Binge Watch: Reproducible Multimodal Benchmarks Datasets for Large-Scale Movie Recommendation on MovieLens-10M and 20M
University of Bari Aldo Moro(巴里阿尔多·莫罗大学)
本文发布M3L-10M和M3L-20M两个大规模多模态数据集,通过丰富MovieLens-10M和20M数据集,为大规模电影推荐提供可重复的基准数据。
2026-07-28 cs.IR
Extending MovieLens-32M to Provide New Evaluation Objectives
本文扩展 MovieLens-32M 数据集以支持预测用户观看列表的新评估目标,通过用户评估汇总推荐缓解了传统离线评估中的流行度偏差问题。
2025-04-26 cs.IR
Movie Recommendation System using Sentiment Analysis from Microblogging Data
推荐系统是一种重要的智能系统,在为用户提供选择性信息方面起着至关重要的作用。推荐系统中的传统方法包括协同过滤和基于内容的过滤。然而,这些方法有一定的局限性,如需要先前的用户历史和习惯来执行推荐任务。为了减少这种依赖性的影响,本文提出了一种混合推荐系统,它结合了协同过滤,基于内容的过滤和情感分析的电影推文。电影推文是从微博网站收集的,以了解电影的当前趋势和用户反应。在公共数据库上进行的实验产生了令人满意的结果。
2018-11-27 cs.IR cs.SI
Recommendation Algorithms: A Comparative Study in Movie Domain
School of Engineering and Sciences, SRM University(SRM大学工程与科学学院);School of Computing, Sheffield Hallam University(谢菲尔德哈勒姆大学计算机学院);Department of Computer Science and Engineering (Data Science), R.V.R. & J.C. College of Engineering(R.V.R.与J.C.工程学院计算机科学(数据科学)系)
本文比较了电影领域推荐算法,通过回归模型和多种算法评估,发现基于矩阵分解的算法在推荐效果上最佳。
2026-02-27 cs.IR cs.SI
Collaborative Recommendation Model Based on Multi-modal Multi-view Attention Network: Movie and literature cases
本文提出基于多模态多视图注意力网络的协同推荐模型CRMMAN,通过结合用户偏好与厌恶视图及场景语义结构信息丰富表示,在MovieLens-1M和Book-Crossing数据集上显著提升了推荐性能。
2023-05-24 cs.IR
Transforming Movie Recommendations with Advanced Machine Learning: A Study of NMF, SVD,and K-Means Clustering
University of California, Berkeley(加州大学伯克利分校)
本研究结合NMF、截断SVD、K-Means聚类构建鲁棒电影推荐系统,经数据预处理、训练及验证,该系统推荐准确率与相关性较高,可提升用户体验,为推荐系统领域提供参考。
2024-07-12 cs.IR cs.LG
Movie Recommendation System using Composite Ranking
在当今世界,丰富的数字内容,如电子书,电影,视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此,数字媒体提供商希望利用这种混乱并解决它,以增加用户参与度,最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上,电影推荐系统使用协同过滤,其利用用户与媒体的交互,或者基于内容的过滤,其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而,我们的方法只处理基于内容的建议,进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性,视觉内容和电影的用户评论。我们使用文本矢量化,然后对元数据进行余弦相似性,通过预训练的VGG 19进行特征提取,然后对视觉内容进行K均值聚类,并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型,如BERT,最近在语言建模方面表现出了非常强大的能力,在许多下游任务上都取得了令人印象深刻的结果。研究还表明,它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统(CRS)的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识,我们使用了不同的探针,这些探针需要不同类型的知识来求解,即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息(如文本描述和流派)相匹配的知识。相比之下,基于协作的知识需要模型根据社区交互(如评级)将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识,并使用完形填空风格提示。此外,我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入,以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后,我们研究了BERT在会话推荐下游任务中的表现。总的来说,我们的分析和实验表明:(i)BERT在其参数中存储了关于书籍、电影和音乐内容的知识;(ii)它具有更多基于内容的知识,而不是基于协作的知识;(iii)当面对对抗性数据时,…
