КиноОбъектив
| Рекомендательные системы |
|---|
| Концепции |
| Методы и проблемы |
| Реализации |
| Исследовать |
MovieLens — это веб- система рекомендаций и виртуальное сообщество , которое рекомендует своим пользователям фильмы для просмотра на основе их предпочтений, используя совместную фильтрацию рейтингов фильмов и обзоров фильмов участников. Он содержит около 11 миллионов оценок примерно для 8500 фильмов. [1] MovieLens был создан в 1997 году GroupLens Research , исследовательской лабораторией факультета компьютерных наук и инженерии Университета Миннесоты . [2] для сбора исследовательских данных для персонализированных рекомендаций. [3]
История [ править ]
MovieLens не была первой рекомендательной системой, созданной GroupLens. В мае 1996 года GroupLens сформировала коммерческое предприятие под названием Net Perceptions, которое обслуживало клиентов, в том числе E! Интернет и Amazon.com . Э! Интернет использовал услуги Net Perceptions для создания системы рекомендаций для Moviefinder.com, [3] в то время как Amazon.com использовал технологию компании для формирования своей ранней системы рекомендаций для потребительских покупок. [4]
Когда другой сайт рекомендаций фильмов,eachmovie.org, [5] закрылся в 1997 году, исследователи, создавшие его, публично опубликовали собранные ими анонимные рейтинговые данные для использования другими исследователями. Исследовательская группа GroupLens под руководством Брента Далена и Джона Херлокера использовала этот набор данных , чтобы запустить новый сайт рекомендаций фильмов, который они решили назвать MovieLens. С момента своего создания MovieLens стал очень заметной исследовательской платформой: полученные ею данные были подробно описаны в статье Малкольма Гладуэлла в журнале New Yorker . [6] а также репортаж в полном выпуске ABC Nightline. [7] Кроме того, данные MovieLens сыграли решающую роль в нескольких исследованиях, в том числе в совместном исследовании Университета Карнеги-Меллона, Мичиганского университета, Университета Миннесоты и Питтсбургского университета «Использование социальной психологии для мотивации вкладов в онлайн-сообщества». [8]
Весной 2015 года поиск по запросу «кинофильмы» дал 2750 результатов в Google Книгах и 7580 в Google Scholar. [9]
Рекомендации [ править ]
MovieLens основывает свои рекомендации на данных, предоставленных пользователями веб-сайта, например на рейтингах фильмов . [2] На сайте используются различные алгоритмы рекомендаций, включая алгоритмы совместной фильтрации , такие как item-item , [10] пользователь-пользователь и регуляризованный SVD . [11] Кроме того, для решения проблемы холодного запуска для новых пользователей MovieLens использует выявления предпочтений . методы [12] Система просит новых пользователей оценить, насколько им нравится смотреть различные группы фильмов (например, фильмы с черным юмором или романтические комедии). Предпочтения, зафиксированные в ходе этого опроса, позволяют системе давать первоначальные рекомендации еще до того, как пользователь поставил оценку большому количеству фильмов на веб-сайте.
