Article Share on Item-based collaborative filtering recommendation algorithms Authors: Badrul Sarwar GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , George Karypis GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , Joseph Konstan GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , John Riedl GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group/Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile Authors Info & Claims WWW '01: Proceedings of the 10th international conference on World Wide WebMay 2001 Pages 285–295https://doi.org/10.1145/371920.372071Online:01 April 2001Publication History 4,816citation29,749DownloadsMetricsTotal Citations4,816Total Downloads29,749Last 12 Months2,414Last 6 weeks183 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my Alerts New Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteGet Access

Recommender systems have been evaluated in many, often incomparable, ways. In this article, we review the key decisions in evaluating collaborative filtering recommender systems: the user tasks being evaluated, the types of analysis and datasets being used, the ways in which prediction quality is measured, the evaluation of prediction attributes other than quality, and the user-based evaluation of the system as a whole. In addition to reviewing the evaluation strategies used by prior researchers, we present empirical results from the analysis of various accuracy metrics on one content domain where all the tested metrics collapsed roughly into three equivalence classes. Metrics within each equivalency class were strongly correlated, while metrics from different equivalency classes were uncorrelated.

Collaborative filters help people make choices based on the opinions of other people. GroupLens is a system for collaborative filtering of netnews, to help people find articles they will like in the huge stream of available articles. News reader clients display predicted scores and make it easy for users to rate articles after they read them. Rating servers, called Better Bit Bureaus, gather and disseminate the ratings. The rating servers predict scores based on the heuristic that people who agreed in the past will probably agree again. Users can protect their privacy by entering ratings under pseudonyms, without reducing the effectiveness of the score prediction. The entire architecture is open: alternative software for news clients and Better Bit Bureaus can be developed independently and can interoperate with the components we have developed.

column Share on An Algorithmic Framework for Performing Collaborative Filtering Authors: Jonathan L. Herlocker University of Minnesota University of MinnesotaView Profile , Joseph A. Konstan University of Minnesota University of MinnesotaView Profile , Al Borchers University of Minnesota University of MinnesotaView Profile , John Riedl University of Minnesota University of MinnesotaView Profile Authors Info & Claims ACM SIGIR ForumVolume 51Issue 2July 2017 pp 227–234https://doi.org/10.1145/3130348.3130372Published:02 August 2017Publication History 63citation823DownloadsMetricsTotal Citations63Total Downloads823Last 12 Months45Last 6 weeks3 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteGet Access

article Free Access Share on GroupLens: applying collaborative filtering to Usenet news Authors: Joseph A. Konstan Computer Science Department, The University of Minnesota, Minneapolis and Net Perceptions, Eden Prairie, Minn. Computer Science Department, The University of Minnesota, Minneapolis and Net Perceptions, Eden Prairie, Minn.View Profile , Bradley N. Miller Net Perceptions, Inc., Eden Prairie, Minn. Net Perceptions, Inc., Eden Prairie, Minn.View Profile , David Maltz Computer Science Department, Carnegie Mellon University Computer Science Department, Carnegie Mellon UniversityView Profile , Jonathan L. Herlocker computer science Department, The University of Minnesota computer science Department, The University of MinnesotaView Profile , Lee R. Gordon Net Perceptions, Inc., Eden Prairie, Minn. and The University of Minnesota, Minneapolis Net Perceptions, Inc., Eden Prairie, Minn. and The University of Minnesota, MinneapolisView Profile , John Riedl computer Science Department, University of Minnesota, Net Perceptions, Inc. computer Science Department, University of Minnesota, Net Perceptions, Inc.View Profile Authors Info & Claims Communications of the ACMVolume 40Issue 3March 1997 pp 77–87https://doi.org/10.1145/245108.245126Published:01 March 1997Publication History 1,710citation7,062DownloadsMetricsTotal Citations1,710Total Downloads7,062Last 12 Months602Last 6 weeks78 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my Alerts New Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteeReaderPDF

Article Free Access Share on An algorithmic framework for performing collaborative filtering Authors: Jonathan L. Herlocker Dept. of Computer Science and Engineering, University of Minnesota Dept. of Computer Science and Engineering, University of MinnesotaView Profile , Joseph A. Konstan Dept. of Computer Science and Engineering, University of Minnesota Dept. of Computer Science and Engineering, University of MinnesotaView Profile , Al Borchers Dept. of Computer Science and Engineering, University of Minnesota Dept. of Computer Science and Engineering, University of MinnesotaView Profile , John Riedl Dept. of Computer Science and Engineering, University of Minnesota Dept. of Computer Science and Engineering, University of MinnesotaView Profile Authors Info & Claims SIGIR '99: Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrievalAugust 1999Pages 230–237https://doi.org/10.1145/312624.312682Published:01 August 1999Publication History 1,811citation10,258DownloadsMetricsTotal Citations1,811Total Downloads10,258Last 12 Months632Last 6 weeks53 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteeReaderPDF

Article Free Access Share on Analysis of recommendation algorithms for e-commerce Authors: Badrul Sarwar GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , George Karypis GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , Joseph Konstan GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , John Riedl GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Group / Army HPC Research Center, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile Authors Info & Claims EC '00: Proceedings of the 2nd ACM conference on Electronic commerceOctober 2000 Pages 158–167https://doi.org/10.1145/352871.352887Published:17 October 2000Publication History 1,115citation13,063DownloadsMetricsTotal Citations1,115Total Downloads13,063Last 12 Months2,132Last 6 weeks300 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteeReaderPDF

Article Free Access Share on Recommender systems in e-commerce Authors: J. Ben Schafer GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , Joseph Konstan GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile , John Riedl GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MN GroupLens Research Project, Department of Computer Science and Engineering, University of Minnesota, Minneapolis, MNView Profile Authors Info & Claims EC '99: Proceedings of the 1st ACM conference on Electronic commerceNovember 1999Pages 158–166https://doi.org/10.1145/336992.337035Published:01 November 1999Publication History 986citation31,324DownloadsMetricsTotal Citations986Total Downloads31,324Last 12 Months7,965Last 6 weeks819 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteeReaderPDF

Recommender systems have shown great potential to help users find interesting and relevant items from within a large information space. Most research up to this point has focused on improving the accuracy of recommender systems. We believe that not only has this narrow focus been misguided, but has even been detrimental to the field. The recommendations that are most accurate according to the standard metrics are sometimes not the recommendations that are most useful to users. In this paper, we propose informal arguments that the recommender community should move beyond the conventional accuracy metrics and their associated experimental methodologies. We propose new user-centric directions for evaluating recommender systems.

Since their introduction in the early 1990’s, automated recommender systems have revolutionized the marketing and delivery of commerce and content by providing personalized recommendations and predictions over a variety of large and complex product offerings. In this article, we review the key advances in collaborative filtering recommender systems, focusing on the evolution from research concentrated purely on algorithms to research concentrated on the rich set of questions around the user experience with the recommender. We show through examples that the embedding of the algorithm in the user experience dramatically affects the value to the user of the recommender. We argue that evaluating the user experience of a recommender requires a broader set of measures than have been commonly used, and suggest additional measures that have proven effective. Based on our analysis of the state of the field, we identify the most important open research problems, and outline key challenges slowing the advance of the state of the art, and in some cases limiting the relevance of research to real-world applications.