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是考虑推荐如何影响消费者选择。本文通过介绍一种收集用户对未经历的物品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。我们记录了这种数据收集的挑战，包括响应选择偏差和产品空间覆盖范围有限。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，最终实现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（beliefs）数据，以便更好地设计推荐系统并预测用户的选择行为。

通过在MovieLens平台上实现一种方法来收集用户对未体验过的物品的信念数据，并将其与用户评分和观察到的推荐相结合，以获得更准确的预测用户选择行为的模型。

论文介绍了一种新的方法来收集用户信念数据，该数据可以用于更好地设计推荐系统。作者还记录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范围有限。作者提供了一个数据集，可以用于分析用户行为、测量推荐效果和原型算法。

该领域的相关研究包括：1.基于协同过滤的推荐系统；2.基于内容的推荐系统；3.深度学习在推荐系统中的应用。