MovieLens прогнозирует для каждого пользователя, как тот оценит тот или иной фильм на веб-сайте. [13] На основе этих прогнозируемых оценок система рекомендует фильмы, которые пользователь, скорее всего, оценит высоко. Веб-сайт предлагает пользователям оценивать как можно больше полностью просмотренных фильмов, чтобы данные рекомендации были более точными, поскольку тогда система будет иметь более полную картину вкусов фильмов пользователя. [3] Однако подход MovieLens к стимулированию рейтингов не всегда особенно эффективен: исследователи обнаружили, что более 20% фильмов, перечисленных в системе, имеют настолько мало оценок, что алгоритмы рекомендаций не могут сделать точные прогнозы о том, понравятся они подписчикам или нет. [8] Рекомендации по фильмам не могут содержать какой-либо маркетинговой ценности, которая могла бы учитывать большое количество рейтингов фильмов в качестве «исходного набора данных». [1]
Помимо рекомендаций по фильмам, MovieLens также предоставляет информацию об отдельных фильмах, например список актеров и режиссеров каждого фильма. Пользователи также могут отправлять и оценивать теги (разновидность метаданных , например «на основе книги», «слишком длинный» или «манерный»), которые могут использоваться для повышения точности системы рекомендаций фильмов. [3]
Прием [ править ]
К сентябрю 1997 года сайт посетило более 50 000 пользователей. [3] Когда Akron Beacon Journal Паула Шляйс из опробовала этот веб-сайт, она была удивлена тем, насколько точным был веб-сайт с точки зрения рекомендаций ей к просмотру новых фильмов, исходя из ее кинопристрастий. [13]
Помимо рекомендаций по фильмам, данные MovieLens использовались Solution by Simulation для прогнозирования «Оскара». [14]
Исследования [ править ]
В 2004 году совместное исследование с исследователями из Университета Карнеги-Меллон , Мичиганского университета , Университета Миннесоты и Университета Питтсбурга разработало и протестировало стимулы, основанные на принципах социальной психологии социального безделья и постановки целей , на пользователях MovieLens. [8] Исследователи увидели, что недостаточный вклад представляет собой проблему для сообщества, и организовали исследование, чтобы найти наиболее эффективный способ мотивировать пользователей оценивать и просматривать больше фильмов. В ходе исследования было проведено два полевых эксперимента; один включал сообщения электронной почты, которые напоминали пользователям об уникальности их вклада и вытекающих из него выгодах, а другой предлагал пользователям ряд индивидуальных или групповых целей для вклада.
Первый эксперимент, основанный на анализе совокупной реакции сообщества MovieLens, показал, что пользователи с большей вероятностью вносят свой вклад в сообщество, когда им напоминают об их уникальности, что заставляет их думать, что их вклад не является дубликатом того, что могут сделать другие пользователи. обеспечить. Вопреки гипотезе исследователей, они также обнаружили, что пользователи с меньшей вероятностью вносили свой вклад, когда им подчеркивали выгоду, которую они получают от оценки, или выгоду, которую получают другие, когда они ставят оценки. Наконец, они не нашли подтверждения взаимосвязи между уникальностью и пользой.
Второй эксперимент показал, что пользователи также с большей вероятностью вносили свой вклад, когда перед ними стояли конкретные и сложные цели, и они были убеждены, что их вклад необходим для достижения цели группы. Исследование показало, что в этом конкретном контексте предоставление пользователям целей на уровне группы фактически увеличивает вклад по сравнению с индивидуальными целями, тогда как исследователи предсказывали, что будет верно обратное из-за эффектов социального безделья. Взаимосвязь между сложностью цели и вкладом пользователей как в групповом, так и в индивидуальном случае дала слабые доказательства того, что за пределами определенного порога сложности производительность падает, а не выходит на плато, как предполагалось ранее в теории постановки целей Локка и Лэтэма.
Наборы данных [ править ]
GroupLens Research , исследовательская лаборатория взаимодействия человека и компьютера в Университете Миннесоты , предоставляет наборы рейтинговых данных, собранные с веб-сайта MovieLens, для исследовательских целей. Полный набор данных содержит 26 000 000 оценок и 750 000 приложений с тегами, примененных к 45 000 фильмам 270 000 пользователей. Он также включает данные генома тегов с 12 миллионами оценок релевантности для 1100 тегов (последнее обновление: 8 августа 2017 г.). [15] На основе наборов данных MovieLens проводится множество типов исследований. Лю и др. использовали наборы данных MovieLens для проверки эффективности улучшенного алгоритма случайного блуждания за счет снижения влияния объектов большой степени. [16] У GroupLens есть условия использования набора данных, и она принимает запросы через Интернет .
