ELEKTROTEHNI ˇ SKI VESTNIK 78(5): 270–274, 2011 EXISTING SEPARATE ENGLISH EDITION Podatkovna baza za kontekstualno personalizacijo Andrej Koˇ sir 1 , Ante Odi´ c 1 , Matevˇ z Kunaver 1 , Marko Tkalˇ ciˇ c 1 , Jurij F. Tasiˇ c 1 1 Faculty of Electrical Engineering, University of Ljubljana, Trˇ zaˇ ska 25, 1000 Ljubljana, Slovenia y E-mail: andrej.kosir@fe.uni-lj.si Povzetek. V zadnjih letih opaˇ zamo, da se je razvoj personaliziranih aplikacij osredotoˇ cil na uporabo kontekstualnih informacij, torej informacij o situaciji, v kateri uporabnik dostopa do ponujenih vsebin. Teˇ zava, na katero naletijo raziskovalci na tem podroˇ cju, pa je v tem, da ne obstaja javno dostopna podatkovna baza, ki bi vsebovala potrebne podatke za reˇ sevanje odprtih problemov s podroˇ cja kontekstualnih opisov. Glavni razlogi za tako stanje so ˇ stevilne teˇ zave, ki nastopijo pri zbiranju kontekstualnih informacij o uporabniku. V prispevku predstavljamo javno dostopno podatkovno bazo, ki vsebuje podatke primerne za raziskave s podroˇ cja kontekstualne personalizacije. Podatki v bazi so bili pridobljeni s sodelovanjem uporabnikov, ki so si ogledali izbrani film in takoj zatem v sistem vnesli kontekstualne podatke o situaciji, v kateri so bili med ogledom filma. Poleg opisa podatkov prispevek vsebuje tudi osnovno statistiko in izbrane lastnosti potencialno kontekstualnih spremenljivk. V trenutku oddaje je podatkovna baza vsebovala 12 kontekstualnih spremenljivk, veˇ c kot 90 uporabnikov, 950 vsebin in 1600 ocen vsebin. Podatke smo zbirali s pomoˇ cjo namenske spletne aplikacije, ki je javno dostopna in preko katere ˇ se vedno poteka aktiven zajem podatkov. Podatke o filmskih vsebinah dodatno razˇ sirimo z metapodatki, pridobljenimi iz javno dostopnih podatkovnih baz. Kljuˇ cne besede: Kontekstualna personalizacija, testna mnoˇ zica, naˇ crt poskusa Database for contextual personalization In recent years, research into user centric and personalized applications has focused on the utilization of contextual infor- mation about the situation in which the user is consuming the content item. However, there is no database suitable for the investigation of specific open issues of contextual information description and utilization available today. The reason for this are several known difficulties with user related contextual information acquisition. A description of a publicly available database for personalization and user adaptation including con- textual information is given in the paper. The data was acquired from users watching movies and then providing contextual information about the event in addition to submitting ratings about the movie. Beside describing raw data, the paper outlines basic statistics and selected properties of potentially contextual variables. At the time of submission, the database included 12 contextual variables, more than 90 users, 950 items and 1600 ratings. Data was acquired using a dedicated web application which is still publicly available and the data acquisition is still in progress. Content items (movies) can be enhanced by content item metadata using publicly available databases. 