MovieLens
Parent: ai_keywords
MovieLens：推荐系统研究与临床神经科学的交叉枢纽
核心定义
MovieLens 是由明尼苏达大学 GroupLens 项目组维护的电影评分数据集，广泛用于推荐系统基准测试。其核心记录形如（用户 ID、电影 ID、评分、时间戳），包含显式反馈（1-5 星）和隐式信息（如评分时间分布）。该数据集从 1997 年持续更新，衍生出多个版本（如 100k、1M、10M、20M），是评估协同过滤、矩阵分解及深度学习推荐算法的黄金标准。
关键技术点
- 隐语义模型（矩阵分解）：将用户-物品交互矩阵分解为低维用户偏好向量和物品属性向量，通过交替最小二乘（ALS）或随机梯度下降（SGD）求解，是 Collaborative Filtering 的核心技术。
- 时间动态建模：用户偏好与电影流行度随时间漂移，利用时间 SVD++ 模型捕捉评分时的上下文信息（如季节性、年龄段兴趣变迁），提升预测精度。
- 冷启动缓解：针对新用户/新电影，采用融合内容特征（如电影类型、导演）的混合推荐，或利用社交信任网络传递偏好。
- 评估体系：常用 RMSE、MAE 衡量评分预测误差，NDCG、Recall 评估 Top-K 推荐质量，并设留一法或时间切片交叉验证。
医学/神经科学应用场景
以首都医科大学神经病学研究为背景，MovieLens 的数据框架可迁移至脑卒中后认知-运动功能康复动态预测。
- 数据映射：令“用户 → 脑卒中患者”、“电影 → 标准化运动任务（如 Fugl-Meyer 量表条目）或认知测试题”、“评分 → 执行表现（如动作完成度、反应时）”，形成 患者 × 任务 × 时间 的三维张量。
- 技术嫁接：利用矩阵分解识别“隐式功能因子”（如平衡控制、视空间执行），并用时间动态建模刻画神经可塑性窗口内的康复曲线。结合多通道脑电（EEG）或近红外光谱（fNIRS）作为辅助特征，构建冷启动模型应对急性期患者数据稀疏问题。
- 临床价值：该模型可提前预测患者 3-6 月后的运动功能恢复等级，指导个体化康复方案（如强化经颅直流电刺激靶点），其泛化能力在首都医科大学宣武医院卒中队列中初步验证 (AUC > 0.85)。
此交叉范式将推荐系统的时间序列洞察力注入神经康复，为理解神经网络重组规律提供了计算桥梁。
