GroupLens Research

редактировать
GroupLens Research
Wordmark университета
логотип GroupLens
Дата основания1992
Область исследованийрекомендательные системы, социальные вычисления
Преподаватели 5
Персонал 2
Студенты 20 аспирантов
МестоположениеМиннеаполис, Миннесота, США
Операционное агентствоНаучно-технический колледж, Университет Миннесоты
Веб-сайтwww.grouplens.org

Координаты : 44 ° 58′27 ″ N 93 ° 13'57 ″ W / 44,974280 ° N 93,232502 ° W / 44,974280; -93.232502

GroupLens Research - это исследовательская лаборатория взаимодействия человека и компьютера в Департаменте компьютерных наук и инженерии в Университете Миннесоты, Города-побратимы специализируется на рекомендательных системах и онлайн-сообществах. GroupLens также работает с мобильными и повсеместными технологиями, цифровыми библиотеками и локальными географическими информационными системами.

Лаборатория GroupLens была одной из первых, кто изучать автоматизированные рекомендательные системы с помощью рекомендателя GroupLens, механизма рекомендаций по статьям Usenet и MovieLens, популярного сайта рекомендаций по фильмам, который используется для изучения механизмов рекомендаций, систем тегов и пользовательские интерфейсы. Лаборатория также получила известность благодаря работе своих членов по изучению сообществ с открытым контентом, таких как геовики, которые использовались в городах-побратимах для помощи в планировании региональной велосипедной системы.

Содержание
  • 1 История
    • 1.1 Формирование
    • 1.2 Чистое восприятие
    • 1.3 Изучение онлайн-сообществ
  • 2 Вклад
  • 3 Ссылки
  • 4 Внешние ссылки
История

Формирование

В 1992 году Джон Ридл и Пол Резник вместе посетили конференцию CSCW . Услышав основного докладчика Шумпея Кумона о своем видении информационной экономики, они начали работать над системой совместной фильтрации для новостей Usenet. Система собирала оценки читателей Usenet и использовала их, чтобы предсказать, насколько другим читателям понравится статья, прежде чем они ее прочитают. Этот механизм рекомендаций был одной из первых автоматизированных систем совместной фильтрации, в которых использовались алгоритмы для автоматического формирования прогнозов на основе исторических моделей рейтингов. Вся система называлась рекомендателем GroupLens, а серверы, которые собирали рейтинги и выполняли вычисления, назывались «Better Bit Bureau». Это имя было позже удалено после запроса от Better Business Bureau. «GroupLens» теперь используется как название как для этой рекомендательной системы, так и для исследовательской лаборатории в Университете Миннесоты.

A проверка осуществимости была проведена между MIT и Университетом Миннесоты, и была опубликована исследовательская работа, включающая алгоритм, проект системы и результаты технико-экономического обоснования, на конференции CSCW 1994 года.

В 1993 году Ридл и Резник пригласили Джозефа Константа присоединиться к команде. Вместе они решили создать более высокопроизводительную реализацию алгоритмов для поддержки крупномасштабных развертываний. Летом 1995 года команда собралась на «Неделю взлома», чтобы создать новую реализацию и спланировать следующий раунд экспериментов.

Весной 1996 года состоялся первый семинар по совместной фильтрации был составлен Резником и Хэлом Варианом в Калифорнийском университете в Беркли. Там исследователи из проектов в США, которые изучали похожие системы, собрались вместе, чтобы поделиться идеями и опытом.

Net Perceptions

Летом 1996 года бывший доктор философии. ученик Ридла познакомил Джона Ридла со Стивеном Снайдером. Снайдер был одним из первых сотрудников Microsoft, но покинул Microsoft, чтобы приехать в Миннесоту, чтобы защитить докторскую диссертацию. в Психология. Он осознал коммерческий потенциал совместной фильтрации и призвал команду основать компанию в апреле 1996 года. К июню Гардинер, Снайдер, Миллер, Ридл и Констан учредили свою компанию, и к июлю у них была их первый раунд финансирования от компании Hummer Winblad Venture Partners венчурного капитала. Net Perceptions продолжала оставаться одной из ведущих компаний в области персонализации во время Интернет-бума в конце 1990-х годов и оставалась в бизнесе до 2004 года. Основываясь на своем опыте, Ридл и Констан написали книгу об извлеченных уроках. от применения рекомендателей на практике. С тех пор рекомендательные системы стали повсеместными в онлайн-мире, при этом ведущие производители, такие как Amazon и Netflix, развертывают очень сложные рекомендательные системы. Netflix даже предложил приз в размере 1 миллиона долларов за усовершенствование рекомендательной технологии.

Когда сайт закрылся в 1997 году, разработчики этого сайта опубликовали собранные анонимные рейтинговые данные для использования другими исследователями. Исследовательская группа GroupLens, возглавляемая Брентом Даленом и Джоном Херлокером, использовала этот набор данных, чтобы запустить новый сайт рекомендаций по фильмам под названием MovieLens, который был очень заметной исследовательской платформой, включая подробную обсуждение в статье Малкольма Гладуэлла в New Yorker и отчете в полном выпуске ABC Nightline.

В период с 1997 по 2002 год группа продолжала свои исследования по совместной фильтрации, о которых стало известно в сообщество более общим термином рекомендательные системы. Благодаря опыту Джо Константина в пользовательских интерфейсах, команда начала изучать проблемы интерфейса в рекомендателях, таких как объяснения и системы мета-рекомендаций.

