Videorekommendationer med maskininlärning inom Amazon Web Services.

Machine learning is a field within Computer Science that is still growing. Finding innovative ways to utilise the potential of Machine learning is important for the future of many companies and service providers. Amazon Web Services (AWS) provides machine learning capabilities that don’t require expert knowledge or the implementation of advanced machine learning algorithms. This thesis looks at how one of AWS machine learning services, ”AWS Rekognition” can be used to visually analyse movie-trailers and make relevant movie-trailer recommendations based on the analysis. This is realised by an experiment were a prototype of a recommender system, based on ”AWS Rekognition”, is created. The recommendations of movie-trailers and evaluations of the recommender, are in this thesis both based on calculations of vector similarity using various formulas. The experiments conducted in the thesis showed that the quality of recommendations were varied due to limitations in the movie-trailer corpus and also due to the fact that categorizing movies solely based on visual data in many cases can be misleading. Maskininlärning är ett område inom datalogi som fortfarande växer. Att hitta innovativa sätt att uttnytja maskininlärningens potential är viktigt för många företags och tjänsteleveratörers framtid. AmazonWeb Services (AWS) möjliggör maskininlärningsförmågor utan krav på expertis inom området, eller implementationer av avancerade maskininlärningsalgoritmer. Denna uppsats undersöker hur en av AWS maskininlärningstjänster ”AWSRekognition” kan användas för att visuellt analysera film-trailers och göra relevanta trailer rekommendationer baserat på den visuella analysen. Detta är realiserat av ett experiment där en prototyp av ett rekommendationssystem, baserat på ”AWS Rekognition”, utvecklats. Rekommendationerna och evalueringen av rekommendationssystemet är båda baserade på beräkningar av vektorlikheten med diverse formler. Experimenten som utfördes i denna uppsats visar att rekommendationernas kvalitet var varierande på grund av begränsningar i filmtrailerbiblioteket och även på grund av att kategoriseringen av filmer i många fall är väldigt missledande om endast visuell data används för analys