Ένα σύστημα προτάσεων είναι μια εφαρμογή που χρησιμοποιεί διάφορα δεδομένα ώστε
να προβλέψει, και να παρέχει κάποιες στοχευμένες επιλογές, και να βοηθήσει στην εύρεση αυτού που αναζητούν οι άνθρωποι ανάμεσα σε έναν αυξανόμενο αριθμό επιλογών. Στην περίπτωση μας αναπτύσσουμε και υλοποιούμε ένα σύστημα προτάσεων ταινιών. Με την χρήση της βάσης δεδομένων Movielens 32M, που αναπτύχθηκε από την ερευνητική ομάδα GroupLens του Πανεπιστημίου της Μινεσότα, και την κατάλληλη επεξεργασία και καθαρισμό των δεδομένων της καταφέραμε να δημιουργήσουμε 3 μοντέλα προτάσεων ταινιών. Το πρώτο αφορά την μέθοδο Content-based filtering, η οποία προτείνει ταινίες με βάση αυτές που έχει ήδη δει ο χρήστης και τα είδη ταινιών στα οποία ανήκουν. Το δεύτερο αφορά την μέθοδο Collaborative filtering, η οποία προτείνει ταινίες με βάση την ανάλυση της συμπεριφοράς και των προτιμήσεων μιας ομάδας ανθρώπων με παρόμοιες προτιμήσεις. Τέλος, αναπτύξαμε και ένα μοντέλο με την μέθοδο Hybrid filtering, η οποία χρησιμοποιεί έναν συνδυασμό των δύο παραπάνω μεθόδων για να προτείνει ταινίες. Έπειτα ακολουθεί η αξιολόγηση των τριών αυτών μοντέλων και η εξαγωγή συμπερασμάτων.

A recommendation system is an application that uses various data to predict, and provide some targeted options, and help in finding what people are looking for among a growing number of options. In our case, we develop and implement a movie recommendation system. By using the Movielens 32M database, developed by the GroupLens research group at the University of Minnesota, and by appropriately processing and cleaning its data, we managed to create 3 movie recommendation models. The first relates to the Content-based filtering method, which recommends movies based on those that the user has already seen and the genres of movies they belong to. The second relates to the Collaborative filtering method, which recommends movies based on the analysis of the behavior and preferences of a group of people with similar preferences. Last but not least, we developed a model with the Hybrid filtering method, which uses a combination of the two above methods to recommend movies. Our next step is the evaluation of these three models and the drawing of conclusions.