2021-03-04 cs.IR
Book Readership During Movie Releases: An Exploratory Analysis
Drexel University(德雷塞尔大学);Sapienza University of Rome(罗马第一大学)
该研究利用Goodreads数据集匹配电影上映日期,发现电影上映前后书籍阅读量有明显峰值,并评估现有推荐模型对电影改编书籍的排名情况,探索外部事件对推荐系统物品相关性的影响。
2026-09-01 cs.IR
Enhanced Movie Content Similarity Based on Textual, Auditory and Visual Information
在本文中,我们研究的能力,低层次的多模态特征提取电影相似性,在基于内容的电影推荐方法的背景下。特别是,我们展示了电影的多模态表示模型的提取,从字幕的文本信息的基础上,以及从音频和视觉通道的线索。对于文本领域,我们强调我们的研究在电影的主题建模的基础上,他们的字幕,以提取主题,区分电影。关于视觉领域,我们专注于提取语义上有用的特征,这些特征对相机运动、颜色和面部进行建模,而对于音频领域,我们采用基于预训练模型的简单分类聚合。这三个域与静态元数据(例如,导演,演员)相结合,以证明基于内容的电影相似性过程可以增强低层次的多模态信息。为了演示所提出的内容表示方法,我们构建了一个包含160部广为人知的电影的小数据集。我们断言电影的相似性,传播的个人形式和融合模型,在推荐排名的形式。大量的实验证明,所有三个低级别的形式(文本,音频和视频)提高基于内容的推荐系统的性能,相比典型的基于元数据的内容表示,超过$50\%$相对增加。据我们所知,这是第一种方法,利用广泛的功能,从所有涉及的方式,以提高性能的内容相似性估计,相比基于元数据的方法。
2017-11-09 cs.IR
Movie Recommender System using critic consensus
PES University(PES大学)
推荐系统可能是现代互联网世界中最重要的行业增长代理之一。现有的推荐系统包括协同过滤推荐系统和基于内容的过滤推荐系统。这两种方法本质上是脱节的,需要持续存储用户偏好以获得更好的推荐。为了更好地整合这两个过程,我们提出了一个混合推荐系统的基础上整合的协作和基于内容的内容,考虑到顶级评论家的共识和电影评分。我们想提出一个新的模型,根据用户偏好和关键共识分数的组合推荐电影。
2021-12-22 cs.IR cs.LG
User Profile Feature-Based Approach to Address the Cold Start Problem in Collaborative Filtering for Personalized Movie Recommendation
随着web2.0的普及,产生了大量与电影相关的用户生成内容。随着数据的持续指数增长,人们发现很难做出明智和及时的决策,因此不可避免地需要推荐系统。电影推荐系统帮助用户找到下一个兴趣或最佳推荐。在这个建议的方法中,作者应用的关系,用户特征得分来自用户项目的互动,通过评级,以优化预测算法的输入参数,用于推荐系统,以提高预测的准确性时,有较少的过去的用户记录。这解决了协同过滤中的一个主要缺点,即冷启动问题,与基本协同过滤算法相比,改进了8.4%。系统的用户功能生成和评估使用“MovieLens 100k浏览器”进行。所提出的系统也可以推广到其他领域。
2019-06-02 cs.IR cs.SI
Interactive Movie Recommendation Through Latent Semantic Analysis and Storytelling
推荐已成为改善销售记录的在线服务的最重要的组成部分之一,然而在线推荐的可视化工作仍然非常有限。本文提出了一种交互式推荐方法,包括以下两个部分。首先,评分记录是在线推荐中使用最广泛的数据,但它们通常在高维空间中处理,不容易理解或交互。我们提出了一个潜在的语义模型(LSM),捕捉统计特征的语义概念的2D域和抽象的用户偏好的个人推荐。其次,我们提出了一个互动的推荐方法,通过一个讲故事的机制,促进用户和推荐系统之间的沟通。我们的方法强调交互性,明确的用户输入,和语义信息传达,因此它可以使用一般用户没有任何知识的推荐或可视化算法。我们通过数据统计验证了我们的模型,并通过MovieLens100K数据集的案例研究展示了我们的方法。我们的潜在语义分析和交互式推荐的方法也可以扩展到其他基于网络的可视化应用,包括各种在线推荐系统。
2017-01-01 cs.IR cs.SI
ViLLA-MMBench: A Unified Benchmark Suite for LLM-Augmented Multimodal Movie Recommendation
ViLLA-MMBench是一个基于MovieLens和MMTF-14K的LLM增强多模态电影推荐基准,通过LLM丰富文本并融合音视频特征,提升冷启动和覆盖率,支持多种融合与骨干模型,实现可复现评估。
2025-08-06 cs.IR
Comprehensive Movie Recommendation System
Praxis Business School(普拉西斯商学院)
推荐系统,也称为推荐系统,是一种尝试预测用户对项目的评级或偏好的信息过滤系统。本文设计并实现了一个完整的基于体裁、皮尔逊相关系数、余弦相似度、基于KNN、基于TFIDF和SVD的内容过滤、基于TFIDF和SVD的协同过滤、基于Surprise Library的推荐系统技术的电影推荐系统原型。除此之外,本文提出了一种新颖的思想,即应用机器学习技术,构建一个集群的电影类型的基础上,然后观察的惯性值的数量被定义。本文描述了本工作中讨论的方法的限制,以及一种策略如何克服另一种策略的缺点。整个工作是在group lens网站上的数据集Movie Lens上完成的,该数据集包含9742部电影的100836个评级和3683个标签应用程序。这些数据由610名用户在1996年3月29日至2018年9月24日期间创建。
2021-12-23 cs.IR cs.LG