1 UVOD S staliˇ sˇ ca uporabnika predstavlja veliko ˇ stevilo ter tudi hitra rast ˇ stevila uporabniku dostopnih multimedi- jskih vsebin in storitev velik problem. Delo in upravl- janje z modernimi komunikacijskimi sistemi ter vsebi- nami, ki jih nudijo, je ˇ se vedno neprijetno oziroma v Prejet 9. december, 2011 Odobren 16. december, 2011 nekaterih primerih za ˇ sirˇ so mnoˇ zico uporabnikov celo neizvedljivo. Osnovni pristop k reˇ sevanju tega prob- lema je personalizacija in prilagajanje uporabnikom. Veˇ cina pristopov s tega podroˇ cja temelji na napove- dovanju uporabnikovih dejanj, najpogosteje ocen, ki jih bo uporabnik dodelil doloˇ ceni vsebini. V zadnjih letih se uveljavlja kontekstualna person- alizacija, saj kontekst vpliva na naˇ cin, kako uporabnik dostopa do izbrane vsebine in kakˇ sne odloˇ citve sprejme v zvezi z njo. Kontekstualni podatki lahko vsebujejo tako informacije o situaciji kot tudi informacije o uporab- nikovem stanju, ko dostopa do vsebine [1]. Kontekst je tako lahko podatek o ˇ casu, vremenu, socialnem statusu, razpoloˇ zenju itd. [2], [3]. Vendar pa je povezava med kontekstom in dejanskimi uporabnikovimi odloˇ citvami zelo kompleksna in kot takˇ sna tudi zahtevna za mod- eliranje. Prav tako pa je teˇ zavno zbrati kontekstualne podatke, saj proces zbiranja le-teh pogosto moti proces odloˇ canja in lahko tako vpliva ali celo uniˇ ci zbrane kontekstualne podatke. Za ˇ cim boljˇ si zajem kontekstualnih podatkov je potrebno proces zajema pribliˇ zati uporabniku. Primerna osnova za to so filmske vsebine, ki jih uporabniki (zlasti mlajˇ sa generacija) pogosto gledajo na osebnih raˇ cunalnikih. Prednost naˇ se podatkovne baze je v tem, da so kontekstualni podatki, ki jih vsebuje, zajeti med samim dostopanjem do vsebine in so zato bolj zanesljivi. Poleg tega smo zajeli 12 razliˇ cnih tipov (potencialnih) kontekstualnih podatkov, kar omogoˇ ca obˇ sirne raziskave TEST SET FOR CONTEXTUAL PERSONALIZATION 271 veˇ c odprtih problemov s podroˇ cja kontekstualne person- alizacije. A priori analiza statistiˇ cne moˇ ci kaˇ ze, da pred- stavljena podatkovna baza zadoˇ sˇ ca osnovnim zahtevam glede velikosti (ˇ stevila uporabnikov, ocen itd.). V prispevku predstavljamo podatkovno bazo za razvoj aplikacij na podroˇ cju kontekstualne personalizacije. Po- dali bomo osnovne statistiˇ cne podatke o izbranih spre- menljivkah. Proces zajema podatkov je ˇ se vedno v teku, saj je spletna aplikacija ˇ se vedno dostopna. Menimo, da je za razvoj pomembno dejstvo, da so podatki, vsebovani v predstavljeni, bazi zajeti med procesom dostopa do vsebine in so zato bolj natanˇ cni in relevantni. 2 PODATKOVNA BAZA ZA KONTEKSTUALNO PERSONALIZACIJO Dostop do zanesljive podatkovne baze za kontekstualno personalizacijo je postal kritiˇ cnega pomena za razvoj postopkov na podroˇ cju personalizacije. Kontekst ima velik vpliv na proces uporabnikovega odloˇ canja in po- datkovna baza, ki jo predstavljamo v tem prispevku, nam omogoˇ ca ˇ studijo tega vpliva. Poleg same podatkovne baze bomo predstavili tudi ovire in zahteve, ki jih je potrebno upoˇ stevati pri postavitvi take baze. V sledeˇ cih podpoglavjih bomo opisali sploˇ sna navodila, ki jih je potrebno upoˇ stevati pri zajemu kontekstualnih podatkov. V naslednjem poglavju pa bomo podrobneje prestavili naˇ so podatkovno bazo in postopke, ki smo jih uporabili med njenim nastankom. V okviru tega prispevka uporabljamo pojem ”zajem podatkov o uporabniku” za celotni proces zajema in vnosa podatkov v podatkovno bazo. Pojem ”aplikacija za zajem podatkov” pa opisuje dodatne funkcionalnosti (gumbi in tekstovna polja), ki smo jih dodali plat- formi, na kateri je uporabnik dostopal do vsebin (osebni raˇ cunalnik), z namenom, da uporabniku omogoˇ cimo vnos kontekstualnih informacij. 