MovieLens
| Systemy rekomendujące |
|---|
| Pojęcia |
| Metody i wyzwania |
| Implementacje |
| Badania |
MovieLens to internetowy system rekomendacji i wirtualna społeczność , która poleca użytkownikom filmy do obejrzenia w oparciu o ich preferencje filmowe przy użyciu wspólnego filtrowania ocen filmów i recenzji filmów członków. Zawiera około 11 milionów ocen dla około 8500 filmów. MovieLens został stworzony w 1997 roku przez GroupLens Research , laboratorium badawcze na Wydziale Informatyki i Inżynierii Uniwersytetu w Minnesocie , w celu zbierania danych badawczych na temat spersonalizowanych rekomendacji.
Historia
MovieLens nie był pierwszym systemem rekomendacyjnym stworzonym przez GroupLens. W maju 1996 roku GroupLens utworzyło komercyjne przedsięwzięcie o nazwie Net Perceptions, które służyło klientom, w tym E! Online i Amazon.com . MI! Online wykorzystał usługi Net Perceptions do stworzenia systemu rekomendacji dla Moviefinder.com, podczas gdy Amazon.com wykorzystał technologię firmy do stworzenia mechanizmu wczesnych rekomendacji dla zakupów konsumenckich.
Kiedy w 1997 r. zamknięto inną witrynę z rekomendacjami filmów, eachmovie.org, badacze, którzy ją zbudowali, publicznie udostępnili anonimowe dane dotyczące ocen, które zebrali, aby mogli z nich korzystać inni badacze. Zespół badawczy GroupLens, kierowany przez Brenta Dahlena i Jona Herlockera, wykorzystał ten zestaw danych do szybkiego uruchomienia nowej strony z rekomendacjami filmów, którą nazwali MovieLens. Od samego początku MovieLens stał się bardzo widoczną platformą badawczą: wyniki jego danych zostały przedstawione w szczegółowej dyskusji w artykule Malcolma Gladwella w New Yorker , a także reportaż w pełnym odcinku ABC Nightline. Ponadto dane MovieLens miały kluczowe znaczenie dla kilku badań naukowych, w tym wspólnego badania między Carnegie Mellon University, University of Michigan, University of Minnesota i University of Pittsburgh, „Using Social Psychology to Motivate Contributions to Online Communities”.
Wiosną 2015 r. wyszukiwanie „filmów” dało 2750 wyników w Google Books i 7580 w Google Scholar.
Zalecenia
MovieLens opiera swoje rekomendacje na danych wejściowych dostarczonych przez użytkowników witryny, takich jak oceny filmów . Witryna wykorzystuje różne algorytmy rekomendacji, w tym wspólne algorytmy filtrowania, takie jak element-element , użytkownik-użytkownik i uregulowane SVD . Ponadto, aby rozwiązać zimnego startu dla nowych użytkowników, MovieLens wykorzystuje wywoływanie preferencji metody. System prosi nowych użytkowników o ocenę, jak bardzo lubią oglądać różne grupy filmów (na przykład filmy z czarnym humorem czy komedie romantyczne). Preferencje zarejestrowane w tej ankiecie pozwalają systemowi na sformułowanie wstępnych rekomendacji, nawet zanim użytkownik oceni dużą liczbę filmów w serwisie.
Dla każdego użytkownika MovieLens przewiduje, jak użytkownik oceni dany film w witrynie. Na podstawie tych przewidywanych ocen system rekomenduje filmy, które użytkownik prawdopodobnie oceni wysoko. Witryna sugeruje, aby użytkownicy oceniali jak najwięcej w pełni obejrzanych filmów, aby podane rekomendacje były dokładniejsze, ponieważ system miałby wtedy lepszą próbkę gustów filmowych użytkownika. Jednak metoda zachęty MovieLens do oceniania nie zawsze jest szczególnie skuteczna, ponieważ badacze odkryli, że ponad 20% filmów wymienionych w systemie ma tak mało ocen, że algorytmy rekomendacji nie są w stanie dokładnie przewidzieć, czy subskrybenci je polubią, czy nie. Rekomendacje dotyczące filmów nie mogą zawierać żadnych wartości marketingowych, które mogłyby poradzić sobie z dużą liczbą ocen filmów jako „zbiorem danych początkowych”.
