I takt med att Internet blir mer och mer tillgängligt och att informationsmängden på Internetkonstant ökar, har ett behov för Rekommendationssystem uppkommit. Ett problem på internet äratt veta vem och vad man kan lita på. Ett sätt att komma runt det här tillitsproblemet är attanvända sig av social media. Samtidigt har sociala medier ständigt ökat i populäritet de senasteåren. Syftet med den här uppsatsen är att undersöka hur Rekommendationssystem och socialamedier kan dra nytta av varandra samtidigt som ett praktiskt problem om att fårekommendationer från sina (online) vänner löses.

Teknik och data a?r nyckeln till att Bonnier Business Media (BBM) ska kunna na? sina ma?l och leverera ytterligare tillva?xt. Da?rfo?r vill man ligga i framkant na?r det ga?ller att underso?ka nya tekniker som kan fo?rba?ttra plattformarna och go?ra dem mer tidsenliga. BBM har bland annat velat ta fram ett Rekommendationssystem som ska anva?ndas till att go?ra inneha?llet individanpassat pa? webbplatserna och pa? ett effektivt sa?tt presentera detta sa? att de olika ma?lgrupperna fa?r den information de fo?rva?ntar sig.

Det finns många webbsidor och flera av dem erbjuder miljontals objekt. För att hjälpa användarna att hitta rätt objekt används Rekommendationssystem. Det är viktigt att veta hur olika funktioner i systemen skiljer sig för att ge användarna rätt rekommendationer.Arbetet jämför två listor med kollaborativa rekommendationer, röstnings-baserade och visnings-baserade, för att ta reda på hur användare upplever att dessa skiljer sig. Det skapas en databas innehållande filmer som hjälper till att ta fram dessa rekommendationer. De användare som medverkar i undersökningen svarar på en enkät med frågor om hur de olika rekommendationerna skiljer sig.Resultatet visar att användarna inte upplever att listorna skiljer sig sett över hela undersökningen.

Parallel to new technological advancements, including the development of interactive recommender systems, digital music services on the Internet, such as Spotify, have in a short time span gradually replaced former physical media such as CDs and MP3-players and become pioneers on a market with an otherwise uncertain future. By subscribing to the service, users have access to a vast library of music and from any device with Internet access. In order to provide a satisfactory and useful musical experience, different ways of coping with the vastness is required - which is precisely what recommender systems are for. Improved filtering techniques and use of devices built in sensors, make way for new opportunities of more precise and contextually tailored suggestions for track selection, which in turn leads to potential privacy issues when using interactive music services. But where do we stand today? By compiling, exemplifying and discussing three different perspectives with relating to the development of interactive music recommender systems, the objective for this paper is to provide a for science, industry and user, objectively nuanced account of current potentials and expectations.

I Sverige kan man för närvarande skönja ett ökat intresse för matlagning. Detta reflekteras bland annat i ett ökat utbud av matlagningsprogram i tv och antalet sökningar efter recept på Google uppgår till nästan 2 miljoner varje månad, enbart i Sverige. Samtidigt slängs ungefär 25 % av all mat som inhandlas och många föräldrar uppger att de känner att det är svårt att experimentera mera i köket.I ett försök att uppmuntra till experimentering i köket och samtidigt minska matsvinnet har det i denna uppsats implementerats och testats en proof of concept metod för att rekommendera ingredienser som passar tillsammans. Tesen är att om användare får ett stöd med kombinationer av ingredienser som passar tillsammans kommer de så småningom att våga experimentera mera med sin matlagning.Flera algoritmer analyserades men algoritmen som implementerats bygger på en viktning av ingredienserna i PlanEatSmiles receptdatabas. När en ingrediens förekom tillsammans med en annan i ett recept ökades vikten med 1.

The goal of this project was to create a web-based, crowd-sourced, correlational database, that easily allowed users to submit objects and receive correlated objects as results. The webservice was created in the web development languages of HTML, CSS, PHP and Javscript, with MySQL to handle the database. Simultaneous development was kept in check with the aid of the source code management system GIT. Upon completion, the service contained several HTML-views, the ability to add and rate objects, a per-object dedicated page with information parsed from Wikipedia.org, and a view with objects ranked in accordance to the preferences specific to the current user. Roughly a month after the beginning of development, the website was publicly launched and promoted in order to collect data, and improvements were added to the website as needed.

The aim of this thesis is to examine one part of Amazon.coms recommender systems: Similar Items. The purpose is also to show the difficulties with subject access, i. e. to find a similar book to the one you just read; problems with traditional systems versus the usefulness with recommender systems like Amazon.coms Similar Items. Similar Items presents a set, a cluster of related items to a given item based on customers co-purchase.