Изучение онлайн-сообществ

В 2002 году, GroupLens расширилась до социальных вычислений и онлайн-сообществ с добавлением Лорена Тервина, известного своими исследованиями социальных рекомендательных систем, таких как PHOAKS.

Чтобы расширить набор используемых ими исследовательских идей и инструментов, Ридл, Констан и Тервин пригласили коллег по социальной психологии (Роберт Краут и Сара Кислер, Института взаимодействия человека и компьютера Карнеги-Меллона ), а также экономический и социальный анализ (Пол Резник и Школа информации Мичиганского университета ) сотрудничать. Новая, более многочисленная команда приняла это название и в целом изучала влияние технологических вмешательств на работу онлайн-сообществ. Например, в некоторых из их исследований изучалась технология для обогащения систем общения, в то время как в других изучались личные, социальные и экономические мотивы оценки пользователей.

В 2008 году GroupLens запустила Cyclopath, вычислительную геовики для велосипедистов в

В 2010 году GroupLens выиграла ежегодную награду ACM software system..

присоединилась к преподавательскому составу GroupLens в 2013 году, уделяя особое внимание географическому взаимодействию человека с компьютером. присоединился к факультету GroupLens в 2014 году; она работает с социальными вычислениями и взаимодействием ребенка с компьютером. Третий профессор присоединился к нему в 2015 году. Хайи опубликовал исследование в Facebook и других социальных сетях.

Вклад
  • Система рекомендаций MovieLens: MovieLens - это некоммерческая система рекомендаций по фильмам, которая работает с 1997 года и имеет более 164 000 уникальных посетителей. по состоянию на 2009 год, которые предоставили более 15 миллионов оценок фильмов.
  • Наборы данных рейтингов MovieLens: На заре создания рекомендательных систем исследования замедлялись из-за отсутствия общедоступных наборов данных. В ответ на запросы других исследователей GroupLens выпустила три набора данных: набор данных рейтинга MovieLens 100 000, набор данных рейтинга MovieLens 1 миллион и набор данных рейтинга MovieLens 10 миллионов. Эти наборы данных стали стандартными наборами данных для рекомендательных исследований и были использованы в более чем 300 статьях исследователей со всего мира. Набор данных также используется для обучения рекомендательной технологии.
  • Набор данных тегов MovieLens: GroupLens добавила теги в MovieLens в 2006 году. С тех пор пользователи предоставили более 85 000 приложений с 14 000 уникальными тегами для фильмы. Набор данных 10 миллионов оценок MovieLens также включает набор данных приложений с тегами 100 000 для использования исследователями.
  • Утечка информации из рекомендательных наборов данных: в статье на конференции поиск информации анализировались риски конфиденциальности пользователям, выпустившим большие рекомендательные наборы данных. Основной обнаруженный риск заключается в том, что анонимный набор данных может быть объединен с общедоступной информацией для идентификации пользователя. Например, пользователь, который написал о своих предпочтениях в отношении фильмов на онлайн-форумах, может быть связан с определенной строкой в ​​наборах данных MovieLens. В некоторых случаях эти ассоциации могут привести к утечке информации, которую пользователь предпочел бы сохранить в тайне.
  • Исследование Википедии: Исследование ценности и вандализма в Википедии, опубликованное в 2007 году, описало концентрацию вклада редакторов Википедии. Эта статья была одной из первых, в которой основное внимание уделялось тому, сколько времени вклад сохраняется в Википедии как меру его ценности. В документе также исследовалось влияние вандализма на читателей Википедии путем измерения вероятности того, что при просмотре страницы эта страница будет захвачена в вандализме. GroupLens также изучил способы помочь редакторам найти страницы, которые они могли бы внести с помощью рекомендателя SuggestBot. Группа также изучила эволюцию норм в Википедии, которые определяют, какие статьи принимаются или отклоняются, и влияние изменений этих норм на длинный хвост статей Википедии. GroupLens также исследовал функционирование неформальной системы экспертной оценки в Википедии, чтобы обнаружить, как на принимаемые решения оказывается несоответствующее влияние владение, и этот опыт, похоже, не сильно влияет на производительность редактора. Исследователи GroupLens также исследовали визуализацию истории редактирования статей в Википедии. В 2011 году исследователи GroupLens завершили научное исследование гендерного дисбаланса в популярных редакторах Википедии, в результате чего был обнаружен большой разрыв между редакторами-мужчинами и женщинами.
  • Системы рекомендаций по шиллингу: GroupLens изучила способы, которыми пользуются пользователи рекомендательные системы могут попытаться ненадлежащим образом повлиять на рекомендации, данные другим пользователям. Они называют это поведение шиллингом из-за его связи с практикой найма сотрудников под видом восторженных клиентов. Они показали, что некоторые виды шиллинга могут оказаться эффективными на практике. Одна из проблем, связанных с шиллингом, заключается в том, что ложные прогнозы могут изменить мнение более поздних пользователей, еще больше искажая рекомендации.
  • Cyclopath: Начиная с 2008 года, GroupLens запустила Cyclopath, вычислительную геовики для местных велосипедистов. С тех пор Cyclopath используется сотнями велосипедистов в пределах городов-побратимов. Совсем недавно Cyclopath был принят Городами-побратимами Столичным советом для помощи в планировании региональной велосипедной системы.
Ссылки
Внешние ссылки
Последняя правка сделана 2021-05-22 11:28:14
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте