MovieLens
MovieLensという公開データがあります．
その中には例えば，userが943人，movieが1682映画，userが映画に対してつけた評価（レート）が10万件あるデータがあります．
そのデータに自分が944人目として70映画くらいの評価を追加すると次のような映画を推薦されました．
それぞれの方式は既存にあるものだったり，私が新たに改良したものです．
順位 方式１ 方式２ 1 Star Wars (1977) Star Wars (1977) 2 Fargo (1996) Return of the Jedi (1983) 3 Return of the Jedi (1983) Scream (1996) 4 Contact (1997) Contact (1997) 5 English Patient, The (1996) Liar Liar (1997) 6 Godfather, The (1972) Empire Strikes Back, The (1980) 7 Raiders of the Lost Ark (1981) Fargo (1996) 8 Empire Strikes Back, The (1980) Raiders of the Lost Ark (1981) 9 Liar Liar (1997) Princess Bride, The (1987) 10 Pulp Fiction (1994) Pulp Fiction (1994)
以上は，良くありがちな方法です．
以下は，協調フィルタリングの色々パタンを考えてやってみました．
順位 方式３ 方式４ 1 George of the Jungle (1997) Double vie de Veronique, La (1991) 2 Persuasion (1995) Brassed Off (1996) 3 Arsenic and Old Lace (1944) Jean de Florette (1986) 4 Sabrina (1954) Secret Garden, The (1993) 5 Secret Garden, The (1993) Microcosmos: Le peuple de l'herbe (1996) 6 Welcome To Sarajevo (1997) Spy Hard (1996) 7 Jean de Florette (1986) Set It Off (1996) 8 Empire Strikes Back, The (1980) Raiders of the Lost Ark (1981) 9 Microcosmos: Le peuple de l'herbe (1996) Girl 6 (1996) 10 Star Trek: First Contact (1996) Kiss Me, Guido (1997)
順位 方式５ 方式６ 1 Star Wars (1977) Star Wars (1977) 2 Fargo (1996) Return of the Jedi (1983) 3 Return of the Jedi (1983) Raiders of the Lost Ark (1981) 4 Raiders of the Lost Ark (1981) Empire Strikes Back, The (1980) 5 Contact (1997) Fargo (1996) 6 Godfather, The (1972) Princess Bride, The (1987) 7 Empire Strikes Back, The (1980) Independence Day (ID4) (1996) 8 English Patient, The (1996) Pulp Fiction (1994) 9 Pulp Fiction (1994) Godfather, The (1972) 10 Independence Day (ID4) (1996) Indiana Jones and the Last Crusade (1989)
順位 方式７ 1 Star Wars (1977) 2 Return of the Jedi (1983) 3 Fargo (1996) 4 Independence Day (ID4) (1996) 5 Raiders of the Lost Ark (1981) 6 Godfather, The (1972) 7 Contact (1997) 8 Empire Strikes Back, The (1980) 9 Rock, The (1996) 10 Liar Liar (1997)
もちろん推薦技術的には適用対象は，映画に限定されず，広告，ニューズ，音楽，行動などいろいろとあります．
例えば方式７は，ある評価指標で完全に理想的とされる状態に対して，１アイデアで協調フィルタリングを汎用的に改善します．比較対象方式に１アイデアを追加するだけで，理想的な結果との間に存在するGapを20%程度縮めることができます．理想的な状態を予想するScoringは，それぞれのユーザが入力するデータにブレ（noise）がある以上不可能なので20%改善はそこそこ良い数字かなぁと思いますし，今後まだまだ縮められそうです．）結果は面白いし，今はやっていませんが個々の方式はパラメータ調整できるし，他に試したい方式もあるし，それぞれの方式をブレンドする方法もあるので，もっと良くできるとは思います．またMovieLensはデータが2000年くらいまでの映画へのデータなので，Netflix Prizeに出すともっと面白いかも知れません．
ただどう金にしましょうかねぇ。。。その改良を金に反映できるのは，Google，Y!，Amazonやコンテンツホルダでないと難しいのかも知れません．残念です．
このような結果を有効利用できて，お遊びと判断されない最も良い場所ってどこなんでしょうね？
