MovieLens 使用打分的方法获取用户对电影的偏好数据。在正式使用其服务前，需要用户对至少 15 部电影进行打分。当然，你对越多的电影打分，系统给你的推荐结果就会更趋于准确。题外话，douban 也是这种模式，在系统开始做出推荐之前，用户需要至少给 9 部电影打分。9 < 15，看来 douban 的算法似乎要先进一些，呵呵。MovieLens 的电影数据还是有些久远的，最开始让你打分的电影基本上是上世纪八九十年代的，因此，你得有足够的耐心找出你看过的，或者上 IMDB 查查剧情。

MovieLens 还可以针对一个 Group 进行推荐。MovieLens 的 Group 挺有意思，全都是动物，包括熊啊、鹰啊、猩猩、老虎、狮子什么的。我被分到了“Bear Group”。在组推荐模式下，MovieLens 会综合考虑每个组员的兴趣特征，最终给出一个合并后的推荐结果。对于“Bear Group”，MovieLens 认为最 cool 的电影是 Lord of Rings、Matrix 和 Star Wars，全部是我的最爱！

伴随着 Web 2.0 的兴起，MovieLens 也在努力进步着。2006 年，MovieLens 引入了 social tagging / collaborative tagging 的特性，开始进行基于 tag 的推荐尝试。

再说说 MovieLens 的创办者 —— GroupLens 项目组。这个项目组绝对是全世界推荐系统领域最具影响力的学术研究团体，他们为推荐系统的发展做出了许多卓越的贡献。

他们公布出来的 MovieLens 数据集，包括 6040 个用户针对 3900 部电影所进行的将近 1,000,000 条打分数据，是被使用最为广泛的实验资料，并且已经成为评价推荐算法的基准数据集。不过，和去年 Netflix 公布出来的数据集（480,189 个用户，17,770 部电影，100,480,507 条评分记录）相比，MovieLens 数据集少了 2 个数量级。它的位置相信会逐渐被 Netflix 数据所替代，这是时代进步的必然结果。

另外，作为名校的研究团队，GroupLens 项目组自然是发表了不少精彩的 paper。尤其是其中《GroupLens: An Open Architecture for Collaborative Filtering of Netnews (1994) 》这篇 paper，绝对称得上是推荐系统领域最具影响力的经典 paper 之一。

如果你想了解推荐系统的发展历程，那么你一定要到 MovieLens 上注册一个用户，使用使用，体验一下。

您可能也喜欢：
Resys Group 第四次活动总结 (by xlvector) (@resyschina)	Resys 第四次线下活动 – IBM CRL 专场 (@resyschina)	个性化站点：AideRSS.com	个性化站点：LibraryThing.com	个性化站点：MyFriendSuggests.com
无觅