Sumea suositin elokuville

Suositusmenetelmien tarkoituksena on auttaa käyttäjää löytämään häntä kiinnostavia asioita ja välttämään asioita, joista hän ei pitäisi. Suositusmenetelmät antavat suosituk- set yleensä terävinä lukuina. Tässä työssä kehitetään suositusmenetelmä, joka antaa suo- situkset arvosanojen sumeina jäsenyysasteina. Menetelmän antamat suositukset voidaan myös perustella käyttäjälle. Menetelmä kuuluu pääosin yhteisösuodatusmenetelmiin, jois- sa suositukset tehdään käyttäjien antamien arvosanojen perusteella, mutta myös tietoa elokuvien tyylilajeista hyödynnetään suositustarkkuuden parantamiseksi. Sumeiden suo- situsten suositeltavuusjärjestyksen laskemiseen esitetään myös menetelmä. Käyttäjien elokuville antamat arvosanat voidaan käsittää sumeana datana. Käyttäjä voi kuvata arvosanaa esimerkiksi ilmaisulla ”noin 4”. Tästä syystä on loogista esittää suo- situksetkin sumeina lukuina. Tällöin käyttäjälle voidaan antaa tietoa suosituksen tark- kuudesta ja mahdollisista ristiriidoista. Epävarmojen suositusten tapauksessa käyttäjä voi painottaa enemmän muita tietolähteitä. Kokeiden perusteella kehitetty menetelmä antaa joissa tapauksissa selvästi vertailtavia menetelmiä parempia suosituksia, kun taas toisissa tapauksissa suositukset ovat selvästi heikompia.

Recommender systems help users to find items they find interesting and avoid items they do not find interesting. Recommender systems usually give recommendations as crisp va- lues. In this thesis a recommendation system is developed that gives recommendations as fuzzy membership values of the given grades. The system can also explain the recom- mendations to the user. The developed method is mostly a collaboratory filtering method, meaning it uses user given grades to make the recommendations, but it also exploits mo- vie genre information to improve recommendation accuracy. A method to sort the fuzzy recommendations is also presented. User given movie grades can be considered to be fuzzy data. An user can for example describe some grade with phrase ”about 4”. For this reason it is logical to give the recom- mendations also as fuzzy values. This way it is possible to give the user more information for example about recommendation accuracy. Because users will usually consider also other information sources, they can rely more on these other sources when the recom- mendation indicates poor accuracy. Experiments show that the developed method gives significantly better recommendations in some cases and significantly worse in some other cases compared to other methods.