Netflix Prize 2009 : BellKor remporte le concours de recommandation à 1 million de dollars
Netflix a remis 1 million de dollars le 21 septembre 2009 à BellKor's Pragmatic Chaos après un concours de trois ans pour battre Cinematch de 10 % sur le RMSE. La factorisation matricielle et les RBM ont marqué recherche et production.
Le 21 septembre 2009, Netflix a tenu une cérémonie pour le Netflix Prize, une compétition ouverte d’1 million de dollars lancée le 2 octobre 2006. L’entreprise a publié environ 100 480 507 notes d’environ 480 189 utilisateurs sur 17 770 films et a demandé aux équipes de battre la baseline Cinematch de 10 % sur le RMSE. L’équipe gagnante BellKor’s Pragmatic Chaos a atteint RMSE 0,8567 sur le test ; The Ensemble a égalé le score mais a soumis environ 20 minutes plus tard selon le règlement.
Factorisation, ensembles et réseaux de neurones
Les meilleures solutions ont mélangé factorisation matricielle, méthodes d’ensemble et feature engineering habile. Yehuda Koren, Robert M. Bell et Chris Volinsky ont documenté le filtrage collaboratif industriel pour Netflix dans IEEE Computer (2009). Plus tôt, Ruslan Salakhutdinov, Andriy Mnih et Geoffrey Hinton ont montré à l’ICML 2007 comment des machines de Boltzmann restreintes (RBM) modélisaient les notes ; leur équipe Machine Learning at Toronto a remporté le Progress Prize 2007 du concours.
Netflix a écrit ensuite avoir intégré en production des idées du Progress Prize, dont des composantes SVD et RBM, tandis que l’ensemble du grand prix était trop coûteux à déployer tel quel. Le concours a popularisé les systèmes de recommandation comme application phare de l’apprentissage automatique aux côtés de méthodes comme les forêts aléatoires et les machines à vecteurs de support.
Vie privée et suite annulée
Les chercheurs Arvind Narayanan et Vitaly Shmatikov ont démontré en 2007 que des notes Netflix anonymisées pouvaient être réidentifiées en recoupant des profils IMDb publics. Un recours collectif pour vie privée en décembre 2009 s’est soldé en mars 2010, et Netflix a annulé un second concours prévu.
Pourquoi c’est important
Le Netflix Prize a transformé l’apprentissage supervisé sur des données utilisateur-objet creuses en spectacle public et a relié la factorisation classique aux idées de machine de Boltzmann de l’ère deep belief network. Il se situe entre des classiques d’ensemble comme les forêts aléatoires de Breiman et la vague d’apprentissage profond accélérée par GPU qui a suivi.