Smarta receptförslag : algoritmutvärdering och implementationsförslag

Sammanfattning: I den här rapporten utvärderas ett antal olika collaborative filtering algoritmer för att ta reda på vilken av dess som lämpar sig bäst för att implementera åt PlanEatSmile i en PHP/MySQL-miljö. Målet är att hitta en algoritm som klarar av att skapa rekommendationer i realtid och med hög precision. Därtill är det viktigt att algoritmen ska kunna skapa rekommendationer åt nya användare (cold-start-problemet) samt att algoritmen ska skala väl när sajten växer. De algoritmer som undersöks är user-based collaborative filtering, item-based collaborative filtering och tendencies collaborative filtering. Samtliga algoritmer undersöks i två versioner. En version som utgår ifrån receptbetyget och en version som omvandlar receptbetygen till  ingrediensbetyg. Algoritmerna testas på data insamlat genom en enkät för att avgöra deras precision. För att avgöra skalbarheten testas algoritmerna på simulerad data var olika faktorer såsom antalet användare, antalet betyg och antalet recept varieras. I studien lyckas vi visa att user-based collaborative filtering och tendencies collaborative filtering uppnår den högsta precisionen. Vi visar även att tendenciesalgoritmerna presterar mycket bra med avseende på skalbarhet. Genom att använda tendencies collaborative filtering och slå ut receptbetygen på receptets enskilda ingredienser lyckas vi skapa en algoritm som både uppvisar god precision och mycket god prestanda med avseende på skalbarhet.