movie recommendation system

قمنا ببناء نظام توصية أفلام ذكي باستخدام مجموعة بيانات MovieLens 100K التي تحتوي على 100,000 تقييم من 943 مستخدم لـ 1,682 فيلم. يعتمد النظام على طريقتين رئيسيتين للتوصية: التصفية القائمة على المحتوى والتصفية التعاونية.

في التصفية القائمة على المحتوى، يقوم النظام بتحليل أنواع الأفلام (genres) مثل الأكشن والكوميديا والدراما، ثم يحسب التشابه بين الأفلام باستخدام Cosine Similarity. عندما يشاهد المستخدم فيلم "Toy Story"، يبحث النظام عن الأفلام التي تشترك معه في نفس الأنواع ويقدمها كتوصيات.

أما التصفية التعاونية، فتستخدم خوارزمية K-Nearest Neighbors (KNN) لتحليل تقييمات المستخدمين. الفكرة هي: إذا أعجب مجموعة من المستخدمين بفيلم معين، فمن المحتمل أن يعجبهم أفلام مشابهة أخرى. يقوم النظام بإنشاء Sparse Matrix بحجم 943 × 1,682 تمثل تقييمات المستخدمين للأفلام.

قمنا بإجراء تحليل استكشافي شامل للبيانات (EDA) يشمل: توزيع التقييمات (متوسط 3.53 من 5)، تحليل نشاط المستخدمين والأفلام الأكثر شعبية، وحساب مستوى التفريغ (Sparsity) الذي بلغ 93.7% (فقط 6.3% من المصفوفة ممتلئة).

استخدمنا Fuzzy Matching للبحث عن الأفلام، حيث يمكن للمستخدم كتابة اسم الفيلم بشكل غير دقيق مثل "toy store" وسيجد النظام تلقائياً "Toy Story (1995)". يعرض النظام لكل توصية: اسم الفيلم، أنواعه، درجة التشابه، عدد التقييمات، ومتوسط التقييم.

النتيجة النهائية هي نظام توصية متكامل يجمع بين قوة تحليل المحتوى وأنماط سلوك المستخدمين، مع واجهة تفاعلية سهلة الاستخدام توفر توصيات دقيقة ومخصصة لكل مستخدم.