Priporočilne sisteme običajno uporabljajo podjetja za prilagoditev ponudb izdelkov/storitev vsakemu uporabniku posebej glede na njegov okus. Koristi imajo oboji. Uporabniki lažje in hitreje najdejo zase zanimive vsebine/izdelke, podjetja pa lažje zadovoljujejo potrebe svojih kupcev ter večajo njihovo zadovoljstvo, s tem pa posledično izboljšujejo svoje zaupanje pri uporabniku in svoje poslovne rezultate.

V okviru projekta smo se ukvarjali s priporočanjem »žive vsebine« na televiziji, torej tega kar se trenutno predvaja. Nekoč, ko je bilo na voljo le nekaj kanalov, problemov z odločanjem ni bilo. Danes je situacija povsem drugačna, na voljo je tudi nekaj sto kanalov in prehod čez njih ali celo pregled napovednika je vedno manj uporabna možnost. Naša ideja je bila s pomočjo priporočilnega sistema trenutnemu gledalcu pred televizijskim zaslonom predlagati nekaj zanj najbolj zanimivih možnosti, ki jih ima ta hip (ali v kratkem, npr. roku ene ure) na voljo. Pri izdelavi takšnega priporočilnega sistema je zelo pomembno vedeti kdo je trenutni uporabnik; priporočila so namreč prilagojena vsakemu uporabniku posebej. Določen TV sprejemnik lahko uporablja več ljudi. Predstavljajmo si recimo naslednjo družino: mama, oče, 12-letni sin in 5-letna hčerka. Njihovi okusi so si med seboj različni. Ker moramo priporočati ustrezno vsebino, je bila naša naloga ugotoviti, kdo ta hip sedi pred televizijo. Ali je to samo sin, morda hčerka, ali pa oče in mama skupaj?

Iz zabeleženih podatkov o spremembah gledanega kanala smo tekom projekta gradili modele, ki poskušajo ločevati med različnimi uporabniki (oz. njihovimi navadami) iste televizije (ista naročnina). Vzorci v takšnih menjavah kanalov in njihovo večkratno pojavljanje v omejenih časovnih intervalih, lahko identificira okus oz. navade uporabnika. Na naših podatkih se je za najbolj učinkovito izkazalo, da smo uporabnike označevali po kategoriji (žanru, TV kanalu, konkretni oddaji, ipd.), katero navadno gleda ter po številu dogodkov, ki jih naredi na nek časovni interval. S pomočjo upoštevanja teh značilnosti smo uspeli nekoliko izboljšati točnost priporočilnega sistema. Rezultat projekta je odprtokodno ogrodje, ki podpira vse osnovne operacije (vključno s testiranjem priporočilnih sistemov na več standardiziranih načinov) in več algoritmov za priporočanje, ki upoštevajo različne uporabnike istega TV aparata.