Ссылки [ править ]
- ^ Jump up to: Перейти обратно: а б «База данных MovieLens доступна на сайте Technology Commercialization» .
- ^ Jump up to: Перейти обратно: а б Шофилд, Джек (22 мая 2003 г.). «Земля Гнода» . Хранитель . Лондон.
- ^ Jump up to: Перейти обратно: а б с д и Охеда-Сапата, Хулио (15 сентября 1997 г.). «Новый сайт персонализирует обзоры фильмов». Сент-Пол Пионер Пресс . п. 3Е.
- ^ Бут, Майкл (30 января 2005 г.). «Откуда компьютеры так много знают о нас?». Денвер Пост . п. Ф01.
- ^ Лим, Мёнын; Ким, Хунтэ (2001). «Веб-разведка: исследования и разработки». Материалы Первой Азиатско-Тихоокеанской конференции по веб-разведке: исследования и разработки . Азиатско-Тихоокеанская конференция по веб-разведке. Конспекты лекций по информатике. Том. 2198/2001. Шпрингер Берлин/Гейдельберг. стр. 438–442 . дои : 10.1007/3-540-45490-X_56 . ISBN 978-3-540-42730-8 .
- ^ Гладуэлл, Малкольм (4 октября 1999 г.). «Анналы маркетинга: наука о спящем: как век информации может стереть с лица земли блокбастеры» . Житель Нью-Йорка . 75 (29): 48–55. Архивировано из оригинала 30 декабря 2009 года . Проверено 29 декабря 2009 г.
- ^ Крулвич, Роберт (10 декабря 1999 г.). «ABC Nightline: Родственная душа» . АВС.
- ^ Jump up to: Перейти обратно: а б с Бинен, Джерард; Линг, Кимберли; Ван, Сяоцин; Чанг, Кларисса; Франковски, Дэн; Резник, Пол; Краут, Роберт Э. (2004). «Использование социальной психологии для мотивации участия в интернет-сообществах» . CommunityLab : 93–116. CiteSeerX 10.1.1.320.5540 .
- ^ http://files.grouplens.org/papers/harper-tiis2015.pdf [ пустой URL PDF ]
- ^ Сарвар, Бадрул и др. «Алгоритмы рекомендаций по совместной фильтрации на основе элементов». Материалы 10-й международной конференции по Всемирной паутине. АКМ, 2001.
- ^ Экстранд, Майкл Д. К инструментам разработки рекомендателей и экспериментам по выявлению различий между рекомендателями. Дисс. УНИВЕРСИТЕТ МИННЕСОТЫ, 2014 г.
- ^ Чанг, Шуо, Ф. Максвелл Харпер и Лорен Тервин. «Использование групп элементов для привлечения новых пользователей в рекомендательные системы». Материалы 18-й конференции ACM по совместной работе с компьютерной поддержкой и социальным вычислениям. АКМ, 2015.
- ^ Jump up to: Перейти обратно: а б Шляйс, Паула (13 ноября 2000 г.). «Сайт позволяет каждому быть критиком». Журнал Akron Beacon Journal . п. Д2.
- ^ Хикки, Уолт. «Совпадают ли ваши прогнозы на «Оскар»? Вот что говорят данные». ПятьТридцатьВосемь. Нп, 18 февраля 2016 г. Интернет. 8 марта 2016 г. < http://fivethirtyeight.com/features/oscar-data-model-predictions-2015/ >
- ^ «Групповая линза» .
- ^ Чуан Лю, Чжэнь Лю, Цзы-Ке Чжан, Цзюнь-Лин Чжоу, Ян Фу, Да-Чэн Не (2014). «Алгоритм персонализированных рекомендаций посредством смещенного случайного блуждания». 11-я Международная совместная конференция по информатике и программной инженерии (JCSSE) .
{{cite news}}: CS1 maint: несколько имен: список авторов ( ссылка )