2.1 Kako izbrati in motivirati uporabnike za zbi- ranje kontekstualnih informacij? Kot smo ˇ ze omenili, je pri zajemu kontekstualnih informacij zelo pomembno, da ima sam zajem ˇ cim manjˇ si vpliv na proces uporabnikovega odloˇ canja. To pomeni, da mora biti proces zajema vgrajen v okolje, v katerem uporabnik dostopa do vsebin in sprejema odloˇ citve. Pomembno je tudi, da uporabnik sodeluje zaradi pravih razlogov. Naˇ se mnenje je, da je najboljˇ si motiv pomoˇ c pri razvoju personaliziranih aplikacij zase ter za druge uporabnike [4]. ˇ Ce povzamemo - med procesom zajema kontekstu- alnih informacij naj se uporabnik ˇ cim bolj drˇ zi svojih navad in okoliˇ sˇ cin, v katerih obiˇ cajno dostopa do vsebin. ˇ Ce uporabnik na primer gleda film na svojem osebnem raˇ cunalniku, naj se kontekstualni podatki zajemajo tako, da uporabnika ne motijo oziroma da se jih po moˇ znosti niti ne zaveda. Pri izgradnji naˇ se podatkovne baze smo zato izbrali uporabnike, ki so veˇ sˇ ci dela z raˇ cunalniki in ˇ ze sami po sebi uporabljajo raˇ cunalnik za dostop do multimedijskih vsebin. 2.2 Katere vsebine ponuditi? Prav tako kot ne ˇ zelimo vplivati na uporabnika in na okoliˇ sˇ cine, v katerih dostopa do vsebin, moramo poskrbeti za to, da tudi ponudba vsebin ostane nespre- menjena. Najboljˇ si naˇ cin, s katerim to zagotovimo je, da se ponudba vsebin ter storitev, ki te vsebine ponujajo, ne spremenijo, kadar poteka zajem podatkov o uporabnikih. Zato je aplikacija za zajem kontekstualnih informacij obiˇ cajno samostojna in neodvisna od storitve za dostop do vsebin. 2.3 Kako zajemati podatke? Da lahko doseˇ zemo neinvaziven zajem podatkov, moramo podatke zbirati preko komunikacijskih naprav in storitev, ki se uporabljajo v realnem okolju. Do- datne funkcionalnosti, ki so potrebne za zajem podatkov, morajo biti enostavne, uporabniku prijazne in predvsem za uporabnika ˇ cim bolj nevidne. Idealna reˇ sitev je avtonomni proces zajema podatkov, katerega poteka se uporabnik niti ne zaveda. ˇ Ce se ˇ zelimo ˇ cimbolj pribliˇ zati idealni reˇ sitvi, moramo aplikacijo za zajem podatkov vgraditi v napravo, s katero uporabnik dostopa do vsebin, na tak naˇ cin, da le-ta ne moti uporabnika in mu omogoˇ ca, da napravo uporablja tako, kot je navajen. Uporabnikovi vedenjski vzorci se ne smejo spremeniti tudi v situaciji, ko v sistem vnaˇ sa kontekstualne informacije v drugaˇ cni socialni situaciji (ko je na primer pri prijatelju ali z druˇ zino). 2.4 Katere dodatne informacije potrebujemo, ˇ ce ˇ zelimo, da bo podatkovna baza koristna za raziskave? ˇ Ce ˇ zelimo podatkovno bazo uporabiti za raziskave na podroˇ cju kontekstualne personalizacije, potrebujemo podatke o uporabnikih, vsebinah in kontekstu. ˇ Ce ˇ zelimo podatke tudi statistiˇ cno ovrednotiti, potrebujemo ˇ se sploˇ sne podatke o uporabnikih (spol, starost) ter po- datke o uporabnikovih vedenjskih vzorcih pri dostopanju do vsebin (pogostost uporabe....). Vsebine je potrebno opremiti z metapodatki ali pa vsaj vgraditi mehanizem, ki bi kasneje omogoˇ cal dostop do metapodatkov, kot so naslov filma, ˇ zanr, igralci itd. Primer filmskih metapo- datkov se nahaja na spletni strani IMDB [5]. 