Research @ Mangaki Recommandation d'anime et de mangas

Wanna join? Contact us or say hi on Twitter!


Mangaki Data Challenge, English version

(en français / 日本語)

Mangaki.fr is an online platform where users can provide ratings of anime and manga and receive personalized recommendations of what to watch next. It is being actively developed by a community of French crazy students, and the whole code of the platform is available on GitHub, so interested users can improve the machine learning algorithms of Mangaki.

In this challenge, in order to win (and show your supremacy to the world), you will have to predict the ratings of users over unwatched anime and manga. The ratings are provided by the actual Mangaki users.

You are more than welcome to look for extra sources of data in order to improve your score. All programming languages are allowed. Just find the one that works best for you! Winners will be provided an opportunity to promote their solutions on University of Big Data.

Compete Now!

Types of anime/manga ratings

On Mangaki, users can rate anime or manga the following way:

Types of ratings on Mangaki

Which means either they watched (or saw) the work, in which case the rating can be one of these watched ratings:

  • love: they loved it;
  • like: they liked it;
  • neutral: neither they liked it or disliked it;
  • dislike: they did not like it.

Either they did not watch (or see) the work, in which case the rating can be one of these unwatched ratings:

  • willsee (or 1): they stated they want to watch (or read) it;
  • wontsee (or 0): they stated they do not want to watch (or read) it.

Train Dataset: train.csv

The train dataset, train.csv, contains the following information:

user_id,work_id,rating
50,4041,0
508,1713,0
1780,7053,1
658,8853,0
1003,9401,0
...

where each line <user_id>,<work_id>,<rating> is composed of:

  • user_id: the ID of a user, between 0 and 1982;
  • work_id: the ID of an anime or manga, between 0 and 9896;
  • rating: one of the following values: 1 (willsee) or 0 (wontsee).

For example, 1780,7053,1 means that the user #1780 didn’t see work #7053, but said they want to see it.

Test Dataset: test.csv

The test dataset, test.csv, contains the following information:

user_id,work_id
486,1086
1509,3296
617,1086
270,9648
459,3647
...

where each line <user_id>,<work_id> is composed of:

  • user_id: the ID of a user, between 0 and 1982;
  • work_id: the ID of an anime or manga, between 0 and 9896.

To complete a submission, you will have to program an algorithm that guesses those missing ratings. Therefore, your program will have to output a file submission.csv of the following form:

user_id,work_id,prob_willsee
486,1086,XXX
1509,3296,XXX
617,1086,XXX
270,9648,XXX
459,3647,XXX
...

where XXX designates the probability of getting a willsee rating for the corresponding pair user_idwork_id. Your file will be used for evaluation.

If you were left in the wilderness with this, the problem would be quite difficult. Fortunately for you, we provide a bonus dataset.

Bonus Dataset: watched.csv

The bonus dataset watched.csv contains the following information:

user_id,work_id,rating
717,8025,dislike
1106,1027,neutral
1970,3949,neutral
1685,9815,like
1703,3482,like
...

where each line <user_id>,<work_id>,<rating> is composed of:

  • user_id: the ID of a user, between 0 and 1982;
  • work_id: the ID of an anime or manga, between 0 and 9896;
  • rating: one of the following values: love, like, neutral or dislike.

For example, 717,8025,dislike means that the user #717 did not like the work #8025.

Evaluation

As a metric to rank submissions, the AUC score will be used.

In the leaderboard, the intermediate scores are calculated using 50% of the test dataset, and the final scores are calculated using the other 50%. Final ranks are determined according to the final scores.

Download the data and compete now on University of Big Data!

Pourquoi vous devriez essayer la nouvelle version de Mangaki !

1. Nouveau design des cartes

Screenshot du nouveau design

Tout d’abord, un grand merci à Elarnon qui a apporté ce design qui colore Mangaki désormais !

Ainsi, dorénavant, on ne mettra plus « en favori » une œuvre, on dira qu’on l’adore !

Cette mise à jour de design est aussi accompagnée d’une retouche pour vos smartphones et autres bidules à petits écrans.

Screenshot du design sous iPhone 5

Vous remarquerez enfin ce joli ruban en haut de chacune des cartes utile lorsque vous recevez des recommandations de tous genres.

Screenshot de manga

Screenshot d'albums

2. Tri automatique de ce qu’il reste à voir !

Screenshot du bandeau

Un nouveau bandeau est apparu sur vos profils : en utilisant une soupe spéciale d’algorithmes, Mangaki peut vous donner dans quel ordre il faut regarder votre liste d’œuvres à lire ou voir !

En plus, vous pouvez préciser si vous souhaitez plutôt un ordre qui préfère les œuvres mainstream et les blockbusters, ou bien un ordre un peu plus inédit et exotique à la recherche d’œuvres peu connues du grand public !

Screenshot de mainstream

Screenshot de perles

3. Nouveau design des profils

Afin de rendre vos profils plus rapides et plus simples à utiliser sur téléphone, de nouveaux onglets sont apparus.

Screenshot du nouveau profil

Les profils sont donc :

  • plus rapides à charger.
  • plus pratiques à utiliser sur mobile.

