Recommender System for a Dating Service

Abstract

Hlavním cílem diplomové práce je ověřit využitelnost doporučovacích systémů založených na kolaborativním filtrování pro oblast online seznamek. Součástí práce je vlastní implementace několika nejběžnějších algoritmů kolaborativního filtrování a systému, který bude doporučovat uživatelům potenciální kandidáty pro seznámení na základě jejich preferencí, hodnocení fotografií ostatních uživatelů apod. Princip kolaborativního filtrování je založen na předpokladu, že pokud byla hodnocení dvou uživatelů doposud stejná či podobná, bude tomu tak i v budoucnu. Druhá část práce obsahuje několik testů a porovnání výkonnosti a přesnosti implementovaného systému na veřejně dostupných datech (MovieLens a Jester) a také na datech pocházejících přímo z oblasti online seznamek (ChceteMě a LíbímSeTi). Výsledky testů prokazují možnost úspěšné aplikace kolaborativního filtrování v oblasti online seznamek.

The aim of the thesis is to research the utility of collaborative filtering based recommender systems in the area of dating services. The practical part of the thesis describesthe actual implementation of several standard collaborative filtering algorithms and system, which recommends potential personal matches to users based on their preferences (e.g. ratings of other user profiles). The collaborative filtering is built upon the assumption, that users with similar rating patterns will also rate alike in the future. Second part of the work focuses on several benchmarks of the implemented system's accuracy and performance on publicly available data sets (MovieLens and Jester) and also on data sets originating from real online dating services (ChceteMě and L'b'mSeTi). All benchmark results proved that collaborative filtering technique could be successfully used in the area of online dating services.