The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems

越来越重要的推荐系统设计方面涉及考虑推荐如何影响消费者选择。本文通过引入一种收集用户对未体验过物品的信念的方法来解决这个问题，这是选择行为的关键预测因素。我们在MovieLens平台上实施了这种方法，得到了一个丰富的数据集，结合了用户评分、信念和观察到的推荐。我们记录了此类数据收集的挑战，包括响应中的选择偏差和产品空间的覆盖范围有限。这个独特的资源使研究人员能够更深入地研究用户行为，分析用户在没有推荐的情况下的选择，衡量推荐的有效性，并原型化利用用户信念数据的算法，最终导致更有影响力的推荐系统。该数据集可在https://grouplens.org/datasets/movielens/ml_belief_2024/找到。

如何收集用户对未体验过的物品的信念，以更好地预测用户的选择行为，并提高推荐系统的效果？

通过在MovieLens平台上实现一种数据收集方法，收集用户对未体验过的物品的信念，结合用户评分和观察到的推荐，为推荐系统提供更丰富的数据资源，从而更好地预测用户的选择行为。

论文介绍了一种收集用户信念数据的方法，并在MovieLens平台上实现了该方法，产生了一个结合用户评分、信念和观察到的推荐的丰富数据集。论文还探讨了数据收集过程中的挑战，如响应选择偏差和产品空间覆盖率限制。这个数据集可以用于分析用户选择行为、评估推荐系统的效果以及原型算法的开发。

近期的相关研究包括：1）《Collaborative Filtering with User Belief Operators》；2）《A Survey on Preference and Trust-Based Recommender Systems》。