20489

۲۰۴۸۹

ارائه مدلي مبتني بر رفتار كاربران جهت پيشنهاددهي فيلم با بهره گيري از نظريه گراف (مورد مطالعه: سينماماركت)

كارشناسي ارشد

مديريت اجرايي

۱۳۹۷/۱۲/۱۳

دكتر حميدرضا نورعليزاده

دكتر مير سامان پيشوايي

مهندسي پيشرفت

با توجه به افزايش سهم مصرف و تماشاي ويدئو - به خصوص فيلم و سريال - در سبد مصرفي خانواده‌هاي ايراني، سامانه‌هاي متعددي جهت تسهيل دسترسي مردم به اين ويدئوها راه‌اندازي و توسعه داده شده است. يكي از مهمترين انواع اين سامانه‌ها، سامانه‌هاي ويدئوي درخواستي هستند كه در سال‌هاي اخير، روند رشد بي‌سابقه‌اي را در زمينه جذب مخاطب طي كرده‌اند. به همان اندازه كه تعدد محتوا در اين سامانه‌ها موجب تنوع و رضايت كاربران مي‌شود، اين تعدد مي‌تواند موجب سردرگمي بيشتر آنان، براي يافتن محتواهاي مورد علاقه‌شان بشود. به همين جهت، نياز به سيستم‌هاي پيشنهاددهنده براي پيش‌بيني علايق كاربران و ارائه محتواهايي متناسب با آن، روز به روز بيشتر احساس مي‌شود. در پژوهش حاضر، با تركيب الگوريتم‌هاي پيشين و داده‌هاي مربوط به تماشاي فيلم توسط كاربران در سامانه‌هاي ويدئوي درخواستي، الگوريتمي بهبوديافته براي پيشنهاددهي مبتني بر سلايق كاربر ارائه شده است. نتايج اين پژوهش، نشان‌دهنده ارتقاي بيش از 30 درصدي در ميزان دقت پيش‌بيني مدل از علايق كاربر در مقايسه با مدل‌هاي موجود است.

1398/02/24

Providing a User-Based Behavior Model to Recommend a Movie Using the Graph Theory (Case Study: CinemaMarket)

3/3/2020 12:00:00 AM

due to the increasing share of consumption and watching video - especially movie and serial - in the basket of Iranian households, several systems have been set up to facilitate people's access to these videos. One of the most important types of these systems is the video on demans systems that have taken unprecedented growth in attracting audiences in recent years. Just as multiplicity of content in these systems causes users to be diverse and satisfied, this multiplicity can be more confusing for them to find their interested contents. Therefore, the need for recommendation systems to further predict user interests and provide consistent content is felt more and more day by day. In the present study, by combining the previous algorithms and the data related to watching videos by users in video on demand systems, an improved algorithm is proposed for a user-specific recommendation. The results of this study indicate an increase of more than 30% in predicting the accuracy of the model from the user's interests compared to existing models.