2009-ben Netflix online filmoldal rendezett egy 1 millió dolláros fődíjú versenyt, aminek tárgya a könyvtári világban is releváns: ha tudjuk a felhasználók múltbeli kölcsönzéseit, akkor ennek alapján meg tudjuk-e becsülni, hogy mi lesz a következő film amit megnéz. A Netflix egy ajánlólistát kínál fel a nézőknek, a cél, hogy ez az ajánlólista minél inkább a néző ízléséhez/érdeklődéséhez közelebb álló tételeket tartalmazzon, és válasszon valamit ezek közül. Ha a felhasználó klikkel, akkor a lista sikeres. A versenyben az nyert, aki a leginkább tudja növelni az ajánlott filmek/megnézett filmek arányát. (A kihívásra kidolgozott, mátrixműveletekre épülő algoritmuscsaládot az adattudományi szakirodalomban Collaborative Filtering néven lehet megtalálni). A Netflix nyomán több ilyen verseny is indult, a cikk a Spotify zeneoldal hasonló versenyén induló csapat megoldási javaslatát ismerteti. Az ő ötletük az volt, hogy a Spotify metaadatai nem normalizáltak, a találati listák pontosságát azzal lehetne javítani, hogy authority (vagy ha úgy tetszik besorolási) rekordokkal javítjuk a pontosságot. A csapat a VIAF adatbázist használta. Az eredmény valóban javította a találati lista pontosságát (a Spotify 3 metrikát is alkalmazott az eredményesség mérésére), de az is kiderült, hogy önmagában ez a módszer kevés a versenyen való sikeres szerepléshez. (Forrás: A Jim Hahn (Univ. of Illinois,
Urbana-Champagne): Automated Playlist Continuation with Apache PredictionIO. Code4Lib Journal 42. szám.)