IAI MovieBot: A Conversational Movie Recommender System
会话式推荐系统支持用户通过多轮会话实现与广告相关的目标。为了更好地模拟动态变化的用户偏好,并为社区提供一个可重用的开发框架,我们引入了IAI MovieBot,一个对话式的电影推荐系统。它具有特定于任务的对话流,多模式聊天界面,以及处理动态变化的用户偏好的有效方法。该系统是开源的,并作为Telegram上的一个频道运营。
2020-09-08 cs.IR
Sequential Movie Genre Prediction using Average Transition Probability with Clustering
在最近的电影推荐中,预测用户的顺序行为并建议下一部要观看的电影是最重要的问题之一。然而,捕获这种连续行为并不容易,因为必须考虑每个用户的短期或长期行为。为此,许多研究结果表明,在顺序推荐中推荐特定电影的性能不是很高。在本文中,我们提出了一种基于聚类的方法来分类用户与类似的电影购买模式和电影类型预测算法,而不是电影本身考虑他们的短期和长期的行为。电影类型预测并不推荐特定的电影,而是基于电影中包括的类型,考虑到每个用户对电影类型的偏好,预测下一部要观看的电影的类型。通过这样,可以提供用于向倾向于偏好特定类型的用户推荐包括该类型的电影的适当指南。特别是,在本文中,具有相似的类型偏好的用户被组织成集群来推荐类型,并且在不具有相对特定的倾向的集群中,通过适当地修剪对于推荐来说不必要的类型来执行类型预测,以提高性能。我们在著名的电影数据集上评估了我们的方法,并定性地认为它捕捉了个性化的动态,并能够做出有意义的推荐。
2022-06-28 cs.IR cs.SI
Hybrid Movie Recommender System based on Resource Allocation
推荐系统是个性化用户体验的必然选择。他们使用不同的方法根据用户的偏好向他们推荐Top-K项目。推荐系统已经成为大规模数据采掘技术的重要组成部分。本文提出了一种基于资源分配的混合式电影推荐系统(HMRS),以提高推荐的准确性和解决新电影的冷启动问题。HMRS-RA使用自组织映射神经网络将用户聚类成N个簇。用户的偏好根据他们的年龄和性别而不同,因此HMRS-RA是用于解决新电影的冷启动问题的基于内容的方法和除了用户的人口统计信息之外的协同过滤模型的组合。基于MovieLens数据集的实验结果表明,与现有的同类算法相比,HMRS-RA提高了推荐的准确率。
2021-05-25 cs.IR
Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations
本文通过129名参与者的在线实验,比较了热门电影推荐中纯正面与含负面信息的解释风格,发现单面正面解释在信任、透明度、有效性和满意度上均更优,为低风险娱乐场景的解释设计提供了实践启示。
2025-05-06 cs.HC cs.IR
Using Mise-En-Scène Visual Features based on MPEG-7 and Deep Learning for Movie Recommendation
Politecnico di Milano(米兰理工大学)
项目特征在电影推荐系统中扮演着重要的角色,在电影推荐系统中,可以通过使用用户对传统特征(属性)(如标签、流派和演员)的显式或隐式偏好来生成推荐。通常,电影特征是人类生成的,或者编辑地(例如,类型和演员)或通过利用人群的智慧(例如,此外,这些特征对于新项目通常是罕见的或不存在的,使得难以甚至不可能提供高质量的推荐。在本文中,我们表明,用户对电影的偏好可以更好地描述在mise-en-scène功能,即,电影的表征设计、美学和风格的视觉方面(例如,颜色、纹理)。我们使用MPEG-7视觉描述符和深度学习隐藏层作为可以在视觉上描述电影的mise-en-scène特征的示例。有趣的是,mise-en-scène特征可以从视频文件甚至是预告片中自动计算出来,在处理新项目时提供了更大的灵活性,避免了昂贵且容易出错的人工标记,并提供了良好的可扩展性。我们对大量4K电影进行了一系列实验。结果表明,基于mise-en-scène特征的推荐始终提供最佳性能,相对于更丰富的传统特征集,如流派和标签。
2017-04-20 cs.CV cs.IR cs.MM
Text-based Emotion Aware Recommender
我们应用用户情感向量(UVECs)和电影情感向量(MVECs)的概念作为情感感知推荐系统的构建组件。我们建立了一个比较平台,由五个基于内容的过滤算法和协同过滤算法。我们采用了一个Tweets情感分类器,通过电影概述对电影的情感特征进行分类。我们构建MVEC从电影的情绪配置文件。我们跟踪用户的电影观看历史,通过取用户观看的所有电影的所有MVEC的平均值来制定UVEC。利用MVEC,我们建立了一个情感感知推荐器作为比较平台的算法之一。我们评估了这些推荐器生成的前N个推荐列表,发现情感感知推荐器的前N个列表显示了意外发现的推荐。
2020-07-28 cs.IR
The Deconfounded Recommender: A Causal Inference Approach to Recommendation
Columbia University(哥伦比亚大学);Netflix Inc.(奈飞公司);Mila;HEC Montréal(蒙特利尔高等商学院)
推荐的目标是向用户展示他们喜欢的项目。虽然通常被框定为预测,但推荐的精神是回答一个介入性的问题-对于每个用户和电影,如果我们“强迫”用户观看电影,评分会是多少?为此,我们开发了一种因果推荐方法,其中观看电影是一种“治疗”,用户的评级是一种“结果”。“问题是可能存在未观察到的混杂因素,这些变量影响用户观看的电影以及他们如何评价它们;未观察到的混杂因素阻碍了观察数据的因果预测。为了解决这个问题,我们开发了去基推荐器,一种使用经典推荐模型进行因果推荐的方法。在Wang & Blei [23]之后,去基推荐器涉及两个概率模型。第一个模型是用户观看的电影;它为未观察到的混杂因素提供了替代品。第二个模型模拟每个用户如何评价每部电影;它使用替代品来帮助解释混淆因素。这种两阶段方法消除了由于混淆而导致的偏倚。它改善了推荐,并在测试集上具有稳定的性能。
