Förutse betygsättningar på filmer med användning av KNN

Many services provide recommendations for their users in order for them to easily find relevant information. Thus, the development of recommender systems is important for these services to constantly improve. With the integration of new technology, it is common to implement recommender systems with the use of machine learning algorithms. This report investigates a method for recommender systems based on the machine learning algorithm K-nearest neighbors, or KNN. Specifically, the algorithm was used to predict what users’ would rate movies before they had rated them. In addition, the method was compared with the use of a baseline method taking the mean value of all user ratings as predictions. The objective of this study was to analyze the usefulness of KNN. The conclusion was that the implementation of a movie recommender system based on KNN received better results than using a baseline method.Många tjänster föreser rekommendationer till deras användare för att göra det enkelt att hitta relevant information. Det är därför viktigt för dessa tjänster att utveckla rekommendationssystem till att bli bättre. Genom användning av ny teknik är det vanligt att implementera rekommendationssystem som baserar sig på maskininlärning. I denna rapport undersökes en metod för att förutspå tittares betygsättning av filmer baserat på maskininlärningsalgoritmen K-nearest neighbors, eller KNN. Ytterligare jämfördes systemet med användningen av en referensmetod som använder medelvärdet av alla användares betygsättning som förutsägelser. Studiens ändamål var att analysera användbarheten av KNN. Slutsatsen var att implementation av ett rekommendationssystem för filmer baserat på KNN algoritmen genererade ett bättre resultat än referensmetoden