Recommendation Systems Based on Collaborative Filtering

Širenjem internetskih tehnologija povećava se broj korisnika što uzrokuje rast dostupne količine informacija, odnosno dolazi do preopterećenja podatcima. Jedno od rješenja je razvoj sustava za preporučivanje. Opisane su vrste, svojstva i algoritmi sustava za preporučivanje s fokusom na sustave zasnovane na suradničkom filtriranju. Programski je ostvaren težinski hibridni sustav za preporučivanje koji koristi metodu k-najbližih susjeda i matričnu faktorizaciju. Provedeno je vrednovanje sustava na tri skupa podataka različitih veličina, ljestvica ocjena i informacija. Uspoređeni su rezultati pojedinačnih pristupa s hibridnim pristupom te je navedena korištena literatura.With the rapid growth of Internet technologies number of users increases resulting in growth of available data and information overload. One solution is implementation of recommender systems. This thesis covers some types of recommender systems, their properties and algorithms they use, with focus on collaborative filtering methods. A weighted hybrid recommender system using k-nearest neighbors algorithm and matrix factorization was implemented. The evaluation of proposed recommender system was done on three different datasets, varying in dataset size, rating scale and type of information. Results of individual approaches were compared against the weighted hybrid approach