MovieLens es un sistema de recomendación basado en la web y una comunidad virtual que recomienda películas para que las vean sus usuarios, en función de sus preferencias cinematográficas, mediante un filtrado colaborativo de las valoraciones y reseñas de películas de los miembros. Contiene alrededor de 11 millones de valoraciones de unas 8500 películas. [1] MovieLens fue creado en 1997 por GroupLens Research , un laboratorio de investigación del Departamento de Ciencias Informáticas e Ingeniería de la Universidad de Minnesota , [2] con el fin de recopilar datos de investigación sobre recomendaciones personalizadas. [3]
MovieLens no fue el primer sistema de recomendación creado por GroupLens. En mayo de 1996, GroupLens formó una empresa comercial llamada Net Perceptions, que prestaba servicios a clientes como E! Online y Amazon.com . E! Online utilizó los servicios de Net Perceptions para crear el sistema de recomendación para Moviefinder.com, [3] mientras que Amazon.com utilizó la tecnología de la empresa para formar su primer motor de recomendación para las compras de los consumidores. [4]
Cuando otro sitio de recomendaciones de películas, eachmovie.org, [5] cerró en 1997, los investigadores que lo construyeron publicaron los datos de calificación anónimos que habían recopilado para que otros investigadores los usaran. El equipo de investigación de GroupLens, dirigido por Brent Dahlen y Jon Herlocker, utilizó este conjunto de datos para poner en marcha un nuevo sitio de recomendaciones de películas, al que decidieron llamar MovieLens. Desde su inicio, MovieLens se ha convertido en una plataforma de investigación muy visible: los resultados de sus datos se han presentado en una discusión detallada en un artículo de Malcolm Gladwell en The New Yorker , [6] así como en un informe en un episodio completo de ABC Nightline. [7] Además, los datos de MovieLens han sido fundamentales para varios estudios de investigación, incluido un estudio colaborativo entre la Universidad Carnegie Mellon, la Universidad de Michigan, la Universidad de Minnesota y la Universidad de Pittsburgh, "Usando la psicología social para motivar contribuciones a las comunidades en línea". [8]
Durante la primavera de 2015, una búsqueda de "movielens" produjo 2.750 resultados en Google Books y 7.580 en Google Scholar. [9]
MovieLens basa sus recomendaciones en la información proporcionada por los usuarios del sitio web, como las calificaciones de las películas . [2] El sitio utiliza una variedad de algoritmos de recomendación, incluidos algoritmos de filtrado colaborativo como elemento-elemento , [10] usuario-usuario y SVD regularizado . [11] Además, para abordar el problema del inicio en frío para los nuevos usuarios, MovieLens utiliza métodos de obtención de preferencias . [12] El sistema pide a los nuevos usuarios que califiquen cuánto disfrutan viendo varios grupos de películas (por ejemplo, películas de humor negro frente a comedias románticas). Las preferencias registradas por esta encuesta permiten al sistema hacer recomendaciones iniciales, incluso antes de que el usuario haya calificado una gran cantidad de películas en el sitio web.