2019-05-27 cs.IR cs.LG stat.ML
GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation
Monash University(莫纳什大学);Ostadkar Company(Ostadkar公司)
关于推荐系统的研究出现在过去的十年中,包括有价值的服务,以增加不同公司的收入。在处理论文推荐系统中存在几种方法。虽然大多数现有的推荐系统依赖于基于内容的方法或协作方法,但存在可以使用两种方法的组合来提高推荐准确性的混合方法。尽管已经提出了许多算法来使用这些方法,但仍有必要进一步改进。在本文中,我们提出了一个推荐系统的方法,使用基于图的模型与用户的评级的相似性,结合用户的人口统计和位置信息。利用Autoencoder特征提取的优点,在所有组合属性的基础上提取新的特征。使用新的一组功能聚类用户,我们提出的方法(GHRS)已经获得了显着的改善,这主导了其他方法的性能在冷启动问题。在MovieLens数据集上的实验结果表明,该算法在推荐准确率上优于现有的推荐算法。
2022-03-25 cs.AI cs.IR cs.LG
Movie Recommendation with Poster Attention via Multi-modal Transformer Feature Fusion
BNU-HKBU United International College(北师港浸会联合国际学院);Research Center for Mathematics, Beijing Normal University(北京师范大学数学研究中心)
本研究提出融合BERT文本特征、ViT海报特征的多模态Transformer电影推荐模型,在MovieLens数据集上验证了其相比基线算法更高的评分预测准确率,为跨模态视频推荐提供了可行方案。
2024-07-12 cs.AI cs.IR cs.LG
Multimodal Content Representation and Similarity Ranking of Movies
在本文中,我们研究电影相似性和低级别的功能,从各自的电影内容之间的相关性的存在。特别是,我们展示了基于字幕,音频和元数据挖掘的电影多模态表示模型的提取。本文重点研究了基于字幕的电影主题建模。为了演示所提出的内容表示方法,我们构建了一个包含160部广为人知的电影的小数据集。我们断言电影的相似性,传播的奇异模态和融合模型,在推荐排名的形式。我们展示了一个新的主题模型浏览器的电影,允许探索电影和电影之间的相似性的不同方面的信息检索系统的相似性的基础上多模态内容。
2017-11-09 cs.IR
Utilizing Imbalanced Data and Classification Cost Matrix to Predict Movie Preferences
Penn State University New Kensington(宾夕法尼亚州立大学新肯辛顿分校)
在本文中,我们提出了一个电影类型推荐系统的基础上不平衡的调查数据和不平等的分类成本的中小型企业(SMEs)谁需要一个基于数据和分析的方法来股票喜爱的电影和目标营销的年轻人。该数据集维护了详细的个人资料作为预测因素,包括每个用户的人口统计,行为和偏好信息以及不平衡的流派偏好。这些预测因子不包括演员或导演等信息。本文应用Gentle boost、Adaboost和Bagged树集成以及SVM机器学习算法从1000个观察中学习分类,并在调整分类成本的情况下预测电影类型偏好。建议的推荐系统还选择重要的预测,以避免过度拟合,并缩短训练时间。本文比较了上述算法在不同类型电影推荐中的测试误差。预测能力也表明在精度和召回率与其他国家的最先进的推荐系统的比较。提出的电影类型推荐系统解决了小数据集,不平衡的反应,和不平等的分类成本等问题。
2018-12-04 cs.AI cs.IR
Bias in Knowledge Graphs -- an Empirical Study with Movie Recommendation and Different Language Editions of DBpedia
University of Mannheim(曼海姆大学)
公共知识图谱,如DBpedia和Wikidata已被认为是有趣的背景知识的来源,以建立基于内容的推荐系统。它们可用于添加有关要推荐的项目的信息以及这些项目之间的链接。虽然已经提出了相当多的方法来利用知识图谱,他们中的大多数旨在优化推荐策略,同时使用一个固定的知识图谱。在本文中,我们采用不同的方法,即,当使用不同的底层知识图谱时,我们修正推荐策略并观察变化。特别是,我们使用不同语言版本的DBpedia。我们发现,使用不同的知识图谱不仅会导致不同的偏见推荐系统,但也推荐系统的性能不同的特定领域的建议。
2021-05-03 cs.AI cs.IR
VRConvMF: Visual Recurrent Convolutional Matrix Factorization for Movie Recommendation
China University of Petroleum(中国石油大学);East China Jiaotong University(华东交通大学);Federation University Australia(澳大利亚联邦大学)
用户对项目评分数据的稀疏性成为推荐系统面临的挑战之一,严重影响了推荐系统的性能。幸运的是,上下文感知推荐系统可以通过利用一些辅助信息,如用户和项目的信息来缓解稀疏性问题。特别是,项目的视觉信息,如电影海报,可以被认为是对项目描述文档的补充,这有助于获得更多的项目特征。本文针对电影推荐系统,提出了一种基于概率矩阵分解的视觉递归卷积矩阵分解(VRConvMF)推荐方案,该方案利用了从描述性文本和海报中分别提取的文本特征和多层次视觉特征。我们实现了所提出的VRConvMF,并在三个常用的真实世界数据集上进行了广泛的实验,以验证其有效性。实验结果表明,所提出的VRConvMF算法性能优于现有算法.