Oprócz rekomendacji filmów, MovieLens dostarcza również informacji o poszczególnych filmach, takich jak lista aktorów i reżyserów każdego filmu. Użytkownicy mogą również przesyłać i oceniać tagi (forma metadanych , np. „oparte na książce”, „za długie” lub „kampajskie”), które mogą być wykorzystane do zwiększenia dokładności systemu rekomendacji filmów.
Przyjęcie
Do września 1997 r. strona internetowa osiągnęła ponad 50 000 użytkowników. Kiedy Akron Beacon Journal wypróbowała tę witrynę, była zaskoczona, jak dokładna była witryna pod względem polecania jej nowych filmów do obejrzenia na podstawie jej upodobań filmowych.
Poza dziedziną rekomendacji filmów, dane z MovieLens zostały wykorzystane przez firmę Solution by Simulation do przewidywania Oscarów.
Badania
W 2004 roku we współpracy z naukowcami z Carnegie Mellon University , University of Michigan , University of Minnesota i University of Pittsburgh opracowano i przetestowano bodźce wywodzące się z zasad psychologii społecznej dotyczących próżniactwa społecznego i wyznaczania celów na użytkownikach MovieLens. Badacze dostrzegli, że niedostateczny wkład wydaje się być problemem dla społeczności i przeprowadzili badanie, aby znaleźć najskuteczniejszy sposób motywowania użytkowników do oceniania i recenzowania większej liczby filmów. W badaniu przeprowadzono dwa eksperymenty polowe; jeden dotyczył wiadomości e-mail, które przypominały użytkownikom o wyjątkowości ich wkładu i wynikających z niego korzyści, a drugi dawał użytkownikom szereg indywidualnych lub grupowych celów wkładu.
Pierwszy eksperyment, oparty na analizie skumulowanych odpowiedzi społeczności MovieLens, wykazał, że użytkownicy byli bardziej skłonni do wnoszenia wkładu do społeczności, gdy przypominano im o ich wyjątkowości, co skłoniło ich do myślenia, że ich wkład nie jest duplikatem tego, co inni użytkownicy są w stanie zapewnić. W przeciwieństwie do hipotezy badaczy, odkryli również, że użytkownicy byli mniej skłonni do wnoszenia wkładu, gdy podkreślano dla nich korzyści, jakie czerpią z oceniania lub korzyści, jakie otrzymują inni, gdy oceniają. Wreszcie, nie znaleźli wsparcia dla związku między wyjątkowością a korzyścią.
Drugi eksperyment wykazał, że użytkownicy byli również bardziej skłonni do wnoszenia wkładu, gdy wyznaczano im konkretne i ambitne cele i skłoniono ich do przekonania, że ich wkład jest potrzebny do osiągnięcia celu grupy. Badanie wykazało, że w tym konkretnym kontekście wyznaczenie użytkownikom celów na poziomie grupy faktycznie zwiększyło wkład w porównaniu z celami indywidualnymi, gdzie naukowcy przewidzieli, że będzie odwrotnie ze względu na skutki próżniactwa społecznego. Zależność między trudnością celu a wkładem użytkowników zarówno w przypadku grupowym, jak i indywidualnym dała słaby dowód na to, że powyżej pewnego progu trudności wydajność spada, zamiast osiągnąć poziom plateau, jak zakładano wcześniej w Locke'a i Lathama.
Zbiory danych
GroupLens Research , laboratorium badań nad interakcjami człowiek-komputer na Uniwersytecie w Minnesocie , udostępnia zestawy danych oceny zebrane z witryny MovieLens do celów badawczych. Pełny zestaw danych zawiera 26 000 000 ocen i 750 000 aplikacji tagów zastosowanych do 45 000 filmów przez 270 000 użytkowników. Zawiera również dane genomu tagów z 12 milionami ocen istotności dla 1100 tagów (ostatnia aktualizacja 8/2017). Istnieje wiele rodzajów badań prowadzonych w oparciu o zbiory danych MovieLens. Liu i in. wykorzystali zestawy danych MovieLens do przetestowania wydajności ulepszonego algorytmu błądzenia losowego poprzez zmniejszenie wpływu obiektów o dużym stopniu. GroupLens ma warunków korzystania ze zbioru danych i przyjmuje żądania za pośrednictwem Internetu .
