهی نامناسبی که کاربران ارائه میدهند ، منجر به ایجاد مشکلی به نام پراکندگی داده میشود. این مشکل موجب کاهش کارایی سامانه های توصیه فیلم میشود. از سوی دیگر ، سایر داده های موجود مانند ژانر فیلم ها و اطلاعاتجمعیت شناختی کاربران، نقش حیاتی در کمک به روش های توصیه کننده برای تولید بهتر توصیه ها دارند. این مقاله یک روش توصیه فیلم را با استفاد ه از ژانرهای فیلم و اطلاعا ت جمعیت شناختی کاربران پیشنهاد میکند. همچنین ما مدلی کارآمد جهت ارزیابی پروفایل امتیازدهی کاربر و تعیین کمینه امتیاز مورد نیاز برای تولید یک پیشبینی دقیق را پیشنهاد میکنیم ؛ سپس ، امتیازات مجاز ی مناسب با پروفایل هایی که امتیازات نامناسبی دارند ترکیب میشوند. این امتیازدهی مجازی با استفاده از شباهت مقادیر بین کاربران به دست آمده از ژانرهای فیلم و اطلاعات جمعیت شناختی کاربران محاسبه میشوند؛ علاو ه بر این ، یک معیار مفید برای تعیین میزانقابل اعتماد بودن یک بخش معرفی شده است که قابلیت اطمینان امتیازدهی مجازی را تضمین میکند؛ درنهایت ، امتیازهای ناشناخته برای کاربر هدف براساس پروفایل های امتیازدهی توسعه یافته پیش بینی میشوند. آزمایش های انجام شده بر روی د و مجموعه داده توصیه فیلم معروف نشان میدهد که رویکرد پیشنهادی کارآمدتر از سایر توصیه کننده های مقایسه شده است .

exploiting movie genres and user demographic information to improve movie recommendation systems

movie recommendation systems are efficient tools to help users find their relevant movies by investigating the previous interests of users. these systems are established on considering the ratings of users provided for movies in the past and using them to predict their interests in the future. however, users mainly provide insufficient ratings leading to make a problem called data sparsity. this problem makes reducing the effectiveness of movie recommendation systems. on the other hand, other available data such as genres of movies and demographic information of users play a vital role in assisting recommenders in order to better produce recommendations. this paper proposes a movie recommendation method utilizing the movies’ genres and users’ demographic information. in particular, we propose an effective model to evaluate the user’s rating profile and determine the minimum number of ratings required to produce an accurate prediction. then, appropriate virtual ratings are incorporated into the profiles with insufficient ratings to expand them. these virtual ratings are calculated using similarity values between users obtained by genres of movies and demographic information of users. furthermore, an effective measure is introduced to determine how much an item is reliable. this measure guarantees the virtual ratings’ reliability. finally, unknown ratings for target user are predicted based on the expanded rating profiles. experiments performed on two well-known movie recommendation datasets demonstrate that the proposed approach is more efficient than other compared recommenders.we propose a movie recommender system in this paper by employing the genres of movies and demographic information of users to address the above-mentioned challenges. to this end, first of all, a model is developed in order to determine whether the target user’s rating profile is appropriate to produce accurate recommendations or not. in other words, the developed model determines how many ratings are required for each user to generate an accurate prediction with a high probability. this criterion is used to demonstrate that a rating profile contains sufficient ratings for producing reliable recommendations or not. then, the quality of rating profiles containing insufficient ratings is boosted using an effective profile expansion technique which incorporates some virtual ratings to these profiles. these virtual ratings are calculated using the similarity values between users which are computed according to the genres of movies and demographic information of users. moreover, the reliability values of users and items are calculated using appropriate reliability measurements to guarantee that the incorporated virtual ratings are reliable.