Rekommendationssystem är idag väsentliga för att navigera den enorma mängd produkter tillgängliga via internet. Då social media i form av Twitter vid tidigare tillfällen använts för att generera filmrekommendationer har detta främst varit för att hantera cold-start, ett vanligt drabbande problem för collaborative-filtering. I detta arbete adresseras istället hur top-k rekommendationer påverkas vid integrering av social media data i rekommendationssystemet. För att svara på denna fråga har en prototyp av nytt slag utvecklats inom processmodellen för Design Science. Systemet rankar om top-k rekommendationer baserat på resultatet av social matchning där användares Tweets matchas med nyckelord för filmer genom latent semantic indexing (LSI) similarity. Prototypen evalueras genom experiment som adresserar funktionalitet, noggrannhet, konsekvens och prestanda. Resultatet visar att mätetalen NDCG och MAP för top-k rekommendationer förbättras med social matching jämfört med att enbart använda collaborative filtering.

Recommender systems are a crucial part of navigating the vast number of products on the internet. Social media, in the form of Twitter microblogs, has been previously used to produce movie recommendations, yet this has mainly been to solve cold-start, a common problem in collaborative filtering environments. This work addresses how top-k recommendations in a collaborative filtering environment are affected when augmented with social media data. To answer this question a novel prototype is developed following a design science process model. This system re-ranks top-k recommendations based on a social matching process where Tweets are matched with movie keywords through latent semantic indexing (LSI) similarity. The prototype is evaluated through experiments regarding functionality, accuracy, consistency, and performance. The results show that NDCG and MAP metrics of the top-k recommendations improve with social matching compared to only using the collaborative filtering algorithms.