A Master's Project presented in Partial Fulfillment of the Requirements for the MASTER OF SCIENCE Degree. The recommendation system is a component of the system that automatically recommends courses based on students who have enrolled and rated each course. The purpose of this research is to compare techniques such as content-based filtering using cosine similarity techniques with a dataset of course details and collaborative filtering with student ratings using Surprise libraries to build a model using algorithms such as SVD, SVD++, NMF, SlopeOne, Co. -Clustering, and BaselineOnly.
The accuracy of the cooperative filtering model was determined by comparing the predicted root mean square error (RMSE) and mean absolute error (MAE) estimates. Learners can search for and receive recommendations that go beyond the boundaries of a single methodology by merging content-based filtering and collaborative filtering strategies into a hybrid recommendation system.
ความส าคัญและความเป็นมาของงานวิจัย
วัตถุประสงค์ในการวิจัย
ขอบเขตของการวิจัย
ประโยชน์ที่คาดว่าจะได้รับ
ข้อจ ากัดในการวิจัย
ระบบแนะน า
การกรองข้อมูลตามเนื้อหา (Content-based Filtering)
การกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม (Collaborative Filtering)
- Memory-based
- Model-based
- Hybrid
การกรองข้อมูลแบบผสม (Hybrid Filtering)
ทฤษฎีในการสร้างแบบจ าลอง
เทคนิคการกรองข้อมูลตามเนื้อหา
- Term Frequency-Inverse Document Frequency (TF-IDF)
- การวัดความคล้ายคลึง (Cosine Similarity)
ผลลัพธ์ของภาพยนตร์โดยผู้ใช้ เราสามารถใช้คำนวณความคล้ายคลึงกันของโคไซน์ได้จากรูปที่ 12 พบว่าจากมุมระหว่างเวกเตอร์ของ Sara และ Helle นั้นใกล้เคียงกันมาก สรุปได้ว่ารสนิยมของทั้งสองคล้ายกันมาก เมื่อเทียบกับ Sarah และ Teresa
เทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม
- การแยกตัวประกอบเมทริกซ์ (Matrix Factorization)
มันทรงพลังมากและถูกใช้ในการแข่งขันของ Netflix นอกจากนี้ยังสามารถเรียกใช้ SVD ในแพ็คเกจ Sci-kit Surprise SVD สามารถคำนวณได้ในสมการ (5) 19. รูปที่ 14 คือ Show Rating Matrix M ของการสร้างเมทริกซ์สองตัวที่แสดงถึงรสนิยมของลูกค้าและโปรไฟล์รายการโดยใช้ SVD และสร้างเมทริกซ์ U, Σ และ 𝑉𝑇 ดังแสดงในรูป
การวัดประสิทธิภาพของแบบจ าลอง
Root Mean Squared Error (RMSE)
Mean Absolute Error (MAE)
Surprise Library
งานวิจัยที่เกี่ยวข้อง
บทความวิจัย ระบบผู้แนะนำแบบผสมผสานสำหรับอีเลิร์นนิงตามการรับรู้บริบทและการขุดรูปแบบตามลำดับ เผยแพร่โดย Tarus, J. เพื่อศึกษาวิธีแนะนำการนำทรัพยากรความรู้มาสู่ผู้เรียนโดยใช้ระบบคำแนะนำส่วนบุคคลด้วยอัลกอริทึมเชิงผสมในการเรียนรู้ออนไลน์โดย เซียว เจ. วัง. , เอ็ม , เจียง , บี .
