Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός διαδικτυακού αποθετηρίου
ταινιών που παρέχει εξατομικευμένες προτάσεις στους χρήστες, αξιοποιώντας προηγμένες
τεχνικές μηχανικής μάθησης και εξόρυξης δεδομένων. Ο στόχος του συστήματος είναι να
προσφέρει στους χρήστες μια προσωποποιημένη εμπειρία πλοήγησης, προτείνοντάς τους ταινίες που ευθυγραμμίζονται με τις προτιμήσεις και τις αλληλεπιδράσεις τους στην
πλατφόρμα. Για την υλοποίηση των συστάσεων, χρησιμοποιείται αλγόριθμος τύπου
Φιλτράρισμα με βάση το Περιεχόμενο (Content-Based Filtering) με χρήση τεχνικών TFIDF (Term Frequency-Inverse Document Frequency) σε συνδυασμό με το Cosine
Similarity, προκειμένου να υπολογιστεί η συνάφεια των ταινιών με βάση διάφορα
χαρακτηριστικά, όπως η κατηγορία, ο σκηνοθέτης, η γλώσσα, το έτος κυκλοφορίας και η
χώρα παραγωγής.

Η ανάπτυξη της πλατφόρμας πραγματοποιήθηκε με τη χρήση PHP, CSS, JavaScript και
MySQL, επιτρέποντας ένα διαδραστικό και ευέλικτο περιβάλλον χρήστη. Το σύστημα
ενσωματώνει βασικές λειτουργίες, όπως η αναζήτηση και προβολή ταινιών, η ψηφοφορία
χρηστών, η εξατομικευμένη σύσταση περιεχομένου και η καταγραφή των προτιμήσεων των
χρηστών μέσω Cookies. Επιπλέον, η αρχιτεκτονική του σχεδιάστηκε ώστε να είναι
επεκτάσιμη και να επιτρέπει μελλοντικές βελτιώσεις.
Για την αξιολόγηση της λειτουργικότητας και της απόδοσης του συστήματος, διεξήχθησαν
εκτεταμένες δοκιμές, τόσο μέσω προσομοίωσης ταυτόχρονων χρηστών όσο και μέσω
στατιστικής ανάλυσης των προτεινόμενων ταινιών. Οι δοκιμές φόρτου χρησιμοποίησαν την
υπηρεσία Loader.io, επιβεβαιώνοντας ότι το σύστημα διατηρεί σταθερή απόδοση ακόμα
και με 500 ταυτόχρονους χρήστες. Παράλληλα, η αποτελεσματικότητα των συστάσεων
εξετάστηκε μέσω της μέτρησης του Cosine Similarity, δείχνοντας ότι το σύστημα μπορεί
να παρέχει σχετικές και ποιοτικές προτάσεις με υψηλό βαθμό ακρίβειας.

Σε μελλοντικές εκδοχές του συστήματος, θα μπορούσαν να ικανοποιηθούν επιπλέον
τεχνολογικές προκλήσεις, όπως η ανάγκη για μεγαλύτερη ποικιλομορφία στις προτάσεις
και η δυνατότητα ενσωμάτωσης επιπλέον παραμέτρων για τη βελτίωση της εξατομίκευσης.
Στο μέλλον, θα μπορούσε να υιοθετηθεί η χρήση τεχνικών βαθιάς μάθησης (Deep Learning)
και συνεργατικού φιλτραρίσματος (Collaborative Filtering) για την περαιτέρω βελτίωση
των συστάσεων και την προσαρμογή τους στις προτιμήσεις των χρηστών σε πραγματικό
χρόνο.

This thesis focuses on the development of a web-based movie repository that provides
personalized recommendations to users by leveraging advanced machine learning and Data
Mining techniques. The system aims to offer users a customized browsing experience by
suggesting movies that align with their preferences and interactions on the platform. To
generate recommendations, a Content-Based Filtering algorithm is employed, utilizing TFIDF (Term Frequency-Inverse Document Frequency) techniques combined with Cosine
Similarity to calculate movie relevance based on various attributes, such as genre, director,
language, release year, and country of production.
The platform was developed using PHP, CSS, JavaScript, and MySQL, enabling an
interactive and flexible user environment. The system integrates essential features such as
movie search and display, user voting, personalized content recommendations, and
preference tracking through Cookies. Additionally, the system's architecture was designed
to be scalable, allowing for future improvements and enhancements.

To evaluate the system’s functionality and performance, extensive tests were conducted,
including simultaneous user simulations and statistical analysis of the recommended
movies. Load testing was performed using the Loader.io service, confirming that the system
maintains stable performance even with 500 concurrent users. Furthermore, the
effectiveness of the recommendations was assessed through Cosine Similarity measurements, demonstrating that the system can provide relevant and high-quality
suggestions with a high degree of accuracy.
In future versions of the system, additional technological challenges could be addressed,
such as the need for greater diversity in recommendations and the potential integration of
additional parameters to enhance personalization. In the future, the adoption of Deep
Learning techniques and Collaborative Filtering could further improve recommendations
and allow them to adapt to user preferences in real time.