Die Studie untersucht die komplexe Beziehung zwischen SER und CRS durch den Einsatz fortschrittlicher maschineller Lernverfahren. Sie schlägt einen Empfehlungsmechanismus vor, der über das konventionelle Ergebnis eines inhaltsbasierten Systems hinausgeht, um spezifische emotionale Nuancen aus Sprachdaten zu extrahieren. Sie untersucht die emotionalen Feinheiten und die Genres der Filme, indem sie Filmsätze mit emotionaler Klassifikation integriert. Darüber hinaus bewertet sie die emotionale Wirkung von Filmen und bietet den Zuschauern Empfehlungen durch Vektorisierung, Kosinusähnlichkeit und genrespezifisches emotionales Gewicht. Insgesamt spiegeln die Klassifikatoren die herausragende Leistung des Systems bei der Abbildung von Benutzerpräferenzen auf empfohlene Filme wider, was eine wesentliche Verbesserung der Empfehlungssysteme anzeigt. Mit einem F1-Score von 93 % wird das vorgeschlagene CNN (93 %) als das beste integrierte Deep-Learning-Modell unter den anderen Klassifikatoren identifiziert, zu denen MLP (73 %), LightGBM (90 %), XGBoost (91 %), Naïve Bayes (34 %), AdaBoost (49 %), k-NN (74 %), logistische Regression (43 %), LSTM (84 %), RF (88 %), DT (82 %) und SVM (48 %) gehören.
Inam et al. (Wed,) haben diese Frage untersucht.