Implementation of a Movie Recommender System

Preporučiteljski sustavi su softverski sustavi koji koriste algoritme za filtriranje sadržaja s ciljem da se pojedinom korisniku prikaže samo njemu relevantan dio ponude odnosno sadržaja sustava. Postoji nekoliko vrsta preporučiteljskih algoritama - neki od njih korisnicima prikazuju nepersonalizirani najpopularniji sadržaj, neki na temelju značajki korisnika i sadržaja rade klasifikaciju kako bi predvidjeli hoće li se korisniku (ili neće) svidjeti određeni sadržaj, a neki koriste kolaborativno filtriranje tj. na temelju sličnosti između stavki ili korisnika za određenog korisnika traže one stavke koje bi mu trebale biti najzanimljivije. U ovom radu analizirani su neki od algoritama Pythonove biblioteke Surprise te je procijenjena njihova uspješnost nad MovieLens 100k bazom podataka.Recommender systems are software systems that use content filtering algorithms with the aim of reducing content shown to a user to the items that he is likely to be interested in. There are several groups of recommender algorithms - the ones that show all the users the same most popular content without personalisation, the ones that use classification by user and item features to determine whether the user is going to like a specific item or not, and those that use collaborative filtering or, in other words, use similarity between items and users to determine which items are going to be most appealing to a specific user. This paper analyses some of the algorithms provided by Python’s Surprise library and estimates their precision above the MovieLens 100k database