2.5 Kateri naˇ crti poskusov naj bodo podprti? Veˇ cina postopkov, s katerimi lahko natanˇ cno ocen- imo uspeˇ snost in natanˇ cnost personalizacijskih postop- kov, temelji na statistiˇ cnih metodah. Primeri pred- stavitve testnih rezultatov so matrika razvrˇ sˇ canja, ROC krivulja, metoda za primerjavo uˇ cinkov in statistiˇ cno testiranje hipotez. ˇ Ce ˇ zelimo te metode uporabiti za vrednotenje sistema, je potrebno poskus pravilno zas- novati. Predvsem mora biti poskus zasnovan tako, da ga lahko izvedemo na izbrani podatkovni bazi. Zasnova je 272 ANDREJ KO ˇ SIR, ANTE ODI ´ C, MATEV ˇ Z KUNA VER, MARKO TKAL ˇ CI ˇ C odvisna predvsem od zajetih spremenljivk ter njihovih lastnosti. Vsako izmed spremenljivk lahko uvrstimo med kategoriˇ cne, ordinalne ali numeriˇ cne spremenljivke. Tipi spremenljivk nas omejujejo pri izbiri metod vrednotenja. Pomembna je tudi velikost podatkovne baze. Z uporabo apriori analize moˇ ci testov [6] lahko za vsako zasnovo poskusa ugotovimo, koliko podatkov je potrebnih za naˇ crtovano interpretacijo rezultatov. ˇ Stevilo potrebnih podatkov se lahko nanaˇ sa na ˇ stevilo uporabnikov, vse- bin, ocen ali polnost podatkovne baze (ˇ stevilo ocen na vsebino). Nadaljnje podrobnosti o zasnovi poskusa so odvisne od problema, ki ga ˇ zeli raziskava analizirati. Oˇ citno je, da ni moˇ zno vedno zadostiti vsem zahtevam. Zato je toliko bolj pomembno, da nam podatkovne baze, ki so na voljo, omogoˇ cijo, da vnaprej preverimo, ˇ ce je doloˇ cena zahteva izpolnjena ali ne. 3 KONTEKSTUALNA PODATKOVNA BAZA (LDOS-COMODA ) V tem poglavju bomo podrobneje opisali LDOS- CoMoDa podatkovno mnoˇ zico. Na kratko bomo opisali postopek zajema podatkov, kateri podatki so nam na voljo ter njihove lastnosti. Opisali bomo tudi statistiˇ cne lastnosti podatkov z namenom, da omogoˇ cimo ˇ cim laˇ zjo uporabo podatkovne baze. Vsebine v naˇ si podatkovni bazi so filmi, naprava za dostop do vsebin pa je osebni raˇ cunalnik, na katerem se nahaja tudi spletna aplikacija za zajem kontekstualnih informacij. Podrobnejˇ si podatki so na voljo v naslednjih podpoglavjih. 3.1 Uporabniki, vsebine, kontekstualne informacije ter metapodatki LDOS-CoMoDa podatkovna baza je bila zasnovana tako, da bi ˇ cim bolj zadostila zahtevam, ki smo jih opisali v prejˇ snjem poglavju. Vsebuje 30 spremenljivk izmed katerih jih je 12 kontekstualne narave. Ostale spremenljivke vsebujejo sploˇ sne podatke o uporabniku (starost, spol, mesto, drˇ zava) ali pa metapodatke o filmskih vsebinah (direktor, drˇ zava izvora, jezik, leto izdaje, ˇ zanr1, ˇ zanr2, ˇ zanr3, igralec1, igralec2, igralec3, proraˇ cun). Ker so kontekstualne spremenljivke za nas ˇ se posebej pomembne, jih podrobneje opisujemo v tabeli 1. Vse kontekstualne spremenljivke so kategoriˇ cnega ali nu- meriˇ cnega tipa. Nekatere so kategoriˇ cne ˇ ze zaradi same narave svojih vrednosti (npr. vreme), ostalim pa je bil tip izbran med zasnovo podatkovne baze. To je bilo potrebno doloˇ citi na samem zaˇ cetku, da bi omejili ˇ stevilo razredov, s katerimi bo sistem operiral med procesom