Système de recommandation de films utilisant le filtrage basé sur le contenu et les méthodes de classification des réseaux de neurones convolutionnels (CNN)

Gérer de grandes quantités de données est un défi auquel sont confrontés les utilisateurs, donc un système de recommandation est nécessaire en tant que filtre d'information pour fournir des suggestions d'articles pertinentes. Twitter est souvent utilisé pour trouver des informations sur les critiques de films qui peuvent servir de base au développement de systèmes de recommandation. Cette recherche contribue à l'application du filtrage basé sur le contenu dans le contexte des réseaux de neurones convolutionnels (CNN). Au meilleur de la connaissance du chercheur, il n'y a eu aucune recherche abordant cette combinaison de méthode et de classification. L'objectif principal est d'évaluer le développement d'un système de recommandation en intégrant et en comparant les méthodes d'identification de similarité en utilisant les approches RoBERTa et TF-IDF. Dans cette recherche, Roberta et TF-IDF comme méthodes de vectorisation et de classification sont appliquées pour former un modèle capable de reconnaître des motifs dans les données et de produire des prédictions précises basées sur ses caractéristiques. Les données totales utilisées sont de 854 films et 34086 critiques de films provenant de 44 comptes Twitter. La méthode SMOTE a été appliquée comme technique pour surmonter le déséquilibre des données. La recherche a été menée trois fois avec des résultats de précision croissante. La première expérience TF-IDF comme référence, SMOTE sur la classification CNN. La deuxième expérience, appliquant la référence, SMOTE, l'incorporation sur la classification CNN. La troisième expérience a appliqué la référence, SMOTE, l'incorporation et l'optimiseur à la classification CNN. Les résultats expérimentaux montrent que TF-IDF comme référence, SMOTE, l'incorporation et l'optimiseur SGD avec le meilleur taux d'apprentissage sur la classification CNN peuvent fournir des résultats optimaux avec un taux de précision de 86,41 %. Ainsi, le système peut fournir des recommandations de films pertinentes avec une bonne précision de prédiction et performance.