AAU logo
Studerende vil give dig bedre filmoplevelser - prøv selv

Studerende vil give dig bedre filmoplevelser - prøv selv

Hvilken film skal du se i aften? En gruppe studerende fra Aalborg Universitet har udviklet et anbefalingssystem, hvor de samler detaljeret og anonymiseret data om brugernes præferencer med ét mål for øje: At generere endnu bedre filmanbefalinger.

Last modified: 14.05.2020

Vi kender det alle sammen. Når vi logger ind på Netflix, HBO eller TV2 Play, bliver vi præsenteret for et væld af muligheder. Der ligger avancerede og hemmelige algoritmer til grund for, at lige netop du får vist bestemte titler.

Men inden for forskningen i udviklingen af anbefalingssystemer, har man i mange år været udfordret af, at der mangler data, hvor brugere eksplicit har tilkendegivet præferencer - f.eks. at de ikke kan lide romantiske dramaer eller elsker alt med Woody Allen.

En gruppe softwarestuderende fra Aalborg Universitet har som led i deres speciale forsøgt at lappe lige præcis det hul. De har bygget MindReader, der dels er en anbefalingsplatform og dels et værktøj til at indsamle data, så andre forskere også kan afprøve nye strategier inden for maskinlæring og informationsbehandling:

- Anbefalingssystemer er maskinlæringsmodeller, der skal udlede en brugers præferencer på baggrund af data. Men inden for forskningen bygger disse systemer i dag på meget store og brugte datasæt, som kun forholder sig til brugernes ratings af film. De tager ikke højde for, hvad brugeren synes om en bestemt instruktør, skuespiller eller genre, siger Anders Højlund Brams, der sammen med Anders Langballe Jakobsen og Theis Erik Jendal står bag MindReader. Han fortsætter:

- Og det er umådeligt svært at forudsige, om en person kan lide en bestemt film alene baseret på ratings af andre film. Det resulterer i en masse gætværk og betyder, at systemerne ender med at anbefale film, du i virkeligheden måske ikke ville kunne lide.

Vi ved, hvad brugeren synes om Matt Damon

For at opbygge systemet har de tre studerende taget udgangspunkt i såkaldte vidensgrafer (knowledge graphs), som gør det muligt at forbinde tusindvis af informationer om film med data om instruktører, skuespillere og genrer. Derved får man overblik over ofte komplekse sammenhænge. De har ligeledes søgt vejledning hos professor Katja Hose, lektor Peter Dolog og postdoc Matteo Lissandrini, der alle arbejder med netop knowledge graphs og anbefalingssystemer ved Institut for Datalogi.

Konkret bliver man som bruger i MindReader anonymt bedt om at give sin mening til kende om alt fra børnefilm til danske skuespillere og engelske thrillere. I sidste ende kommer systemet med en række anbefalinger til film, du kan se – og film, du ikke skal spilde din tid på.

- Med det datasæt, vores brugere har bygget, har forskere for første gang adgang til en brugers præcise mening om eksempelvis actionfilm med Matt Damon – ikke kun hvad de synes om filmene, men hvad de synes om genren og skuespilleren hver for sig. Med denne information kan der både laves bedre anbefalinger og spares en masse tid, da det ikke er nødvendigt at udforske alle facetter af de film, en bruger kan lide. Det er nu blot et spørgsmål om at lade forskningen finde ud af, hvordan man kan bruge den nye information mest effektivt, siger Anders Højlund Brams.

De fleste har en mening om en genre

Dér hvor MindReader virkelig kommer til sin ret, er i situationer, hvor en helt ny bruger, som systemet ikke kender, skal have nogle anbefalinger. Der er mange måder at håndtere det på - f.eks. kan systemerne anvende meta-data som køn og socialt netværk - men en anden populær strategi er at lave et interview, hvor man stiller nogle få spørgsmål for at udtrække brugerens præferencer. Her kan maskinlæring anvendes til at finde ud af, hvilke spørgsmål der skal stilles for mest effektivt at udforske en brugers filmsmag. 

- Vi sidder i skrivende stund og træner modeller til at lave præcist sådan nogle interviews. I svarstatistikkerne på MindReader kan vi se, at de ting, brugere oftest svarer "Ved ikke” til, er film og til dels skuespillere, men omvendt har brugerne næsten altid en mening om de genrer, de bliver spurgt til.

Dags dato har mere end 2000 brugere anvendt MindReader og vurderet mere 180.000 emner, men de tre studerende håber, at endnu flere har lyst til at prøve kræfter med systemet:

- Det er helt afgørende for streamingtjenester at have gode anbefalingsværktøjer. Det kunne være fedt, hvis det datasæt, MindReaders brugere har bygget, kunne bruges generelt i forskningen, og hvis en gigant som Netflix kunne bruge det til at udvikle bedre screeningprocesser af nye brugere. Jo flere, der prøver systemet, jo bedre. For jo mere data, jo bedre mulighed er der for at finde en optimal måde at kombinere brugeroplevelsen og tidsforbruget, siger Anders Højlund Brams.

______________________________________________________________________________

YDERLIGERE OPLYSNINGER

Systemet er udviklet af Anders Højlund Brams, Anders Langballe Jakobsen og Theis Jendal i samarbejde med deres vejledere Matteo LissandriniPeter Dolog og Katja Hose

Vil du vide mere, kan du kontakte Anders Langballe Jakobsen på telefon: 2757 2038

Presse: Nina Hermansen, ninah@cs.aau.dk, telefon: 2090 1829