Research Article
PDF EndNote BibTex RIS Cite

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

Year 2021, Volume 37, Issue 3, 367 - 376, 30.12.2021

Abstract

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

References

  • [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 E-learning,” 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] 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.
  • [5] 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.
  • [6] 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.
  • [7] 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.
  • [8] 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.
  • [9] 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.
  • [10] 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.
  • [11] 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.
  • [12] 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.
  • [13] 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.
  • [14] 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.

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

Year 2021, Volume 37, Issue 3, 367 - 376, 30.12.2021

Abstract

User ratings on items like movies, songs and shopping products are used by Recommendation Systems (RS) to predict user preferences for items that have not been rated. RS has been utilized to give suggestions to users in various domains and one of the applications of RS is movie recommendation. In this domain, three general algorithms are applied; Collaborative Filtering that provides prediction based on similarities among users, Content-Based Filtering that is fed from the relation between item-user pairs and Hybrid Filtering one which combines these two algorithms. In this paper we discuss which methods are more efficient in movie recommendation under the framework of Collaborative Filtering. In our analysis we use Netflix Prize dataset, and we compare well-known Collaborative Filtering methods which are Singular Value Decomposition, Singular Value Decomposition++, K-Nearest Neighbour and Co-Clustering. The error of each method is measured by using Root Mean Square Error (RMSE). Finally, we conclude that K-Nearest Neighbour method is more successful in our dataset.

References

  • [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 E-learning,” 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] 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.
  • [5] 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.
  • [6] 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.
  • [7] 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.
  • [8] 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.
  • [9] 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.
  • [10] 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.
  • [11] 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.
  • [12] 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.
  • [13] 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.
  • [14] 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.

Details

Primary Language English
Subjects Engineering
Journal Section Articles
Authors

Muhammed SÜTÇÜ> (Primary Author)
ABDULLAH GÜL ÜNİVERSİTESİ
0000-0002-8523-9103
Türkiye


Ecem KAYA>
ABDULLAH GUL UNIVERSITY
0000-0002-4634-7638
Türkiye


Oğuzkan ERDEM>
ABDULLAH GUL UNIVERSITY
0000-0002-8547-7929
Türkiye

Publication Date December 30, 2021
Published in Issue Year 2021, Volume 37, Issue 3

Cite

Bibtex @research article { erciyesfen984981, journal = {Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi}, issn = {1012-2354}, address = {ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ 38039 Kayseri, TÜRKİYE}, publisher = {Erciyes University}, year = {2021}, volume = {37}, number = {3}, pages = {367 - 376}, title = {Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix}, key = {cite}, author = {Sütçü, Muhammed and Kaya, Ecem and Erdem, Oğuzkan} }
APA Sütçü, M. , Kaya, E. & Erdem, O. (2021). Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi , 37 (3) , 367-376 . Retrieved from https://dergipark.org.tr/en/pub/erciyesfen/issue/67552/984981
MLA Sütçü, M. , Kaya, E. , Erdem, O. "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix" . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 37 (2021 ): 367-376 <https://dergipark.org.tr/en/pub/erciyesfen/issue/67552/984981>
Chicago Sütçü, M. , Kaya, E. , Erdem, O. "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix". Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 37 (2021 ): 367-376
RIS TY - JOUR T1 - Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix AU - MuhammedSütçü, EcemKaya, OğuzkanErdem Y1 - 2021 PY - 2021 N1 - DO - T2 - Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi JF - Journal JO - JOR SP - 367 EP - 376 VL - 37 IS - 3 SN - 1012-2354- M3 - UR - Y2 - 2021 ER -
EndNote %0 Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix %A Muhammed Sütçü , Ecem Kaya , Oğuzkan Erdem %T Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix %D 2021 %J Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi %P 1012-2354- %V 37 %N 3 %R %U
ISNAD Sütçü, Muhammed , Kaya, Ecem , Erdem, Oğuzkan . "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix". Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 37 / 3 (December 2021): 367-376 .
AMA Sütçü M. , Kaya E. , Erdem O. Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2021; 37(3): 367-376.
Vancouver Sütçü M. , Kaya E. , Erdem O. Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2021; 37(3): 367-376.
IEEE M. Sütçü , E. Kaya and O. Erdem , "Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix", Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 37, no. 3, pp. 367-376, Dec. 2021

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.