2022-02-16 cs.CV cs.IR cs.LG
A novel Empirical Bayes with Reversible Jump Markov Chain in User-Movie Recommendation system
IIT Guwahati(印度理工学院古瓦哈提分校)
在本文中,我们选择的未知维的特征,通过可逆跳MCMC内的模拟退火在协同过滤器的贝叶斯建立。我们在MovieLens小数据集中实现了相同的功能。我们还调整超参数,使用修改后的经验贝叶斯。它也可以用来猜测网格搜索过程中的超参数的初始选择,即使是MCMC在真值附近振荡或需要很长时间才能收敛的数据集。
2018-08-15 cs.IR cs.LG stat.CO
Proposing a Semantic Movie Recommendation System Enhanced by ChatGPT's NLP Results
Islamic Azad University(伊斯兰阿扎德大学)
针对电影推荐需提升精准度的问题,本研究提出利用ChatGPT提取电影描述语义信息构建知识图谱的语义推荐系统,相比发行方明确类型标签的方法可显著提升推荐准确率。
2025-07-29 cs.AI cs.IR
Large Language Models as Conversational Movie Recommenders: A User Study
Grouplens Research, University of Minnesota(明尼苏达大学 Grouplens 研究中心);Northwestern University(西北大学)
本文通过160名用户的在线实验研究大语言模型在对话式电影推荐中的表现,发现其可解释性强但个性化、多样性和信任不足,且提供个人背景和示例是获得高质量推荐的关键。
2024-04-29 cs.AI cs.HC cs.IR
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras(帕特雷大学)
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视,尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型,用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络(DeepCoNN)是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为,而另一个网络则从用户评论中学习物品属性。在顶部,添加了一个共享层来连接这两个网络。与因子分解机器方法类似,共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果,在许多数据集上,DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
Learning From Missing Data Using Selection Bias in Movie Recommendation
LTCI(法国巴黎电信学院图像处理与通信实验室);CNRS(法国国家科学研究中心);Télécom ParisTech(巴黎电信学院);Université Paris-Saclay(巴黎萨克雷大学)
由于大量的信息缺失,向用户推荐商品是一项具有挑战性的任务。在许多情况下,数据仅由每个用户自愿提供的关于可用项目的非常有限的子集的评级或标签组成,因此实际上缺少大部分可能感兴趣的数据。目前的推荐方法通常假设未观测数据是随机随机缺失的。在这方面的贡献,我们提供了统计证据,现有的电影推荐数据集揭示了一个显着的正相关性之间的项目的评级和倾向,选择这些项目。我们提出了一种计算效率高的变分方法,使人们有可能利用这种选择偏差,以提高估计的收视率从小群体的用户。将这种方法应用于基于邻域的协同过滤所获得的结果说明了其提高推荐可靠性的潜力。
2015-09-30 cs.IR cs.LG cs.SI
Interactive Content Diversity and User Exploration in Online Movie Recommenders: A Field Experiment
本研究通过访谈、调研及在线现场实验,探究电影推荐系统的推荐广度与用户满意度的关系,发现探索控制权和界面对满意度的预测作用更强。
2023-09-23 cs.HC cs.IR
On the Bias-Variance Characteristics of LIME and SHAP in High Sparsity Movie Recommendation Explanation Tasks
Princeton University(普林斯顿大学);Netflix, Inc.(奈飞公司);Warner Media(华纳媒体)
我们评估两个流行的本地可解释性技术,石灰和SHAP,在一个电影推荐任务。我们发现,这两种方法的行为非常不同的数据集的稀疏性。LIME在数据集的密集段中比SHAP做得更好,而SHAP在稀疏段中做得更好。我们跟踪这种差异,以不同的偏置方差特性的潜在估计的石灰和SHAP。我们发现,SHAP表现出较低的方差稀疏段的数据相比,石灰。我们将这种较低的方差归因于SHAP中固有的完整性约束属性和LIME中缺失的属性。该约束充当正则化器,因此增加了SHAP估计器的偏差,但降低了其方差,从而导致有利的偏差-方差权衡,特别是在高稀疏数据设置中。有了这个见解,我们引入相同的约束到LIME和制定一个新的本地解释框架称为完整性约束的LIME(CLIMB),优于LIME和SHAP快得多。
2022-06-09 cs.IR cs.LG
Our Model Achieves Excellent Performance on MovieLens: What Does it Mean?