zajema podatkov ter da bi s primerno izbiro tipov tudi lahko poenostavili analizo podatkov v procesu reˇ sevanja problemov s podroˇ cja kontekstualne personalizacije. Osnove statistike LDOS-CoMoDa podatkovne baze v trenutku oddaje prispevka (15.12.2011) so podane v tabeli 2. Ime spremen. jRgj MVR Opis time 4 0.017 jutro, popoldne, veˇ cer, noˇ c daytype 3 0.015 delovni dan, vikend, poˇ citnice season 4 0.017 pomlad, poletje, jesen, zima location 3 0.016 doma, javni prostor, pri prijateljih weather 5 0.021 sonˇ cno / jasno, deˇ zevno, nevihtno, sneˇ zno, oblaˇ cno social 7 0.013 sam, partner, prijatelji, sodelavci, starˇ si, javnost, druˇ zina endEmo 7 0 ˇ zalosten, vesel, prestraˇ sen, preseneˇ ceni, jezni, zgroˇ zen, nevtralen dominantEmo 7 0 ˇ zalosten, vesel, prestraˇ sen, preseneˇ ceni, jezni, zgroˇ zen, nevtralen mood 3 0 pozitivno, nevtralno, negativno physical 2 0.022 zdrav, bolan decision 2 0.021 lastna izbira, izbira drugih interaction 2 0.020 prviˇ c, ˇ ze veˇ ckrat Tabela 1: Kontekstualne spremenljivke in njihove osnovne lastnosti, imena navajamo v originalni obliki. jRgj predstavlja ˇ stevilo ordinalnih ali kategoriˇ cnih razredov posamezne spre- menljivke, MVR pa deleˇ z manjkajoˇ cih vrednosti Tabela 2: Osnovni podatki podatkovne baze ˇ stevilo uporabnikov 95 ˇ stevilo vsebin 961 ˇ stevilo ocen 1665 povpreˇ cna starost 27.0 ˇ stevilo drˇ zav 6 ˇ stevilo mest 18 najveˇ c ocen podanih s strani enega uporabnika 220 najmanj ocen podanih s strani enega uporabnika 1 Ko priˇ cakujemo posploˇ sitev rezultatov statistiˇ cnih postopkov na populacijo, je pomembna reprezentativnost analiziranega vzorca. Znano je, da je starost uporabnika zelo pomemben parameter v procesu napovedovanja njegovega vedenja in njegove uporabe modernih komu- nikacijskih naprav. Histogram starosti uporabnikov je podan na sliki 1. Distribucija uporabnikov in ocen je prikazana na slikah 2 in 3. Polnost podatkovne baze je prikazana na sliki 4. Svetlost posameznih toˇ ck je odvisna od ˇ stevila ocen, do- deljenih izbranemu podsklopu vsebin (en stolpec za vsak podsklop vsebin) s strani vsakega posameznega uporab- nika (vsak uporabnik je predstavljen s svojo vrstico). Iz analize je razvidna visoka raznolikost med uporabniki in vsebinami. Ker so se uporabniˇ ske identifikacijske ˇ stevilke generirale zaporedno, lahko opazimo, da so uporabniki, ki so z ocenjevanjem vsebin zaˇ celi kasneje v podatkovno bazo prispevali manj ocen, kot tisti, ki so TEST SET FOR CONTEXTUAL PERSONALIZATION 273 sodelovali od samega zaˇ cetka zajema podatkov. 10 20 30 40 50 60 70 0 5 10 15 Histogram starosti Starost Slika 1: Histogram starosti uporabnikov. Veˇ cina se jih nahaja med 18 in 35 letom, kar reprezentativnost baze omejuje na ta starostni interval. 0 200 400 600 800 1000 0 5 10 15 20 25 Ocene na vsebino Id vsebine Slika 2: ˇ Stevilo ocen na vsebino. Veˇ cino vsebin je prejelo 2 do 3 ocene. 