Rekomendasi film berbasis sinopsis menggunakan Embedding SBERT dan Cosine Similarity

ABSTRAK:

Rekomendasi film merupakan salah satu solusi untuk membantu pengguna menemukan film yang sesuai dengan preferensinya di tengah banyaknya pilihan film yang tersedia. Namun, pendekatan rekomendasi berbasis kecocokan kata sering kali belum mampu memahami makna semantik dari kebutuhan pengguna sehingga menghasilkan rekomendasi yang kurang relevan. Penelitian ini bertujuan membangun sistem rekomendasi film berbasis sinopsis menggunakan Sentence-BERT (SBERT) dan Cosine Similarity untuk menghasilkan rekomendasi berdasarkan kesamaan semantik antara query pengguna dan sinopsis film. Sistem dikembangkan dengan model all-MiniLM-L6-v2 untuk menghasilkan embedding kalimat dan metode Cosine Similarity untuk menghitung tingkat kemiripan antara query pengguna dan sinopsis film. Pengujian dilakukan menggunakan 40 query yang terdiri dari 20 query pendek dan 20 query panjang pada delapan skenario yang mengkombinasikan penggunaan preprocessing, panjang query, dan jumlah rekomendasi Top-5 serta Top-10. Validasi relevansi dilakukan oleh satu validator dan dievaluasi menggunakan metrik Precision, Mean Average Precision (MAP), Mean Reciprocal Rank (MRR), dan Normalized Discounted Cumulative Gain (nDCG). Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan rekomendasi yang relevan pada seluruh skenario pengujian yang digunakan. Skenario terbaik diperoleh pada pengujian tanpa preprocessing, menggunakan query pendek dan Top-5, dengan nilai Precision sebesar 0.990, MAP sebesar 1, MRR sebesar 1, dan nDCG sebesar 1. Secara keseluruhan, perpaduan SBERT dan Cosine Similarity efektif digunakan untuk memahami kemiripan makna antara query pengguna dan sinopsis film sehingga mampu menghasilkan rekomendasi yang relevan dan memiliki kualitas ranking yang baik.

ABSTRACT:

Movie recommendation systems provide a solution to help users discover films that match their preferences amid the vast number of available movie choices. However, recommendation approaches based solely on keyword matching often fail to capture the semantic meaning of user needs, resulting in less relevant recommendations. This study aims to develop a synopsis-based movie recommendation system using Sentence-BERT (SBERT) and Cosine Similarity to generate recommendations based on the semantic similarity between user queries and movie synopses. The system employs the all-MiniLM- L6-v2 model to generate sentence embeddings and utilizes Cosine Similarity to measure the similarity between user queries and movie synopses. The evaluation was conducted using 40 queries consisting of 20 short queries and 20 long queries across eight experimental scenarios combining preprocessing techniques, query lengths, and the number of recommendations Top-5 and Top-10. Relevance validation was performed by validator and evaluated using Precision, Mean Average Precision (MAP), Mean Reciprocal Rank (MRR), and Normalized Discounted Cumulative Gain (nDCG). The results indicate that the proposed system is capable of generating relevant recommendations across all testing scenarios used in this study. The best performance was achieved in the scenario without preprocessing, using short queries and Top-5 recommendations, obtaining a Precision score of 0.990, MAP of 1., MRR of 1., and nDCG of 1. Overall, the combination of SBERT and Cosine Similarity effectively captures semantic similarity between user queries and movie synopses, resulting in relevant, accurate, and well-ranked movie recommendations

مستخلص البحث:

ـُﻌَد في ﻇﻞ اﻟﻌدد اﻟﻜﺒير ﻣﻦ اﻷﻓﻼم المتﺎﺣﺔ. وﻣﻊ ذﻟﻚ، ﻓﺈن أسﺎﻟﻴﺐ اﻟتﻮﺻﻴﺔ المﻌتﻤدة ﻋﻠﻰ ﻣﻄﺎﺑﻘﺔ اﻟﻜﻠﻤﺎت المﻔتﺎﺣﻴﺔ ﻏﺎﻟﺒًﺎ ﻣﺎ ﺗﻌﺠﺰ ﻋﻦ ﻓﻬﻢ المﻌنى اﻟدﻻلي ﻻﺣتﻴﺎﺟﺎت المﺴتخدم، ممﺎ ﻳﺆدي إلى ﺗﻘديم ﺗﻮﺻﻴﺎت أﻗﻞ ﻣﻼءﻣﺔ. ﻳﻬدف ﻫﺬا اﻟﺒﺤﺚ إلى ﺑﻨﺎء ﻧﻈﺎم ﻟتﻮﺻﻴﺔ اﻷﻓﻼم اﻋتﻤﺎدًا ﻋﻠﻰ المﻠخﺼﺎت ʪستخدام نمﻮذج إس-ﺑيرت (SBERT) وﺗﺸﺎﺑﻪ ﺟﻴﺐ اﻟتﻤﺎم ﻹﻧتﺎج -all ﺗﻮﺻﻴﺎت ﻗﺎﺋﻤﺔ ﻋﻠﻰ اﻟتﺸﺎﺑﻪ اﻟدﻻلي ﺑين استﻔﺴﺎرات المﺴتخدم وﻣﻠخﺼﺎت اﻷﻓﻼم. تم ﺗﻄﻮﻳﺮ اﻟﻨﻈﺎم ʪستخدام نمﻮذج MiniLM-L6-v2 ﻟتﻮﻟﻴد اﻟتﻤﺜﻴﻼت اﻟدﻻﻟﻴﺔ ﻟﻠﻨﺼﻮص، ﻛﻤﺎ استُخدم أسﻠﻮب ﺗﺸﺎﺑﻪ ﺟﻴﺐ اﻟتﻤﺎم ﻟﻘﻴﺎس درﺟﺔ اﻟتﺸﺎﺑﻪ ﺑين استﻔﺴﺎرات المﺴتخدم وﻣﻠخﺼﺎت اﻷﻓﻼم. وأُﺟﺮﻳﺖ ﻋﻤﻠﻴﺔ اﻻﺧتﺒﺎر ʪستخدام أرﺑﻌين استﻔﺴﺎرًا، ﺗتﻜﻮن ﻣﻦ ﻋﺸﺮﻳﻦ ،استﻔﺴﺎرًا ﻗﺼيرًا وﻋﺸﺮﻳﻦ استﻔﺴﺎرًا ﻃﻮﻳﻼ ً، ﺿﻤﻦ ثمﺎﻧﻴﺔ سﻴﻨﺎرﻳﻮﻫﺎت تجﻤﻊ ﺑين استخدام المﻌﺎلجﺔ المﺴﺒﻘﺔ، وﻃﻮل اﻻستﻔﺴﺎر وﻋدد اﻟتﻮﺻﻴﺎت )أﻓﻀﻞ خمﺴﺔ وأﻓﻀﻞ ﻋﺸﺮة(. وتم اﻟتﺤﻘﻖ ﻣﻦ ﻣدى ﻣﻼءﻣﺔ اﻟﻨتﺎﺋﺞ ﻣﻦ ﺧﻼل المحﻜِّﻤين، ﻛﻤﺎ تم ﺗﻘﻴﻴﻢ أداء اﻟﻨﻈﺎم ʪستخدام ﻣﻘﺎﻳﻴﺲ اﻟدﻗﺔ (Precision)وﻣتﻮسﻂ اﻟدﻗﺔ اﻟﻌﺎم ، (MAP)وﻣتﻮسﻂ ﻣﻘﻠﻮب اﻟﺮﺗﺒﺔ ، (MRR)، وﻣﻘﻴﺎس اﻟﻜﺴﺐ اﻟتراﻛﻤﻲ المخﺼﻮم المُﻄﺒﱠﻊ (nDCG)وأﻇﻬﺮت ﻧتﺎﺋﺞ اﻻﺧتﺒﺎر أن اﻟﻨﻈﺎم ﻗﺎدر ﻋﻠﻰ ﺗﻘديم ﺗﻮﺻﻴﺎت ذات . ﺻﻠﺔ ﻋﺎﻟﻴﺔ في جمﻴﻊ سﻴﻨﺎرﻳﻮﻫﺎت اﻻﺧتﺒﺎر. وﻗد تحﻘﻖ أﻓﻀﻞ أداء في سﻴﻨﺎرﻳﻮ ﻋدم استخدام المﻌﺎلجﺔ المﺴﺒﻘﺔ ﻣﻊ اﻻستﻔﺴﺎرات 1 ، وﻣتﻮسﻂ ﻣﻘﻠﻮب اﻟﺮﺗﺒﺔ1 ، وﻣتﻮسﻂ اﻟدﻗﺔ اﻟﻌﺎم0.990 ،اﻟﻘﺼيرة وأﻓﻀﻞ خمﺴﺔ ﺗﻮﺻﻴﺎت، ﺣﻴﺚ ﺑﻠﻐﺖ ﻗﻴﻤﺔ اﻟدﻗﺔ . وﺑﺼﻮرة ﻋﺎﻣﺔ، أﺛﺒﺖ الجﻤﻊ ﺑين نمﻮذج إس-ﺑيرت وﺗﺸﺎﺑﻪ ﺟﻴﺐ اﻟتﻤﺎم ﻓﻌﺎﻟﻴتﻪ1 وﻣﻘﻴﺎس اﻟﻜﺴﺐ اﻟتراﻛﻤﻲ المخﺼﻮم المُﻄﺒﱠﻊ في ﻓﻬﻢ اﻟتﺸﺎﺑﻪ اﻟدﻻلي ﺑين استﻔﺴﺎرات المﺴتخدم وﻣﻠخﺼﺎت اﻷﻓﻼم، ممﺎ أسﻬﻢ في إﻧتﺎج ﺗﻮﺻﻴﺎت ذات ﺻﻠﺔ ودﻗﺔ ﻋﺎﻟﻴﺔ .وﺟﻮدة ﺗﺮﺗﻴﺐ ﺟﻴدة