這年頭，隨著影音平台的成長，再加上疫情關係所導致成電影產業的萎縮，因此電影推薦系統也越來越與我們的生活息息相關。因此，這方面的研究從2004年到現在，也都還有在做相關的研究，不管是提供新的方式，亦或者更改裏頭的計算方式，甚至是結合別的技術來製作系統都有。
因此本研究嘗試結合Word2vec將比較少人使用的簡介來做相似度計算，將其他較多人使用的電影種類，利用不一樣的方式，透過Jaccard相似度係數來做計算，最後參考近年來沒人使用過的資料，透過製作公司來做計算，探討製作公司是否能對推薦有著正面的影響。
最後，使用不同的權重方式，應應不同的屬性資料，透過問卷得到使用者對於這些方式的實用度，探討著為何有這些回饋，同時也證明著，製作公司會有正面的影響。

In recent years, with the growth of audio-visual platforms, coupled with the shrinking of the film industry caused by the epidemic, the movie recommendation system has become more and more closely related to our lives. Therefore, from 2004 to the present, the research in this area is still doing related research, whether it is to provide a new method, or to change the calculation method in it, or even to combine other technologies to make a system.
Therefore, this study attempts to use Word2vec to calculate the similarity of the profiles that are used by less people, and use different methods for other movie types that are used by more people, using the Jaccard similarity coefficient to calculate the similarity. The used data is calculated by the production company to explore whether the production company can have a positive influence on the recommendation.
Finally, different weighting methods should be used, different attribute data should be used, and users' practicality of these methods should be obtained through questionnaires, and the reasons for these feedbacks should be discussed. At the same time, it also proves that the production company will have a positive impact.

第一章、緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 論文架構 3
第二章、文獻探討 5
2.1 推薦系統 5
2.1.1 協同過濾推薦系統 5
2.1.2 基於內容推薦系統 6
2.1.3 混和推薦系統 7
2.2 Word2vec詞向量模型 8
2.3 Jaccard Similarity Coefficient 10
2.4 電影推薦系統 11
第三章、電影推薦系統 13
3.1 資料集 13
3.2 系統架構與操作流程 17
3.3 屬性相似度計算 20
第四章、系統實驗評估 25
4.1 實驗資料集介紹 25
4.2 相似度計算與權重分配之比較 25
4.3 推薦系統滿意度調查 33
第五章、結論 39
參考文獻 40

1.Banik, R. (2017). The Movies Dataset. https://www.kaggle.com/datasets/rounakbanik/the-movies-dataset?select=movies_metadata.csv
2.Chen, H. W., Wu, Y. L., Hor, M. K., & Tang, C. Y. (2017). Fully content-based movie recommender system with feature extraction using neural network 2017 International conference on machine learning and cybernetics (ICMLC),
3.Faisal, M. S., Rizwan, A., Iqbal, K., Fasihuddin, H., Banjar, A., & Daud, A. (2022). Prediction of Movie Quality via Adaptive Voting Classifier. IEEE Access, 10, 81581-81596.
4.Firth, J. R. (1957). Applications of General Linguistics. Transactions of the Philological Society, 56(1), 1-14. https://doi.org/https://doi.org/10.1111/j.1467-968X.1957.tb00568.x
5.Halder, S., Sarkar, A. J., & Lee, Y. K. (2012). Movie recommendation system based on movie swarm 2012 Second international conference on cloud and green computing,
6.Hamming, R. W. (1950). Error detecting and error correcting codes. The Bell system technical journal, 29(2), 147-160.
7.I code so I am（2019年9月23日）。Day 08：協同過濾(Collaborative Filtering)。iT邦幫忙。https://ithelp.ithome.com.tw/articles/10219511?sc=pt
8.Jaccard, P. (1901). Distribution de la flore alpine dans le bassin des Dranses et dans quelques régions voisines. Bull Soc Vaudoise Sci Nat, 37, 241-272.
9.Jafarkarimi, H., Sim, A. T. H., & Saadatdoost, R. (2012). A naive recommendation model for large databases. International Journal of Information and Education Technology, 2(3), 216.
10.Kannikaklang, N., Wongthanavasu, S., & Thamviset, W. (2022). A Hybrid Recommender System for Improving Rating Prediction of Movie Recommendation 2022 19th International Joint Conference on Computer Science and Software Engineering (JCSSE),
11.Krishan. (2015). Tag: skip-gram model-Words as Vectors. https://iksinc.online/tag/skip-gram-model/
12.Li, P., & Yamada, S. (2004). A movie recommender system based on inductive learning IEEE Conference on Cybernetics and Intelligent Systems, 2004.,
13.Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.
14.Minkowski, H. (1908). Die Grundgleichungen für die elektromagnetischen Vorgänge in bewegten Körpern. Nachrichten von der Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-Physikalische Klasse, 1908, 53-111.
15.PireciSejdiu, N., Ristevski, B., & Jolevski, I. (2022). Performance Comparison of Machine Learning Algorithms in Movie Recommender Systems 2022 57th International Scientific Conference on Information, Communication and Energy Systems and Technologies (ICEST),
16.Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994). Grouplens: An open architecture for collaborative filtering of netnews Proceedings of the 1994 ACM conference on Computer supported cooperative work,
17.Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms Proceedings of the 10th international conference on World Wide Web,
18.weixin_26746401（2020年8月22日）。svm和k-最近鄰_使用K最近鄰的電影推薦和評級預測。CSDN−專業開發者社區。https://blog.csdn.net/weixin_26746401/article/details/108259919
19.Zhang, J., Wang, Y., Yuan, Z., & Jin, Q. (2019). Personalized real-time movie recommendation system: Practical prototype and evaluation. Tsinghua Science and Technology, 25(2), 180-191.
20.文化部影視及流行音樂產業局（2022年11月8日）。2022年電影市場動態.。https://www.bamid.gov.tw/informationlist_243.html
21.吉雷曼（2015）。運用電影銷售趨勢分群於電影推薦系統之研究〔未出版之碩士論文〕。國立臺灣科技大學工業管理系。台北市。https://hdl.handle.net/11296/7hfyda
22.阿新（2019年1月26日）。推薦系統之基於內容推薦CB。程式人生。https://www.796t.com/content/1548459924.html
23.馬靖涵（2020）。美國串流影視產業之競爭分析與成長策略探討−以Netflix為例〔未出版之碩士論文〕。國立臺灣大學企業管理碩士專班。台北市。https://hdl.handle.net/11296/qhjta7
24.資誠聯合會計師事務所（2022年7月）。2022-2026臺灣娛樂暨媒體業展望。https://www.pwc.tw/zh/publications/topic-report/assets/taiwan-entertainment-and-media-outlook-2022-2026.pdf
25.蔡英順（2016）。結合社群網站資料之電影推薦系統〔未出版之碩士論文〕。實踐大學資訊科技與管理學系碩士班。台北市。https://hdl.handle.net/11296/4qx4ea
26.衛生福利部疾病管制署（2021年5月26日）。強化COVID−19第三級疫情警戒相關措施及裁罰說明，請民眾確實遵守。衛生福利部疾病管制署新聞稿。https://www.cdc.gov.tw/Bulletin/Detail/S5NomUGuTz7MaezDJ6B2Dg?typeid=9
27.顏銘伯（2017）。應用主題模型提升電影推薦系統之績效〔未出版之碩士論文〕。國立臺北大學資訊管理研究所。新北市。https://hdl.handle.net/11296/pp87t5