4. Essayer Mangaki avant inscription

Mais si vous lisez tout cela et que vous n’êtes toujours pas inscrit, que ça soit par flemme ou méfiance de nos recommandations, alors foncez immédiatement sur https://mangaki.fr — bonne nouvelle : plus besoin de s’inscrire !

Vous pouvez recevoir des recommandations sans être inscrit, et si vous êtes convaincus, les transférer à un nouveau compte !

Ceux qui sont déjà inscrits : vos amis n’auront plus d’excuse pour ne pas essayer Mangaki !

Bientôt dans Mangaki

  • les albums : vous pourrez bientôt aimer le générique de votre anime préféré et vous faire recommander des œuvres en rapport à celui-ci !
  • des synonymes : parfois on aime bien abréger le titre d’un long manga ou anime : « SnK » ou bien « NGNL ». Il sera possible d’utiliser ces synonymes pour rechercher des œuvres.
  • n’avez-vous jamais déjà eu envie de mettre en attente la notation d’une œuvre recommandée ? Pour nous aussi, c’est frustrant !
  • des raccourcis claviers : lorsqu’on n’a jamais utilisé myAnimeList ou qu’on a utilisé d’autres manières de suivre nos notes, il est assez fatigant de renoter tout à la souris, mais il sera bientôt possible de noter sur Mangaki entièrement au clavier !

Mais aussi bien d’autres choses telles que les nouvelles saisons d’anime et une version anglaise !

À bientôt sur https://mangaki.fr pour quelques perles !

Mangaki Data Challenge avec Kyoto U !

Mangaki organise cet été un data challenge en partenariat avec le Kashima lab à l’université de Kyoto !


Inscriptions

C’est ici ! Jusqu’au 15 septembre 2017.

Partagez le lien : https://bit.ly/mangakidatachallenge

Sur Twitter ou sur Facebook !

Challenge

Les participants devront déterminer si certains utilisateurs ont envie de lire certains mangas ou s’ils n’ont pas envie de les lire, à partir du profil de tous les utilisateurs du site.

Les données de Mangaki ont été évidemment anonymisées pour l’occasion.

Types de ratings dans le Mangaki Data Challenge

Chaque semaine, des notebooks pour aider à entrer dans les données seront postés sur notre GitHub.

Inscrivez-vous sur l’arène University of Big Data, la plateforme de compétitions de l’université de Kyoto.

Data challenge organized with Kashima's Lab, Kyoto University

Mangaki va organiser un data challenge avec le labo de machine learning du professeur Kashima à l’université de Kyoto.

Les données de Mangaki seront anonymisées pour l’occasion. On publiera donc un fichier sous cette forme :

320,24,love
24,25,like
24,26,dislike
...

Bref, 350000 lignes du genre : « La personne n° 320 a adoré le manga n° 24 ».

Le principe du concours, qui sera sur la plateforme University of Big Data :

  1. À partir de ce fichier qui contient 80 % des données de Mangaki
  2. Les participants devront programmer un système de recommandation
  3. Celui qui prédira le mieux les 20 % restants gagnera.

On espère ainsi faire découvrir l’IA (et Mangaki) à plus d’étudiants !

Si pour une raison quelconque vous ne souhaitez pas participer à cette aventure, vous pouvez retirer votre participation depuis votre profil. Sinon, merci de nous faire confiance !

Mangaki will be at the Anime & Manga Symposium @ Anime Expo, Los Angeles!

Le 2 juillet, nous étions à Anime Expo, Los Angeles ! Voir les slides.

Car oui, nous avons été acceptés pour faire une présentation à la conférence académique d’Anime Expo.

Everyone regularly ask themselves what movie, series or book they should watch next, according to their taste. Mangaki wants to innovate access to Japanese culture by providing a unique user experience through a recommender system.

When a user shows up, Mangaki asks them to rate a few works. Based on their answers, they receive tailored anime recommendations. Mangaki’s machine learning techniques attempt to “guess” the taste of new users, by geometrically positioning their ratings within those collected from other users. Indeed, we will show that a simple factor analysis on the anonymized data (325,000 ratings from 2,220 users and 15,000 works) can reveal interesting and counterintuitive categories of manga that are liked together.

Mangaki started as a French student project in 2014 (it is so much fun to conduct research when it is unleashed on real data!). It received a prize from Microsoft (2015) and the Japanese Cultural Institute in Paris (2016): we won a trip to Tokyo to meet Japanese companies and investors, who were surprised to learn that we wanted to stay non-profit. The founder now holds a PhD in CS and works as a researcher in RIKEN, Tokyo.

In its mission to promote transparency and education, all the code of the Mangaki platform is open source. Consequently, it becomes possible for anyone to understand better the algorithms behind recommender systems. We regularly hold conferences for students, from high school to master’s degree.

The Mangaki dataset will also be released for academic purposes (humanities: dōzo!), while respecting the users’ privacy. We are currently organizing a data challenge with Kashima’s Machine Learning Lab in Kyoto University, where students will have to improve the accuracy of the recommendations. There is plenty of exciting research yet to be made, notably the automatic detection of NSFW posters using deep learning.

Know more: presentation.pdf
Demo: MP4