Nanyang Technological University(南洋理工大学)
本文深入分析MovieLens数据集的交互生成机制,发现其平台阶段差异、内部算法影响及交互顺序等因素与真实场景存在差异,指出在该数据集上表现优异的模型未必在实际应用中同样有效,其结果不应作为评估推荐系统的唯一依据。
2024-03-24 cs.AI cs.IR
Multi-Task End-to-End Training Improves Conversational Recommendation
Google Research(谷歌研究院)
本文提出基于T5的统一Transformer模型,通过多任务学习在ReDIAL数据集上微调,并利用MovieLens派生任务,实现对话式推荐中推荐与对话生成的竞争力,探针得分提升9%-52%。
2023-05-08 cs.AI cs.CL cs.IR
Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases
Twentieth Century Fox Film Corporation(二十世纪福克斯电影公司)
产品推荐系统在电影绿灯过程中以及作为机器学习个性化管道的一部分对于主要电影制片厂非常重要。协同过滤(CF)模型已被证明是有效的动力推荐系统的在线流媒体服务与明确的客户反馈数据。CF模型在反馈数据不可用的情况下、在新产品发布等冷启动情况下以及具有明显不同的客户层的情况下(例如,高频客户与临时客户)。生成的自然语言模型可以创建有用的基于主题的底层文档语料库表示,可以用于表示新的产品描述,如新的电影情节。当与CF结合使用时,它们已被证明可以提高冷启动情况下的性能。在这些情况下,虽然明确的客户反馈是可用的,推荐引擎必须依赖于二进制购买数据,这大大降低了性能。幸运的是,购买数据可以与产品描述相结合,在一个方便的产品空间中生成有意义的产品和客户轨迹表示,其中接近度表示相似性。学习测量这个空间中点之间的距离可以通过一个深度神经网络来完成,该网络对客户历史和产品描述的密集矢量化进行训练。我们开发了一个基于协作(深度)度量学习(CML)的系统来预测新戏剧版本的购买概率。我们使用一个大型的客户历史数据集对模型进行了训练和评估,并针对一组在训练窗口之外发布的电影对模型进行了测试。初步实验显示增益相对于模型,不训练的协作偏好。
2018-03-01 cs.CL cs.IR
Post-fusion monolithic hybrid recommender system for suggesting relevant movies to users
针对推荐系统中单一协同过滤方法的不足,提出融合观看电影序列与电影评分的混合后融合推荐系统,通过动态权重矩阵适配不同用例,提升用户偏好匹配效果。
2025-08-25 cs.IR cs.LG
Mining User/Movie Preferred Features Based on Reviews for Video Recommendation System
在这项工作中,我们提出了一种基于评论挖掘用户偏好和推荐的方法。关于推荐问题已经有了很多研究。然而,大多数的研究都超越了用户生成的一个方面--内容,如用户评分、用户反馈等来陈述用户偏好。在一个方面存在的问题是缺乏挖掘来陈述用户偏好。作为示范,在协同过滤推荐中,我们试图找出拥挤用户的偏好趋势,然后使用该趋势来预测当前用户的偏好。因此,真实的用户偏好与拥挤人群的趋势之间存在差距。此外,由于用户经常评论产品的各个方面,因此可以通过挖掘用户评论来解决用户偏好。为了解决这个问题,我们主要集中在挖掘用户评论中的产品方面和用户方面,以直接表示用户的偏好。对于冷启动项目问题,我们还考虑了社会网络分析。针对冷启动用户问题,采用协同过滤算法。该框架足够通用,可以应用于不同的推荐领域。从理论上讲,我们的方法将实现显着的增强。
2017-02-09 cs.CL cs.IR
A Matrix Decomposition Model Based on Feature Factors in Movie Recommendation System
本文提出UISVD++模型,将用户年龄和电影类型属性融入SVD++框架以丰富辅助信息,在Movielens数据集上验证了其评分预测精度优于基线方法,并能有效缓解冷启动问题。
2023-12-04 cs.IR cs.NA math.NA
The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems
Northwestern Kellogg(凯洛格商学院);University College London(伦敦大学学院);University of Minnesota - Twin Cities(明尼苏达大学双城校区)
本文在 MovieLens 平台收集用户对未体验项目的信念数据,构建结合评分、信念与推荐的数据集,以支持分析无推荐时的用户选择、衡量推荐效果并原型化利用信念数据的算法。
2024-08-02 cs.AI cs.HC cs.IR
Combining Aspects of Genetic Algorithms with Weighted Recommender Hybridization
推荐系统是用来激励用户观看有趣的电影、发现婴儿名字或阅读书籍的既定手段。通过使用混合方法组合多个推荐算法的结果,推荐质量进一步提高。在本文中,我们专注于将未评分的建议组合成一个单一的合奏的任务。我们所提出的方法的灵感来自遗传算法。它重复地从推荐中选择项目,以创建将用于最终集成的项目群体。我们比较我们的方法与加权投票方法和测试的性能都在电影和名字推荐的情况下。我们在两个数据集上的表现都优于加权方法20.3%和31.1%,并将整体执行时间减少了19.9%。我们的研究结果不仅提出了一种新的杂交方法,但引入领域的推荐杂交进一步工作与遗传算法。
2017-10-27 cs.IR
Movie Recommender Systems: Implementation and Performance Evaluation
