Rating prediction and recommendatio

Rating prediction and recommendations
If you have used any commercial online system in the last 10 years, you have
probably seen these recommendations. Some are like Amazon's "costumers who
bought X also bought Y." These will be dealt with in the next chapter under the
topic of basket analysis. Others are based on predicting the rating of a product,
such as a movie.
This last problem was made famous with the Netflix Challenge; a million-dollar
machine learning public challenge by Netflix. Netflix (well-known in the U.S. and
U.K., but not available elsewhere) is a movie rental company. Traditionally, you
would receive DVDs in the mail; more recently, the business has focused on online
streaming of videos. From the start, one of the distinguishing features of the service
was that it gave every user the option of rating films they had seen, using these
ratings to then recommend other films. In this mode, you not only have the
information about which films the user saw, but also their impression of them
(including negative impressions).
In 2006, Netflix made available a large number of customer ratings of films in its
database and the goal was to improve on their in-house algorithm for ratings
prediction. Whoever was able to beat it by 10 percent or more would win 1 million
dollars. In 2009, an international team named BellKor's Pragmatic Chaos was able
to beat that mark and take the prize. They did so just 20 minutes before another
team, The Ensemble, passed the 10 percent mark as well! An exciting photo-finish
for a competition that lasted several years.
Unfortunately, for legal reasons, this dataset is no longer available (although the
data was anonymous, there were concerns that it might be possible to discover who
the clients were and reveal the private details of movie rentals). However, we can
use an academic dataset with similar characteristics. This data comes from
GroupLens, a research laboratory at the University of Minnesota.

Kết quả (Việt) 1:

Đánh giá dự đoán và khuyến nghịNếu bạn đã sử dụng bất kỳ hệ thống trực tuyến thương mại trong 10 năm qua, bạn cócó thể nhìn thấy các đề xuất này. Một số là giống như của Amazon "costumers ngườimua X cũng mua Y." Đây sẽ được giải quyết trong chương kế tiếp theo cácchủ đề của giỏ phân tích. Những người khác được dựa trên dự đoán đánh giá của một sản phẩm,chẳng hạn như một bộ phim.Vấn đề cuối cùng này đã nổi tiếng với những thách thức Netflix; một triệu đô laMáy học khu vực thách thức bởi Netflix. Netflix (nổi tiếng ở Mỹ vàAnh, nhưng không có sẵn ở nơi khác) là một công ty cho thuê phim. Theo truyền thống, bạnnào nhận được đĩa DVD trong thư; gần đây, các doanh nghiệp đã tập trung vào trực tuyếnstreaming video. Từ khi bắt đầu, một trong các tính năng phân biệt của dịch vụnó đã cho mọi người sử dụng tùy chọn đánh giá phim họ đã thấy, bằng cách sử dụng nhữngXếp hạng để sau đó giới thiệu các bộ phim khác. Trong chế độ này, bạn không chỉ có cácthông tin về bộ phim mà người dùng thấy, nhưng cũng là của Ấn tượng của họ(bao gồm số lần hiển thị tiêu cực).Năm 2006, Netflix làm sẵn một số lớn các khách hàng Xếp hạng của phim trong của nócơ sở dữ liệu và mục đích là để cải thiện về thuật toán trong nhà của họ cho xếp hạngdự đoán. Bất cứ ai đã có thể đánh bại nó bằng 10 phần trăm hoặc hơn sẽ giành chiến thắng 1 triệuđô la. Trong năm 2009, một nhóm được đặt tên của BellKor thực dụng hỗn loạn đã có thểđể đánh bại đánh dấu và đưa các giải thưởng. Họ đã làm như vậy chỉ 20 phút trước khi mộtNhóm, The Ensemble, thông qua đánh dấu 10 phần trăm là tốt! Một hình ảnh thú vị, kết thúcĐối với một cuộc thi mà kéo dài nhiều năm.Thật không may, vì lý do pháp lý, số liệu này không còn có sẵn (mặc dù cácdữ liệu được ẩn danh, có là các mối quan tâm rằng nó có thể có thể khám phá những ngườiCác khách hàng đã và tiết lộ các chi tiết riêng của cho thuê phim). Tuy nhiên, chúng tôi có thểsử dụng một bộ dữ liệu học tập với đặc điểm tương tự. Dữ liệu này xuất phát từGroupLens, một phòng thí nghiệm nghiên cứu tại Đại học Minnesota.