3.2 Zajem podatkov Proces zajemanja kontekstualnih informacij o uporab- niku je zelo obˇ cutljiv na kontekstualne motnje. Zato je pravilna interpretacija zajetih podatkov teˇ zaven in kompleksen proces. Kot smo prikazali v poglavju 2, lahko ˇ ze sam proces zajema podatkov moti uporabnika in tako spremeni zajete kontekstualne informacije. Podatke v podatkovni bazi smo zajemali s pomoˇ cjo posebej za ta namen zasnovane uporabniku prijazne spletne aplikacije. Pri tem se je pomembno zavedati, da smo uporabnikom naroˇ cili, da vnesejo ocene in kon- tekstualne informacije takoj zatem, ko so dostopali do vsebin (filmov). Tako vnesene kontekstualne informacije so veliko bolj natanˇ cne kot tiste, ki jih uporabnik vnaˇ sa po spominu za vsebino, do katere je dostopal pred nekaj dnevi ali meseci. Uporabnike smo dodatno motivirali s tem, da smo jim pojasnili, da z vnosom ocen poma- gajo pri razvoju novih postopkov in si izboljˇ sujejo svoj 0 20 40 60 80 100 0 50 100 150 200 250 Ocene na uporabnika Id uporabnika Slika 3: ˇ Stevilo ocen na uporabnika. Med uporabniki opaz- imo velike razlike glede ˇ stevila podanih ocen, kjer je veliko ˇ stevilo uporabnikov podalo manj kot 10 ocen, medtem ko je skupina uporabnikov s 50 in veˇ c podanimi ocenami prav tako sorazmerno velika. Vsebine Uporabniki 20 40 60 80 10 20 30 40 50 60 70 80 90 Gostota testne množice Slika 4: Gostota testne mnoˇ zice. Svetlost toˇ ck je premoso- razmerna s ˇ stevilom podanih ocen. uporabniˇ ski model [4]. Poleg zajema podatkov spletna aplikacija nudi tudi sledenje ogledanih filmov, iskalnik po nekaterih kontekstualnih podatkih (ˇ cas dneva, so- cialni status...) ter skupinski priporoˇ cilni sistem. Slika 5 prikazuje rast ˇ stevila uporabnikov s ˇ casom. Opazimo, da hitrosti rasti s ˇ casom upadajo, kar je priˇ cakovano, lahko pa zaznamo doloˇ cene hitrejˇ se lokalne porasti ˇ stevila uporabnikov. Spletna aplikacija ˇ se vedno deluje in je na voljo na http://212.235.187.145/ spletnastran/raziskave/um/emotions/login.php. 3.3 Dostop do LDOS-CoMoDa podatkovne baze Raziskovalci, zainteresirani za uporabo podatkovne baze LDOS-CoMoDa , bodo na zahtevo po elektron- 274 ANDREJ KO ˇ SIR, ANTE ODI ´ C, MATEV ˇ Z KUNA VER, MARKO TKAL ˇ CI ˇ C 0 50 100 150 200 250 300 350 0 500 1000 1500 Ocene po uporabnikih Čas ocene vsebine uporabniki Slika 5: Potek zajema testnih podatkov v ˇ casu. ski poˇ sti prejeli z geslom zaˇ sˇ citeno povezavo, potem ko bodo vzpostavili kontakt preko spletne poˇ ste na naslovu ldos-comoda@ldos.si. Poleg podatkovne baze bo raziskovalcem posredovana tudi posodobljena verzija osnovnih podatkov o bazi ter navodila za dostop do podatkov. 4 ZAKLJU ˇ CEK Z veˇ c kot 90 uporabniki, 900 vsebinami ter 1600 ocenami nudi LDOS-CoMoDa podatkovna baza okolje, primerno za raziskave veˇ c odprtih problemov na po- droˇ cju kontekstualne personalizacije [7], [8], [9]. Na- jpomembnejˇ si del podatkovne baze so kontekstualne spremenljivke, ki opisujejo uporabnikova ˇ custva itd, in nudijo dokaj natanˇ cen opis uporabnikovega dejanskega konteksta med dostopanjem do vsebine. Podatkovna baza je javno dostopna na podlagi predhodne zahteve preko elektronske poˇ ste. Glavna prednost naˇ se podatkovne baze je v tem, da vsebuje kontekstualne informacije iz faze uporab- nikovega dostopa do vsebin, za katere mislimo, da so na- jbolj natanˇ cne. Vsebuje 12 tipov potencialno kontekstu- alnih informacij. Na podlagi apriori analize moˇ ci testov smo ugotovili, da je velikost in polnost podatkovne baze zadostna, da jo lahko uporabimo v raziskavah na podroˇ cju veˇ c odprtih problemov kontekstualne person- alizacije. Kljub vsemu pa ima podatkovna mnoˇ zica tudi nekaj