Att identifiera användare med de metoder som beskrivits medför vissa etiska aspekter. Betydelsen för integritet och datainsamling i digitala tjänster är något som konsumenter värderar allt högre, vilket medför liknande problem i rekommendat-ionssystem som tidigare diskuterats i CRM (customer relationship management) sammanhang [13]. För att kunna använda sig av så pass omfattande datainsamling som krävs för att rekommendationssystem och CRM-system ska fungera, krävs en tydlig policy för hur data ska hanteras och knytas användarspecifikt. Dessutom för-utser detta att man tar hänsyn till de regleringar och lagar som gäller för insamling av strukturerad data samt cookies [11][12], vilket kan variera mellan olika länder. Om framtida rekommendationssystem ska ta hänsyn till ytterligare parametrar likt de som beskrivs i algoritmen SoRec, medför detta ytterligare insamling och struktu-rering av personlig data. Större användarkännedom är något som underlättar mark-nadsföring, och industrin strävar efter eftersom att det är finansiellt fördelaktigt. Med tanke på den riktning synen på datainsamling går, är det möjligt att utveckl-ingen inte är hållbar i det avseendet. Hållbarhetsaspekter ur miljösynpunkt kommer inte att undersökas vidare eftersom det inte är direkt applicerbart på arbetet.
48
6 Slutsats
De rekommendationssystem som används idag är även applicerbara i livestrea-mingtjänster, men måste i praktiken anpassas därefter. De brister som finns i dem visar sig blir ännu större när de appliceras i livestreaming. Exempelvis är det i en filmtjänst ett alternativ att överväga algoritmer som SVD++ framför övriga trots dess tidskomplexitet, eftersom att precisionen i rekommendationerna blir så pass mycket bättre. I livestreaming blir det desto svårare att överväga fördelarna då tidskrävande uppbyggnad av en användarmodell inte är ett alternativ på grund av den höga frekvens innehåll byts ut i. För att kunna kompensera de brister som finns, visade det sig hybrida rekommendationssystem nästan är ett måste i live-streamingtjänster. Genom att använda sig av flera datainsamlingskällor och re-kommendationsmetoder kombinerat så kan problem som cold-start uteslutas. Detta sker dock på en bekostnad av implementerbarhet och högre krav på datain-samling vilket, vidare kan leda till ytterligare etiska frågeställningar.
Trots utvecklingen av nya, snabbare och precisare algoritmer, så kan de tyckas vara naiva med tanke på de möjligheter som finns. När K-NN (som fortfarande är den mest använda algoritmen) utvecklades, fanns inte i närheten av samma data-volymer om användare att tillgå som idag. Det finns stor potential för vidare forsk-ning och utveckling inom rekommendationssystem generellt, men framför allt inom livestreaming som växter allt mer. Med tanke på att allt innehåll sänds digi-talt och vem som helst kan sända när som helst, så finns det enorma möjligheter att utveckla rekommendationsalgoritmerna till att ta hänsyn till sociala parametrar där exempelvis grannanvändare inte bara är användare med liknande tidigare pferenser, utan även användare med övriga gemensamma intressen. Vidare kan re-kommendationer i realtid förslås användare utifrån vad grannanvändare tittar på just nu.
50
7 Källförteckning
[1] “Information society statistics - households and individuals - Statistics Explained,” Jun-2015. [Online]. Available:
http://ec.europa.eu/eurostat/statistics- explained/index.php/Information_society_statistics_-_households_and_individuals. [Accessed: 24-Jan-2016].
[2] “Recommender system,” Wikipedia, the free encyclopedia. 28-Jan-2016. [3] “Liveguide - Your personal guide to live streaming video.,” 24-Jan-2016.
[Online]. Available: http://www.liveguide.li/. [Accessed: 24-Jan-2016].
[4] F. Ricci, L. Rokach, B. Shapira, and P. B. Kantor, Recommender Systems Handbook. Springer Science & Business Media, 2010.
[5] M. D. Ekstrand, J. T. Riedl, and J. A. Konstan, “Collaborative filtering
recommender systems,” Found. Trends Hum.-Comput. Interact., vol. 4, no. 2, pp. 81–173, 2011.
[6] J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, “Evaluating Collaborative Filtering Recommender Systems,” ACM Trans Inf Syst, vol. 22, no. 1, pp. 5–53, Jan. 2004.
[7] T. VASILOUDIS, “Extending recommendation algorithms bymodeling user context,” KTH, School of Computer Science and Communication (CSC), 2014. [8] “Netflix Prize: Review Rules.” [Online]. Available:
http://www.netflixprize.com/rules. [Accessed: 16-May-2016]. [9] “Algorithms: Single Value Decomposition.” [Online]. Available:
http://www.cs.carleton.edu/cs_comps/0607/recommend/recommender/svd.htm l. [Accessed: 16-May-2016].
[10] R. van Meteren and M. van Someren, “Using Content-Based Filtering for Recommendation,” 2009.
[11] F. Karlsson and F. Berg, “Algoritm för automatiserad generering av metadata,” 2015.
[12] R. Burke, “Hybrid Web Recommender Systems,” in The Adaptive Web, P.
Brusilovsky, A. Kobsa, and W. Nejdl, Eds. Springer Berlin Heidelberg, 2007, pp. 377–408.
