Lente de película

MovieLens es un sistema de recomendación web y una comunidad virtual que recomienda películas a sus usuarios, basándose en sus preferencias cinematográficas mediante el filtrado colaborativo de las calificaciones y reseñas de películas de los miembros. Contiene aproximadamente 11 millones de calificaciones para unas 8500 películas. ^{[ 1 ]} MovieLens fue creado en 1997 por GroupLens Research , un laboratorio de investigación del Departamento de Ciencias de la Computación 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 de Moviefinder.com, ^{[ 3 ]} mientras que Amazon.com utilizó la tecnología de la empresa para crear su primer motor de recomendaciones para compras de consumidores. ^{[ 4 ]}

Cuando otro sitio de recomendaciones de películas, eachmovie.org, ^{[ 5 ]} cerró en 1997, los investigadores que lo crearon publicaron los datos de calificación anónimos que habían recopilado para que otros investigadores los utilizaran. El equipo de investigación de GroupLens, liderado por Brent Dahlen y Jon Herlocker, utilizó este conjunto de datos para impulsar un nuevo sitio de recomendaciones de películas, al que decidieron llamar MovieLens. Desde su creación, MovieLens se ha convertido en una plataforma de investigación muy visible: sus hallazgos de datos han sido objeto de un análisis detallado en un artículo de The New Yorker del periodista canadiense Malcolm Gladwell , ^{[ 6 ]} así como de un reportaje 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, "Using Social Psychology to Motivate Contributions to Online Communities". ^{[ 8 ]}

Durante la primavera de 2015, una búsqueda de "movielens" produjo 2750 resultados en Google Books y 7580 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 item-item , ^{[ 10 ]} user-user y SVD regularizado . ^{[ 11 ]} Además, para abordar el problema del arranque 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 con humor negro, en comparación con 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 cualquier película en el sitio web. ^{[ 13 ]} Basándose en estas calificaciones predichas, el sistema recomienda películas que es probable que el usuario califique positivamente. El sitio web sugiere que los usuarios califiquen tantas películas vistas completas como sea posible, para que las recomendaciones sean más precisas, ya que el sistema tendría una mejor muestra de los gustos cinematográficos del usuario. ^{[ 3 ]} Sin embargo, el enfoque de incentivo de calificaciones 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 recomendaciones de películas, MovieLens también proporciona información sobre películas individuales, como la lista de actores y directores de cada una. Los usuarios también pueden enviar y calificar etiquetas (una forma de metadatos , como "basada en un libro", "demasiado larga" o "cursi"), que pueden usarse para aumentar la precisión del sistema de recomendaciones de películas. ^{[ 3 ]}

Para 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 la precisión con la que recomendaba nuevas películas para ver según sus gustos cinematográficos. ^{[ 13 ]}

Fuera del ámbito de las recomendaciones de películas, Solution by Simulation ha utilizado datos de MovieLens para hacer 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 la holgazanería social y el establecimiento de metas en usuarios de MovieLens. ^{[ 8 ]} Los investigadores observaron que la falta de contribución parecía ser un problema para la comunidad y establecieron un estudio para determinar la forma más efectiva de motivar a los usuarios a calificar y reseñar más películas. El estudio realizó dos experimentos de campo; uno consistió en 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 les proporcionó a los usuarios una variedad de metas individuales o grupales para contribuir.

El primer experimento, basado en el análisis de la respuesta acumulada de la comunidad de MovieLens, reveló que los usuarios eran más propensos a contribuir a la comunidad cuando se les recordaba su singularidad, lo que les llevaba a pensar que sus contribuciones no eran duplicadas de las que otros usuarios podían aportar. Contrariamente a la hipótesis de los investigadores, también descubrieron que los usuarios eran menos propensos a contribuir cuando se les hacía evidente el beneficio que obtenían al calificar o el beneficio que otros obtenían al hacerlo. Por último, no encontraron evidencia que respaldara la relación entre singularidad y beneficio.

El segundo experimento reveló que los usuarios también eran más propensos a contribuir cuando se les asignaban objetivos específicos y desafiantes y se les hacía creer que sus contribuciones eran necesarias para alcanzar el objetivo del grupo. El estudio encontró que, en este contexto particular, asignar objetivos grupales a los usuarios incrementó sus contribuciones en comparación con los objetivos individuales, cuando los investigadores habían predicho 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 individual, proporcionó evidencia débil de que, más allá de cierto umbral de dificultad, el rendimiento disminuye, en lugar de estabilizarse como se había hipotetizado previamente en la teoría de establecimiento de objetivos de Locke y Latham.

GroupLens Research , un laboratorio de investigación de interacción humano-computadora de la Universidad de Minnesota , proporciona los conjuntos de datos de calificaciones 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 puntuaciones de relevancia en 1100 etiquetas (última actualización: agosto de 2017). ^{[ 15 ]} Hay varios conjuntos de datos más pequeños disponibles con tamaños de alrededor de 100 000 calificaciones, 1 millón, 10 millones y 20 millones. ^{[ 9 ]}

Existen muchos tipos de investigación realizados con base en los conjuntos de datos de MovieLens. Liu et al. utilizaron conjuntos de datos de MovieLens para probar la eficiencia de un algoritmo de paseo aleatorio mejorado al reducir la influencia de objetos de alto grado. ^{[ 16 ]} GroupLens tiene términos de uso para el conjunto de datos y acepta solicitudes a través de Internet .

• Sitio web oficial