多年来,亚马逊、Netflix、潘多拉等电子商务企业目录中的商品数量爆炸式增长,已经保证了推荐系统的开发,以基于消费者的偏好和品味将消费者引导到他们期望的产品。构建推荐系统,挖掘用户,导出输入数据集的一些流行方法是:基于内容的系统,协同过滤,使用奇异值分解(SVD)的潜在因素系统,和限制玻尔兹曼机(RBM)。在这个项目中,用户-用户协同过滤,项目-项目协同过滤,基于内容的推荐,奇异值分解,和神经网络被选择用于在Python中实现,以预测每个用户未观看的电影的用户评分,并评估和比较它们的性能。
2019-09-16 cs.IR
Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerceRecommendations
许多电子商务网站使用推荐系统或个性化排名来个性化搜索结果。然而,很大一部分用户没有预先的交互,使得不可能使用协同过滤或依赖用户历史进行个性化。即使是最活跃的用户也可能一年只访问几次,并且可能有不稳定的需求或不同的人物角色,这使得他们的个人历史充其量只是一个稀疏和嘈杂的信号。本文研究了当我们不能依赖于用户历史记录时,其他用户交互的大规模可用性仍然允许我们从上下文数据中构建有意义的配置文件,以及这些上下文配置文件是否有助于定制排名,例如来自主要在线旅行代理Booking.com的数据。我们的主要发现有三个方面:首先,我们从典型的电子商务应用程序的角度来描述连续冷启动问题(CoCoS)。第二,由于在典型的现实世界应用中没有明确的情境上下文,因此大规模使用的事务日志中的隐式线索可以捕获情境上下文的基本特征。第三,可以离线创建上下文用户简档,从而与单个巨大的非上下文模型相比,产生一组较小的模型,使得上下文排名可用,CPU和内存占用可以忽略不计。最后,我们得出结论,在对实时用户的在线A/B测试中,我们的上下文排名器在非上下文基线上大幅提高了用户参与度,点击率(CTR)提高了20%。这清楚地证明了上下文用户简档在真实应用程序中的价值。
2016-07-26 cs.IR
Convolutional Collaborative Filter Network for Video Based Recommendation Systems
th Century Fox(二十世纪福克斯);Miso Technologies(味噌科技)
这个分析探讨了电影预告片中物体的时间顺序。电影预告片中对象的时间排序(例如,物体的长镜头与间歇的短镜头)可以传达关于电影类型、电影情节、主要人物的角色以及电影制作者的电影摄影选择的信息。当与历史客户数据相结合时,序列分析可用于改善对客户行为的预测。例如,在一个示例中,顾客购买新电影的票,并且可能该顾客在过去已经看过包含类似序列的电影。为了探索电影预告片中的对象排序,我们提出了一个视频卷积网络来捕捉可以预测客户偏好的动作和场景。模型学习不同类型对象的序列的特定性质(例如,汽车与面孔),以及序列在预测客户未来行为中的作用。我们展示了这样一个时间感知模型如何优于我们以前的作品中提出的简单特征池方法,重要的是,展示了这样一个模型所允许的额外模型解释能力。
2018-10-22 cs.AI cs.CV cs.IR
Unveiling Bias in Fairness Evaluations of Large Language Models: A Critical Literature Review of Music and Movie Recommendation Systems
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机学院)
本文通过文献综述揭示了当前大型语言模型在推荐系统公平性评估中普遍忽视个性化的问题,强调亟需将个性化纳入评估框架以促进AI的公平发展。
2024-01-08 cs.AI cs.IR cs.SE
Edge Data Based Trailer Inception Probabilistic Matrix Factorization for Context-Aware Movie Recommendation
China University of Petroleum(中国石油大学);Minjiang University(闽江学院);Dalian University of Technology(大连理工大学);Federation University Australia(澳大利亚联邦大学)
由部署在网络边缘的移动设备和应用程序生成的边缘数据的快速增长加剧了信息过载的问题。推荐系统作为缓解信息过载的一种有效方法,可以在稀疏的评分数据基础上,加入用户在边缘设备上产生的应用数据,如视觉和文本信息,从而提高各种服务的质量。电影预告片中的视觉信息是电影推荐系统的重要组成部分。然而,由于视觉信息抽取的复杂性,仅仅利用粗糙的视觉特征来提高收视率预测的准确性并不能显著改善数据稀疏性。幸运的是,卷积神经网络可以用来精确地提取视觉特征。因此,端到端的神经图像字幕(NIC)模型可以用来获得描述电影预告片的视觉特征的文本信息。本文提出了一种拖车初始概率矩阵分解模型(Ti-PMF),该模型结合了NIC、递归卷积神经网络和概率矩阵分解模型作为收视率预测模型。我们在三个真实世界的数据集上实现了所提出的Ti-PMF模型,并进行了大量的实验,以验证其有效性。实验结果表明,所提出的钛保偏光纤性能优于现有的。
2022-02-16 cs.CV cs.IR cs.LG
Generation Meets Recommendation: Proposing Novel Items for Groups of Users
National University of Singapore(新加坡国立大学)
考虑一个电影制片厂,它的目标是制作一套夏季上映的新电影:它应该制作什么类型的电影?电影会吸引谁?它应该拍多少部电影?各种组织都遇到了类似的问题,例如,移动电话制造商和在线杂志,他们必须创造新的(不存在的)项目,以满足不同偏好的用户群体。在本文中,我们提出了一个联合问题的形式化这些相互关联的问题,并提出生成方法,同时解决这些问题。具体来说,我们利用通过训练深度生成模型-变分自编码器(VAE)-获得的潜在空间,通过一个损失函数,该函数包含评级性能和项目重建项。然后,我们应用一个贪婪的搜索算法,利用这个学习的潜在空间,共同获得K个合理的新项目,和用户组,会发现项目的吸引力。在合成数据集上对我们的方法进行的评估表明,我们的方法能够生成类似于高度期望的未观察到的项目的新项目。作为对真实世界数据的案例研究,我们将我们的方法应用于MART抽象艺术和Movielens Tag Genome数据集,这产生了有希望的结果:小而多样的新项目集。