slabosti, kar je hkrati tudi razlog, da je proces za- jema kontekstualnih informacij ˇ se vedno aktiven. Apriori analiza statistiˇ cne moˇ ci testov [6] je pokazala, da je ob tipiˇ cni velikosti uˇ cinka (ang. effect size) potrebno ˇ stevilo uporabnikov okoli 1400. Naˇ sa podatkovna baza ta prag preseˇ ze, vendar je pri doloˇ cenih uporabniˇ skih poskusih bazo potrebno razdeliti na podskupine, ki pa praga ne preseˇ zejo veˇ c. Zato bo potrebno zagotoviti ˇ se veˇ c uporabnikov in njihovih ocen ter tako izboljˇ sati velikost in polnost podakovne baze. REFERENCES [1] A. Dey, G. Abowd, Towards a better understanding of context and context-awareness, Proceedings of the 1st international sym- posium on Handheld and Ubiquitous Computing (1999) 304–307. [2] L. Baltrunas, B. Ludwig, S. Peer, F. Ricci, Context relevance assessment and exploitation in mobile recommender systems, Per- sonal and Ubiquitous Computing (2011) 1–20doi:10.1007/s00779- 011-0417-x. [3] F. D´ ıez, J. E. Chavarriaga, P. G. Campos, A. Bellog´ ın, Movie Recommendations based in explicit and implicit features extracted from the Filmtipset dataset, in: Proceedings of the Workshop on Context-Aware Movie Recommendation, 2010, pp. 45—-52. [4] J. Herlocker, J. Konstan, L. Terveen, J. Riedl, Evaluating collabo- rative filtering recommender systems, ACM Transactions on Infor- mation Systems 22 (1) (2004) 5–53. doi:/10.1145/963770.963772. [5] The internet movie database (imdb) @ONLINE (Dec. 2011). URL http://www.imdb.com/ [6] J. Cohen, Statistical Power Analysis for the Behavioral Sciences, Lawrence Erlbaum, 1988. [7] A. Odi´ c, M. Kunaver, J. Tasiˇ c, A. Koˇ sir, Open issues with contextual information in existing recommender system databases, in: ERK 2010 Proceedings, 2010. [8] G. Adomavicius, R. Sankaranarayanan, S. Sen, A. Tuzhilin, In- corporating contextual information in recommender systems using a multidimensional approach, ACM Transactions on Information Systems (TOIS) 23 (1) (2005) 103–145. [9] Z. Yujie, W. Licai, Some Challenges for Context-aware Recom- mender Systems, in: Computer Science and Education (ICCSE), 2010 5th International Conference on, 2010, pp. 362–365. Andrej Koˇ sir je izredni profesor na Fakulteti za elektrotehniko Univerze v Ljubljani. Njegov raziskovalni interes vkljuˇ cuje operacijske raziskave v telekomunikacijah, uporabniˇ sko modeliranje in procesir- anje socialnih signalov. Ante Odi´ c je mladi raziskovalec na Fakulteti za elektrotehniko Univerze v Ljubljani. V okviru doktorskega ˇ studija raziskuje uporabo kontekstualnih informacij v personaliziraih storitvah. Matevˇ z Kunaver je raziskovalec in asistent na Fakulteti za elek- trotehniko Univerze v Ljubljani. Njegove raziskave vkljuˇ cujejo skupinske in hibridne priporoˇ cilne sisteme za razliˇ cne aplikacije v telekomunikacijah. Marko Tkalˇ ciˇ c je raziskovalec na Fakulteti za elektrotehniko Univerze v Ljubljani. Njegov raziskovalni interes vkljuˇ cuje uporabo emotivnih in osebnostnih parametrov pri modeliranju uporabnikov in vsebin v telekomunikacijskih aplikacijah. Jurij F. Tasiˇ c je redni profesor na Fakulteti za elektrotehniko Uni- verze v Ljubljani. Raziskovalni interes obsega napredne algoritme v komunikacijskih sistemih, obdelavo veˇ cdimenzionalnih signalov in vzporedne algoritme.