Predicción de la calidad de películas mediante un clasificador de votación adaptativo

La recuperación de información de grandes datos de redes sociales es una tarea desafiante para los motores de búsqueda convencionales. Recientemente, los sistemas de recomendación de filtrado de información pueden ayudar a encontrar películas; sin embargo, sus servicios son limitados porque no consideran en detalle los aspectos de calidad de las películas. La predicción de películas puede mejorarse utilizando las características del contenido de redes sociales sobre una película, como la calidad social, la calidad de las etiquetas y un aspecto temporal. En este trabajo, hemos propuesto utilizar varias características de calidad social, reputación del usuario y características temporales para predecir películas populares o altamente valoradas. Además, se propone un clasificador de votación basado en optimización mejorada para mejorar el rendimiento en las características propuestas. El clasificador de votación utiliza el conocimiento de todos los clasificadores candidatos, pero ignora el rendimiento del modelo en diferentes clases. En el modelo propuesto, se asigna un peso a cada modelo basado en su rendimiento para cada clase. Para la selección óptima de pesos para los clasificadores candidatos, se utiliza el Algoritmo Genético y el modelo propuesto se denomina clasificador de votación por Algoritmo Genético (GA-V). Después de etiquetar las características sugeridas utilizando un umbral fijo, se entrenan varios clasificadores, como regresión logística bayesiana, Naïve Bayes, BayesNet, Random Forest, SVM, árbol de decisión, LSTM y AdaboostM1 en el conjunto de datos de MovieLens para encontrar películas de alta calidad/populares en diferentes categorías. Todos los modelos de ML tradicionales se comparan con GA-V en términos de precisión, recuperación y puntuación F1. Los resultados muestran la importancia de las características propuestas y del clasificador GA-V propuesto.