2018-08-02 cs.IR cs.LG stat.ML
A Semi-Synthetic Dataset Generation Framework for Causal Inference in Recommender Systems
准确的推荐和可靠的解释是现代推荐系统的两个关键问题。然而,大多数推荐基准只关注用户项目评分的预测,而忽略了评分背后的潜在原因。例如,广泛使用的Yahoo!R3数据集包含的关于用户电影评级原因的信息很少。一个解决办法是进行调查,并要求用户提供这类信息。在实践中,用户调查很难避免遵从性问题和稀疏的用户响应,这极大地阻碍了基于感知的推荐的探索。为了更好地支持推荐系统中的因果推理和进一步解释的研究,我们提出了一种新的推荐系统半合成数据生成框架,该框架采用带有缺失的因果图模型来描述实际推荐场景的因果机制.为了说明我们的框架的使用,我们构建了一个半合成的数据集与因果标签和评级(CTAR)的基础上,电影以及他们的描述性标签和评级信息收集从一个著名的电影评级网站。使用所收集的数据和因果图,自动生成用户项目评级及其对应的用户项目标签,其提供用户对项目进行评级的原因(所选标签)。还报告了关于CTAR数据集的描述性统计量和基线结果。建议的数据生成框架不仅限于推荐,而且发布的API可以用于生成其他研究任务的自定义数据集。
2022-02-23 cs.IR
Feature extraction using Latent Dirichlet Allocation and Neural Networks: A case study on movie synopses
University of Macedonia(马其顿大学)
特征提取在机器学习领域得到了越来越多的关注,因为为了从大数据中检测模式、提取信息或预测未来的观察结果,信息特征的迫切性至关重要。提取特征的过程与降维高度相关,因为它意味着将数据从稀疏的高维空间转换为更高级别的有意义的抽象。本文采用神经网络进行分布式段落表示,并采用潜在狄利克雷分配来捕获段落向量的更高层次特征。虽然分布式段落表示的神经网络被认为是提取段落向量的最新技术,我们表明,一个快速的主题分析模型,如潜在的狄利克雷分配也可以提供有意义的功能。我们在CMU电影摘要语料库上评估了这两种方法,CMU电影摘要语料库是从维基百科中提取的25,203部电影情节摘要的集合。最后,对于这两种方法,我们使用K-最近邻来发现相似的电影,并使用T-分布随机邻居嵌入来描绘上下文相似性。这些相似性,表示为电影距离,可以用于电影推荐。将该方法的推荐电影与IMDB中使用协同过滤推荐方法的推荐电影进行比较,以表明我们的两个模型可以构成替代或补充的推荐方法。
2016-04-05 cs.AI cs.CL cs.IR
Idea of a new Personality-Type based Recommendation Engine
Myers-Briggs Type Indicator(MBTI)类型描述了一个人感知世界和做出决定的心理偏好。人们通过四种主要功能来观察世界:感觉、直觉、感觉和思维。这些功能连同内向的\Extroverted性质的人,有16种性格类型,人类分为。这里提出了一个想法,其中用户可以基于用户的MBTI类型获得针对书籍、网络媒体内容、音乐和电影的推荐。只有像书籍和其他媒体内容这样的东西被选中,因为这些东西的偏好大多是主观的。除了通常基于先前购买生成的推荐内容之外,还可以通过使用MBTI来增强搜索。设计了一个最低限度的调查来收集数据。这有超过100个特征,显示了个性类型的偏好。这些包括对书籍类型,音乐类型,电影类型甚至视频游戏类型的偏好。在分析了从调查中收集的数据后,从中得出了一些推论,这些推论可以用来设计一个新的推荐引擎,以推荐符合用户个性的内容。
2013-11-08 cs.IR
Personalized Multimedia Item and Key Frame Recommendation
当向用户推荐或广告项目时,出现的趋势是向每个多媒体项目呈现关键帧图像(例如,电影海报)。由于每个多媒体项可以被表示为多个细粒度的视觉图像(例如,电影的相关图像),个性化关键帧推荐在这些应用中是必要的,以吸引用户独特的视觉偏好。然而,先前的个性化关键帧推荐模型依赖于用户对多媒体项的细粒度图像行为(例如,用户-图像交互行为),这在真实场景中通常是不可用的。在本文中,我们研究了一般问题的联合多媒体项目和关键帧推荐的细粒度的用户图像行为的情况下。我们认为,这个问题的关键挑战在于发现用户的视觉轮廓的关键帧推荐,因为大多数推荐模型会失败,没有任何用户的细粒度的图像行为。为了应对这一挑战,我们利用用户的项目行为投影用户(项目)在两个潜在的空间:一个合作的潜在空间和视觉潜在空间。我们进一步设计了一个模型来识别用户的协作和视觉维度,并模拟用户如何从这两个空间做出决定性的项目偏好。因此,学习的用户视觉简档可以直接应用于关键帧推荐。最后,在真实数据集上的实验结果清楚地表明了我们提出的模型在两个推荐任务上的有效性。
2020-01-04 cs.IR
Zero-Shot Recommendation as Language Modeling
KU Leuven(鲁汶大学)
推荐是根据个人用户需求对项目(例如电影或产品)进行排名的任务。目前的系统依赖于协同过滤和基于内容的技术,这两者都需要结构化的训练数据。我们提出了一个框架,建议与现成的预训练语言模型(LM),只使用非结构化的文本语料库作为训练数据。如果用户$u$喜欢\textit{Matrix}和\textit{Inception},则我们构建文本提示,例如\textit{"Movies like Matrix, Inception, ${<}m{>}$"},以使用LM似然估计$u$和$m$之间的亲和力。我们激励我们的想法与语料库分析,评估几个提示结构,我们比较LM为基础的建议与标准的矩阵分解训练不同的数据制度。我们实验的代码是公开的(https:colab.research.google.com/drive/1f1mlZ-FGaLGdo5rPzxf3vemKllbh2esT? usp=共享)。
2021-12-08 cs.CL cs.IR