Para cada usuario, MovieLens predice cómo calificará el usuario una película dada en el sitio web. [13] En función de estas calificaciones previstas, el sistema recomienda películas que el usuario probablemente calificará altamente. El sitio web sugiere que los usuarios califiquen tantas películas vistas completamente como sea posible, de modo que las recomendaciones dadas serán más precisas, ya que el sistema tendría entonces una mejor muestra de los gustos cinematográficos del usuario. [3] Sin embargo, el enfoque de incentivo de calificación de MovieLens no siempre es particularmente efectivo, ya que los investigadores encontraron que más del 20% de las películas listadas en el sistema tienen tan pocas calificaciones que los algoritmos de recomendación no pueden hacer predicciones precisas sobre si a los suscriptores les gustarán o no. [8] Las recomendaciones de películas no pueden contener ningún valor de marketing que pueda abordar la gran cantidad de calificaciones de películas como un "conjunto de datos semilla". [1]
Además de las recomendaciones de películas, MovieLens también proporciona información sobre películas individuales, como la lista de actores y directores de cada película. Los usuarios también pueden enviar y calificar etiquetas (una forma de metadatos , como "basado en un libro", "demasiado largo" o "exagerado"), que pueden usarse para aumentar la precisión del sistema de recomendaciones de películas. [3]
En septiembre de 1997, el sitio web había alcanzado más de 50.000 usuarios. [3] Cuando Paula Schleis del Akron Beacon Journal probó el sitio web, se sorprendió de lo preciso que era el sitio web en términos de recomendarle nuevas películas para ver en función de sus gustos cinematográficos. [13]
Fuera del ámbito de las recomendaciones de películas, Solution by Simulation ha utilizado datos de MovieLens para realizar predicciones de los Oscar. [14]
En 2004, un estudio colaborativo con investigadores de la Universidad Carnegie Mellon , la Universidad de Michigan , la Universidad de Minnesota y la Universidad de Pittsburgh diseñó y probó incentivos derivados de los principios de psicología social de holgazanería social y establecimiento de objetivos en los usuarios de MovieLens. [8] Los investigadores vieron que la contribución insuficiente parecía ser un problema para la comunidad y establecieron un estudio para discernir la forma más efectiva de motivar a los usuarios a calificar y reseñar más películas. El estudio ejecutó dos experimentos de campo; uno involucró mensajes de correo electrónico que recordaban a los usuarios la singularidad de sus contribuciones y los beneficios que se derivan de ellas, y el otro dio a los usuarios una variedad de objetivos individuales o grupales para la contribución.
El primer experimento, basado en el análisis de la respuesta acumulada de la comunidad MovieLens, descubrió que los usuarios tenían más probabilidades de contribuir a la comunidad cuando se les recordaba su singularidad, lo que los llevaba a pensar que sus contribuciones no eran duplicaciones de lo que otros usuarios podían proporcionar. Contrariamente a la hipótesis de los investigadores, también descubrieron que los usuarios tenían menos probabilidades de contribuir cuando se les hacía evidente el beneficio que reciben al calificar o el beneficio que reciben otros cuando califican. Por último, no encontraron ningún respaldo a la relación entre singularidad y beneficio.
El segundo experimento descubrió que los usuarios también eran más propensos a contribuir cuando se les daban objetivos específicos y desafiantes y se les hacía creer que sus contribuciones eran necesarias para lograr el objetivo del grupo. El estudio descubrió que, en este contexto particular, dar a los usuarios objetivos a nivel de grupo en realidad aumentaba las contribuciones en comparación con los objetivos individuales, donde los investigadores predijeron que sucedería lo contrario debido a los efectos de la holgazanería social. La relación entre la dificultad de los objetivos y las contribuciones de los usuarios tanto en el caso grupal como en el individual proporcionó evidencia débil de que más allá de un cierto umbral de dificultad, el rendimiento cae, en lugar de estancarse como se había hipotetizado previamente en la teoría de fijación de objetivos de Locke y Latham.
GroupLens Research , un laboratorio de investigación de interacción hombre-computadora de la Universidad de Minnesota , proporciona los conjuntos de datos de calificación recopilados del sitio web MovieLens para uso en investigación. El conjunto de datos completo contiene 26 000 000 de calificaciones y 750 000 aplicaciones de etiquetas aplicadas a 45 000 películas por 270 000 usuarios. También incluye datos del genoma de etiquetas con 12 millones de puntajes de relevancia en 1100 etiquetas (última actualización 8/2017). [15] Hay muchos tipos de investigaciones realizadas basadas en los conjuntos de datos de MovieLens. Liu et al. utilizaron conjuntos de datos de MovieLens para probar la eficiencia de un algoritmo de caminata aleatoria mejorado al deprimir la influencia de objetos de gran grado. [16] GroupLens tiene términos de uso para el conjunto de datos y acepta solicitudes a través de Internet.
{{cite news}}: CS1 maint: varios nombres: lista de autores ( enlace )