เอกสารการวิจัยเกี่ยวกับอัลกอริทึมผู้แนะนำแบบผสมผสานที่ปรับให้เข้ากับสภาพแวดล้อมการเรียนรู้แบบอิเล็กทรอนิกส์โดย Chen, W., Niu, Z., Zhao, X เอกสารการวิจัยเกี่ยวกับระบบผู้แนะนำสำหรับข้อมูลขนาดใหญ่ในการศึกษาโดย Surabhi Dwivedi, Dr Kumari Roshni (Dwivedi & Roshni, 2560). ระบบผู้แนะนำแบบผสมผสานสำหรับเนื้อหาการเรียนรู้โดยใช้การกรองตามเนื้อหาและการกรองร่วมกันพร้อมการประเมินผลของนักเรียนที่ดี
กระบวนการสร้างแบบจ าลอง
การเก็บรวบรวมข้อมูล (Data Collection)
คะแนนนักเรียน เนื่องจากข้อมูลจากแหล่ง 1 เชื่อมโยงกับคอลัมน์ course_id ชุดข้อมูลทั้งสองจึงรวมเข้าด้วยกัน การใช้ข้อมูล course_id เพื่อจัดเตรียมชุดข้อมูลที่เป็นข้อมูลการประเมินนักเรียนประกอบด้วย course_no ที่ได้รับในขั้นตอนที่ 3 และข้อมูล course_no สามารถใช้ในเทคนิคการกรองร่วมกันในกระบวนการ
การท าความสะอาดข้อมูล (Data Cleansing)
การส ารวจข้อมูล (Exploratory Data Analysis: EDA)
ชุดข้อมูลการให้คะแนนรายวิชาของนักเรียน ข้อมูลการให้คะแนนประกอบด้วยข้อมูล 506 116 แถว และ 7 คอลัมน์ ดังตารางที่ 4 ข้อมูลชุดนี้ใช้ทดสอบโดยใช้
การเตรียมข้อมูล (Data Preparation)
การสร้างแบบจ าลอง
เทคนิคการกรองข้อมูลตามเนื้อหา (Content-based Filtering)
เทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม (Collaborative Filtering)
เทคนิคการกรองข้อมูลแบบผสม (Hybrid Filtering)
สรุปผลการด าเนินงาน
ผลลัพธ์ของการแนะน ารายวิชาโดยใช้เทคนิคการกรองข้อมูลตามเนื้อหา
ผลลัพธ์ของการแนะน ารายวิชาโดยใช้เทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม
ผลลัพธ์ของการแนะน ารายวิชาโดยใช้เทคนิคการกรองข้อมูลแบบผสม
สรุปงานวิจัยที่เกี่ยวข้อง
แหล่งที่มาและขอบเขตข้อมูล
โดยสรุป งานวิจัยนี้คล้ายกับบทความวิจัย Hybrid Recommender System for Learning Material Using Content-Based Filtering and Collaborative Filtering with Good Learners' Rating (Turnip, Nurjanah, & Kusumo, 2017) สำหรับคำแนะนำหลักสูตร โดยใช้เทคนิคการกรองตามเนื้อหาและเทคนิคการกรองตามผู้ใช้มาทำงานร่วมกันเพื่อแนะนำรายวิชาแก่ผู้เรียนโดยอ้างอิงจากผู้เรียนอื่นที่มีรสนิยมคล้ายกัน นอกจากนี้ หากมีการแก้ไขขอบเขตข้อมูลโดยใช้ข้อมูลในส่วนของระดับวิชา ( ระดับ ) หรือประเภทหัวเรื่อง (ประเภทหลักสูตร) สามารถคล้ายกับบทความ A Hybrid Recommender System for E-learning based on Context Awareness and Sequential Pattern Mining (Tarus, Niu, & Kalui, 2017) ในการแนะนำหลักสูตรที่อ้างถึง บริบทของผู้เรียนและเป็นข้อเสนอแนะ การสอนในหลักสูตรสามารถปรับเปลี่ยนได้ตามความชอบส่วนบุคคล ระบบผู้แนะนำที่ใช้งานได้จริงด้วย Python: การเริ่มต้นสร้างเอ็นจิ้นผู้แนะนำที่ทรงพลังและเป็นส่วนตัวด้วย Python: Packt Publishing
โครงสร้างข้อมูลรายวิชา (Course Data)
