Analiza metody SVD i zastosowanie Funk SVD w algorytmie rekomendacji filmów serwisu Netflix

Abstract

W niniejszej pracy zajęto się problemem zastosowania metod macierzowych do systemów rekomendacji produktów. Wymieniono problemy optymalizacyjne mogące być rozwiązane przez aproksymacje macierzy. Przedstawiono metodę rozkładu własności osobliwych macierzy (Singular Value Decomposition) oraz opisano pokrewna metodę Funk SVD odporna na braki danych bazująca na stochastycznej metodzie gradientu. Metode te zastosowano na danych pochodzących z konkursu Netflix Prize, w którym należało przewidzieć ocenę filmu użytkownika na podstawie wcześniejszych jego ocen. Dane zostały przetworzone i zanalizowane przy pomocy skryptów w języku Python oraz wykorzystano bibliotekę Surprise, w której zaimplementowana jest metoda Funk SVD. Funk SVD jest metoda czasochłonna i wymaga dużej mocy obliczeniowej zatem w niniejszej pracy wykorzystano ja do stworzenia modelu uczenia maszynowego, który ma za zadanie prognozować oceny filmów oraz poddano go ewaluacji przy pomocy miar estymatora.