Asian Journal of Multidimensional Research (ajmr)

7.

 

CONCLUSION

 

---

ISSN: 2278-4853         Vol 10, Issue 9, September, 2021        Impact Factor: SJIF 2021 = 7.699 

Asian Journal of Multidimensional Research (AJMR)

 

https://www.tarj.in

 

683 

 

AJMR 

This  recommendation  system  cannot  be  deemed  highly  accurate  or  perfect  until  actual  data  is 

collected  and  tested.  However,  a  "Perfectsystem"  is  virtually  impossible  to  build  as  viewer 

psychology  varies  over  time,  and  impulse  decisions  of  the  user  cannot  be  predicted.The 

application  of  Operations  research  in  OTT  platforms  is  an  upcoming  field,  and  there  are  still 

many more methods and techniques which can be applied or further explored.  

The  system  aims  to  maximize  the  probability  of  recommending  the  correct  genre  to  get  the 

viewer  to  spend  a  more  extendedtime  watching  different  titles.  The  system  also  enhances  the 

user's  experience  as  they  can  explore  titles  they  may  like  effortlessly  and  feasibly.  However, 

there are several limitations to using the system, the most important being the inability to show a 

new and unique title outside of what the system recommends- this may limit the users' choices to 

quite some extent. The system is  relatively simple right  now; however, in the future, we could 

develop  the  system  to  a  great  extent  with  the  advancements  in  technology  and  better  data 

calculation methods. There are several ways to bypass the limitations; simple techniques such as 

a quick survey would give us a better perspective on the choices than using randomly generated 

numbers.  As  viewer  psychology  is  constantly  changing,  the  recommendations  may  not  be 

perfect.  Taking  data  continuously  and  a  system  that  could  implement  those  changes  to  modify 

the  probabilities  would  help  keep  the  system  as  close  as  possible  to  the  viewers'  watch 

preferences.  

In  conclusion,  we  have  partially  met  our  objective  to  create  a  recommender  system  using  the 

Hungarian  assignment  method  as  the  methodology  works  fundamentally.  However,  due  to  the 

lack of accurate real data and limitations mentioned above, there is further scope to improve the 

research.