โครงสร้างข้อมูลการให้คะแนน (Rating Data)
การประเมินประสิทธิภาพของอัลกอริทึม
แสดงค่า Best Parameter จากการปรับจูนพารามิเตอร์
แสดงประสิทธิภาพของแบบจ าลอง
เว็บไซต์การเรียนรู้ Coursera
ตัวอย่างปัญหาจาก Coursera Community
แสดงการแนะน าภาพยนตร์โดยใช้เทคนิคการกรองข้อมูลตามเนื้อหา
การแนะน าภาพยนตร์โดยใช้เทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม
การพิจารณาคะแนนแบบเกณฑ์เดียว (Single-criteria)
การพิจารณาคะแนนแบบหลายเกณฑ์ (Multi-criteria)
การแนะน าสินค้าโดยใช้วิธี User-based แสดงความสัมพันธ์ระหว่างผู้ใช้
การแนะน าสินค้าโดยใช้วิธี Item-based แสดงความสัมพันธ์ระหว่างสินค้า
แสดงความสัมพันธ์ระหว่างผู้ใช้งาน และความสัมพันธ์ระหว่างผลิตภัณฑ์
เทคนิคการกรองข้อมูลแบบผสม (Hybrid Filtering)
การให้คะแนนของผู้ใช้งาน
แสดงความสัมพันธ์ของมุมระหว่าง Ratings Vectors
Matrix Factorization
แสดง Singular-value decomposition (SVD)
Non-negative Matrix Factorization (NMF)
กระบวนการสร้างแบบจ าลอง
การเชื่อมโยงความสัมพันธ์ของข้อมูล
ตัวอย่างข้อมูลรายวิชา
แสดงข้อมูลของภาษาที่ใช้เรียนในรายวิชา
แสดงจ านวนวิชาหลักและวิชารองที่เกี่ยวข้องในรายวิชา
จ านวนความถี่ของค าที่ปรากฎจากชื่อรายวิชา
จ านวนความถี่ของค าที่ปรากฎจากการเลือกข้อมูลในรายละเอียดที่มากขึ้น
ตัวอย่างข้อมูลการให้คะแนนจากผู้เรียน
ข้อมูลจ านวนการให้คะแนนจากผู้เรียน
รายการ 5 อันดับรายวิชาที่มีผู้เรียนให้คะแนนมากที่สุด
รายการ 15 อันดับสาขาวิชาที่มีจ านวนการให้คะแนนจากผู้เรียนมากที่สุด
รายการ 10 อันดับผู้เรียนที่มีการให้คะแนนรายวิชามากที่สุด
แสดงตัวอย่างข้อมูลรายละเอียดของรายวิชา
การท า Text-Preprocessing ข้อมูล course_name
การท า Text-Preprocessing โดยใช้ข้อมูลรายละเอียดของรายวิชา
ตัวอย่างข้อมูลการให้คะแนนรายวิชาจากผู้ใช้งาน
การสร้างแบบจ าลองตามเทคนิคการกรองข้อมูลตามเนื้อหา
กระบวนการแตกเวกเตอร์ค าโดยใช้เทคนิค TF-IDF
การสร้างแบบจ าลองตามเทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วม
แสดงแบบจ าลองของเทคนิคการกรองแบบผสม
การแนะน ารายวิชาโดยใช้ข้อมูลชื่อรายวิชา
การแนะน ารายวิชาโดยใช้รายละเอียดรายวิชา
แสดงการเปรียบเทียบประสิทธิภาพของอัลกอริทึมโดยใช้ RMSE และ MAE
การค้นหาประวัติของผู้เรียน 286193
การแนะน ารายวิชาโดยเทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วมของผู้เรียน
การค้นหาประวัติของผู้เรียน 4412
การแนะน ารายวิชาโดยเทคนิคการกรองข้อมูลแบบพึ่งพาผู้ใช้ร่วมของผู้เรียน
การค้นหาประวัติของผู้เรียน 95424
การแนะน ารายวิชาโดยใช้เทคนิคการแนะน าแบบผสมของผู้เรียน 286193
การแนะน ารายวิชาโดยใช้เทคนิคการแนะน าแบบผสมของผู้เรียน 4412
การแนะน ารายวิชาโดยใช้เทคนิคการแนะน าแบบผสมของผู้เรียน 95424
