| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.38 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Nowadays, the usage of web platforms is increasingly growing. In this light, it becomes crucial,
to improve the efficiency of recommendation systems in filtering and personalizing content.
This thesis explores the integration of Natural Language Processing (NLP) techniques into
recommendation systems with the aim of enhancing the accuracy and relevance of the
suggestions provided to users. Focusing on movie recommendations, this research
investigates how NLP techniques can be used to analyse user-generated content such as
reviews and comments, in order to provide better compatibility between the generated
recommendations and the user preferences.
The aim of this thesis is to propose a model that combines sentiment analysis and topic
modeling to more effectively understand and predict user preferences. The model will utilise
NLP and machine learning techniques to process and analyse large datasets of user
interactions and movie metadata.
A comparative analysis will be presented on the use of NLP models in recommendation
systems as opposed to traditional recommendation systems, highlighting improvements in
accuracy and user satisfaction.
The results obtained using only NLP techniques in the proposed movie recommendation
model achieved an RMSE value of 0.409 and a MAE of 0.339. This result is a combination of a
Logisitic Regression model with 90% accuracy and a BERTopic model with a topic coherence of
0.53. For a recommendation system based only on sentiment analysis and topic modeling of
users reviews, these are satisfactory results that allow for making appropriate
recommendations.
Nos dias de hoje, o uso de plataformas web aumenta cada vez mais. Deste modo, torna-se crucial melhorar a eficácia dos sistemas de recomendação na filtragem e personalização de conteúdo. Esta tese explora a integração de técnicas de Processamento de Língua Natural (NLP) em sistemas de recomendação com o objetivo de aprimorar a precisão e relevância das sugestões que são fornecidas aos utilizadores. Tendo como foco a recomendação de filmes, esta pesquisa investiga como técnicas de NLP podem ser utilizadas para analisar conteúdo gerado pelos utilizadores tal como avaliações e comentários, para que exista uma maior compatibilidade entre as recomendações geradas e as preferências do utilizador. O objetivo desta tese é propor um modelo que combina análise de sentimentos e modelação de tópicos para que possa compreender e prever as preferências dos utilizadores de uma forma mais eficaz. O modelo utilizará técnicas de NLP e aprendizagem automática para processar e analisar grandes conjuntos de dados de interações de utilizadores e meta dados de filmes. Irá ser apresentada uma análise comparativa da utilização de modelos de NLP em sistemas de recomendação em contraste com sistemas de recomendação tradicionais, salientando as melhorias na precisão e satisfação dos utilizadores. Os resultados obtidos somente com a utilização de técnicas NLP no modelo proposto para recomendação de filmes atingem o valor de 0.409 para RMSE e 0.339 para MAE. Este resultado é a combinação de um modelo de regressão logística com uma acurácia de 90% e do modelo BERTopic com uma coerência de tópicos de 0,53 que, para um sistema de recomendação que é apenas baseado em tarefas de análise de sentimento e modelação de tópicos a reviews feitas por utilizadores, são resultados satisfatórios e que permitem efetuar recomendações adequadas.
Nos dias de hoje, o uso de plataformas web aumenta cada vez mais. Deste modo, torna-se crucial melhorar a eficácia dos sistemas de recomendação na filtragem e personalização de conteúdo. Esta tese explora a integração de técnicas de Processamento de Língua Natural (NLP) em sistemas de recomendação com o objetivo de aprimorar a precisão e relevância das sugestões que são fornecidas aos utilizadores. Tendo como foco a recomendação de filmes, esta pesquisa investiga como técnicas de NLP podem ser utilizadas para analisar conteúdo gerado pelos utilizadores tal como avaliações e comentários, para que exista uma maior compatibilidade entre as recomendações geradas e as preferências do utilizador. O objetivo desta tese é propor um modelo que combina análise de sentimentos e modelação de tópicos para que possa compreender e prever as preferências dos utilizadores de uma forma mais eficaz. O modelo utilizará técnicas de NLP e aprendizagem automática para processar e analisar grandes conjuntos de dados de interações de utilizadores e meta dados de filmes. Irá ser apresentada uma análise comparativa da utilização de modelos de NLP em sistemas de recomendação em contraste com sistemas de recomendação tradicionais, salientando as melhorias na precisão e satisfação dos utilizadores. Os resultados obtidos somente com a utilização de técnicas NLP no modelo proposto para recomendação de filmes atingem o valor de 0.409 para RMSE e 0.339 para MAE. Este resultado é a combinação de um modelo de regressão logística com uma acurácia de 90% e do modelo BERTopic com uma coerência de tópicos de 0,53 que, para um sistema de recomendação que é apenas baseado em tarefas de análise de sentimento e modelação de tópicos a reviews feitas por utilizadores, são resultados satisfatórios e que permitem efetuar recomendações adequadas.
Description
Keywords
Sentiment analysis Natural language processing Topic modeling Semantic processing Recommendation systems Machine learning Análise de sentimentos Aprendizagem automática Sistemas de recomendação Processamento semântico Modelação de tópicos Processamento de linguagem natural