A graph based collaborative and context aware recommendation system for TV programs

Abstract

Artan televizyon programı sayısı ve televizyon yayını ve internetin akıllı televizyonlar ile entegre edilmesiyle birlikte, televizyon izleyicileri mevcut programlar içinde en çekici televizyon programlarını seçmekte zorlanmaktadır. Televizyon izleyicilerinin kararları genelde programların yayın zamanı, türü, aktörleri ve yönetmeni gibi bağlamsal ögeler tarafından etkilenir. Bu tez, televizyon programları için çizge tabanlı işbirlikçi ve bağlam duyarlı bir öneri sistemini sunar. Önerilen çizge tabanlı algoritma, üç kısımlı bir çizge üzerinde yapılan rastlantısal yürüyüşler yapılması temeli üzerine kurulmuştur. Çizge, verilen bağlam ile alakalı olmayan programların bağlama duyarlı olarak önceden filtrelenmesi ile inşa edilir. Çizge tabanlı işbirlikçi algoritma tarafından üretilen öneri listesi ek bağlamsal değerler kullanılarak yeniden düzenlenir. Bu sayede, önerilen öneri sistemi hem bağlamsal ön filtreleme hem de bağlamsal geri filtrelemeyi daha etkili öneriler üretmek için kullanır. Bağlam değişkenlerinin etkinliğini ölçmek amacıyla, değerlendirme ölçütleri hem bağlama duyarlı hem de bağlama duyarsız yöntemler üzerinde uygulandı. Ayrıca, çizge tabanlı işbirlikçi algoritmada kullanılan parametrelerin öneri sisteminin başarısına etkisi test edildi. Sonuçlar bağlamın televizyon programları için daha iyi öneriler üretilmesini sağladığını göstermektedir.

With the increasing amount of TV programs and the integration of broadcasting and the Internet with smart TV's, users suffer the difficulty of selecting the most appealing TV programs among various different programs available. User decisions are mostly affected by the contextual properties of programs such as the time of day, genre, actors and directors of program. This thesis proposes the design, development and evaluation of a graph based context-aware collaborative recommender system for TV programs. The proposed graph based algorithm is based on random walks performed on a tri-partite graph. The graph is constructed by using context aware pre-filtering in order to filter out programs which are irrelevant in the given context. The recommendation list generated by the graph based collaborative algorithm is updated by re-ranking the recommended items according to additional contextual variables. Thus, the proposed recommender system exploits both contextual pre-filtering and post-filtering to produce more effective recommendations. In order to measure the effectiveness of the context variables, we have implemented evaluation metrics on both context-free and contextual graph based methods. We have also tested the effects of parameters used in the graph based collaborative algorithm to the success of the recommender. The results indicate that context can provide better recommendations for TV programs.