[13] K. Fletcher, “Consumer power and privacy: the changing nature of CRM,” Int. J. Advert., vol. 22, no. 2, pp. 249–272, 2003.
[14] Datainspektionen, “Dina rättigheter enligt personuppgiftslagen -
Datainspektionen.” [Online]. Available: http://www.datainspektionen.se/lagar-och-regler/personuppgiftslagen/dina-rattigheter/. [Accessed: 19-Apr-2016].
51 [15] “Kakor för webbplatsinnehavare.” [Online]. Available:
https://www.pts.se/sv/Bransch/Regler/Lagar/Lag-om-elektronisk- kommunikation/Cookies-kakor/Fragor-och-svar-om-kakor-for-webbplatsinnehavare/. [Accessed: 19-Apr-2016].
[16] E. Chavez Alcarraz and M. Moraga, “Linked data performance in different databases : Comparison between SQL and NoSQL databases,” 2014.
[17] T. W. Yang, W. Y. Shih, J. L. Huang, W. C. Ting, and P. C. Liu, “A Hybrid Preference-Aware Recommendation Algorithm for Live Streaming Channels,” in 2013 Conference on Technologies and Applications of Artificial Intelligence, 2013, pp. 188–193.
[18] N. Andersson and A. Ekholm, “Vetenskaplighet - Utvärdering av tre implementeringsprojekt inom IT Bygg & Fastighet 2002,” Institutionen för Byggande och Arkitektur, Lunds Universitet, 2002.
[19] M. Bunge, Epistemology & Methodology I:: Exploring the World (Treatise on Basic Philosophy) (Volume 5). Springer, 1983.
[20] H. Sunmark, “Projektdefinition.” 01-Feb-2016.
[21] S. Eklund, Arbeta i projekt: individen, gruppen, ledaren. Studentlitteratur, 2010. [22] I. Sommerville, Software Engineering (9th Edition). Pearson, 2010.
[23] J. Davidson, B. Liebald, J. Liu, P. Nandy, T. Van Vleet, U. Gargi, S. Gupta, Y. He, M. Lambert, B. Livingston, and D. Sampath, “The YouTube Video
Recommendation System,” in Proceedings of the Fourth ACM Conference on Recommender Systems, New York, NY, USA, 2010, pp. 293–296.
[24] D. Nikolov and K. Donglnn, “Learning to Predict Movie Ratings from the Netflix Dataset.” [Online]. Available:
https://www.cs.indiana.edu/~dnikolov/files/dgn-b656-sp2009.pdf. [Accessed: 04-Mar-2016].
[25] K. Choi, D. Yoo, G. Kim, and Y. Suh, “A Hybrid Online-product
Recommendation System: Combining Implicit Rating-based Collaborative Filtering and Sequential Pattern Analysis,” Electron Commer Rec Appl, vol. 11, no. 4, pp. 309–317, Jul. 2012.
[26] T. Tran, “Combining Collaborative Filtering and Knowledge-Based Approaches for Better Recommendation Systems,” ResearchGate, Jan. 2007. [27] P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl, “GroupLens: An
Open Architecture for Collaborative Filtering of Netnews,” in Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work, New York, NY, USA, 1994, pp. 175–186.
52 [28] Y. Koren, “Factorization Meets the Neighborhood: A Multifaceted
Collaborative Filtering Model,” in Proceedings of the 14th ACM SIGKDD
International Conference on Knowledge Discovery and Data Mining, New York, NY, USA, 2008, pp. 426–434.
[29] “LibRec - Examples & Comparison with Other Recommendation Libraries.” [Online]. Available: http://www.librec.net/example.html. [Accessed: 16-May-2016].
[30] K. Baker, “Singular Value Decomposition Tutorial,” 29-Mar-2005. [Online]. Available:
https://www.ling.ohio-state.edu/~kbaker/pubs/Singular_Value_Decomposition_Tutorial.pdf. [Accessed: 16-May-2016].
[31] “MovieLens,” GroupLens, 06-Sep-2013. [Online]. Available:
http://grouplens.org/datasets/movielens/. [Accessed: 16-May-2016].
[32] “LibRec - Datasets.” [Online]. Available: http://www.librec.net/datasets.html. [Accessed: 16-May-2016].
[33] D. Lemire and A. Maclachlan, “Slope One Predictors for Online Rating-Based Collaborative Filtering,” arXiv:cs/0702144, Feb. 2007.
[34] G. Guibing, Z. Jie, S. Zhu, and Y.-S. Neil, “LibRec: A Java Library for Recommender Systems.”
[35] J. Herlocker, J. A. Konstan, and J. Riedl, “An Empirical Analysis of Design Choices in Neighborhood-Based Collaborative Filtering Algorithms,” Inf. Retr., vol. 5, no. 4, pp. 287–310, 2002.
[36] D. Farrington and N. Muesch, “ANALYSIS OF THE CHARISTERISTICS AND CONTENT OF TWITCH LIVESTREAMING,” 2015.
[37] H. Ma, H. Yang, M. R. Lyu, and I. King, “SoRec: social recommendation using probabilistic matrix factorization,” 2008, p. 931.
54
Bilagor
55
Förklaring till Librec-inställningar
56 Config 2 - http://www.librec.net/
www.kth.se