Hvordan fungerer Netflix’ anbefalingsmotor?
Hvad skal jeg se i aften efter en hektisk dag på kontoret?
Dette spørgsmål dukker op i dit hoved, når du er kommet hjem fra kontoret og sidder foran fjernsynet uden at kunne huske, hvilke programmer du har set for nylig. I dag ønsker alle en intelligent streamingplatform, der kan forstå deres præferencer og smag uden blot at køre på autopilot. Fra Netflix til Amazon Prime – anbefalingssystemer får stadig større betydning, da de interagerer direkte (normalt bag kulisserne) med brugerne hver dag.
Med over 139 millioner betalende abonnenter (samlet seerpulje -300 millioner) i 190 lande, 15 400 titler i de regionale biblioteker og 112 Emmy Award-nomineringer i 2018 – er Netflix verdens førende internet-tv-netværk og den mest værdsatte største streamingtjeneste i verden. Den fantastiske digitale succeshistorie om Netflix er ufuldstændig uden at nævne Netflix’ anbefalingssystemer, der fokuserer på personalisering.
Har du nogensinde tænkt over, hvorfor Netflix-kunstværket ændrer sig for forskellige programmer, når du logger ind på kontoen? Den ene dag er det måske et billede af hele brobesætningen, mens det den anden dag er Worf, der stirrer dømmende på dig. Hvis du er Netflix-bruger, har du måske også bemærket, at platformen viser virkelig præcise genrer som romantiske dramaer, hvor hovedpersonen er venstrehåndet. Hvordan kan Netflix finde på så præcise genrer til sine mere end 100 millioner abonnenter? Hvordan ændrer Netflix kunstværker sig? Det er maskinlæring, AI og kreativitet bag kulisserne, der gætter på, hvad der vil få en bruger til at vælge en bestemt serie at se. Maskinlæring og datalogi hjælper Netflix med at tilpasse oplevelsen for dig baseret på din historik med at vælge serier at se.
Vidste du det?
Netflix begyndte at bruge analytiske værktøjer i 2000 til at anbefale videoer, som brugerne kan leje.
Netflix har netop et 90-sekunders vindue til at hjælpe seerne med at finde en film eller en tv-serie, inden de forlader platformen og besøger en anden tjeneste. Det er en af de vigtigste grunde til, at Netflix er så besat af at personliggøre anbefalinger for at hægte sig på brugerne.
Netflix’ algoritmer til personlig anbefaling producerer 1 mia. dollar om året i værdi fra kundefastholdelse.
Størstedelen af Netflix-brugerne tager hensyn til anbefalinger, idet 80 % af Netflix-visningerne kommer fra tjenestens anbefalinger.
Netflix har oprettet 1300 anbefalingsklynger baseret på brugernes seerpræferencer.
Netflix segmenterer sine seere i over 2K smagsgrupper. På grundlag af den smagsgruppe, en seer falder ind under, dikterer den anbefalingerne.
Med over 7K tv-programmer og film i kataloget er det faktisk umuligt for en seer at finde de film, han eller hun kan lide at se, på egen hånd. Netflix’ anbefalingsmotor automatiserer denne søgeproces for brugerne.
Personalisering af anbefalinger af film/tv-serier
Netflix’ indholdschef Ted Sarandos sagde –
Der findes ikke noget, der hedder et ‘Netflix-show’. Vores brand er personalisering.
Personalisering begynder på Netflix’ hjemmeside, der viser en gruppe af videoer arrangeret i vandrette rækker. Hver vandret række har en titel, som relaterer til videoerne i den pågældende gruppe. De fleste af de personlige anbefalinger begynder på baggrund af den måde, hvorpå rækkerne er valgt, og den rækkefølge, som emnerne er placeret i. Anbefalingssystemer hos Netflix spænder over forskellige algoritmiske tilgange som forstærkningsindlæring, neurale netværk, kausal modellering, probabilistiske grafiske modeller, matrixfaktorisering, ensembler, banditter.
Netflix’ anbefalingssystemer er blevet udviklet af hundredvis af ingeniører, der analyserer millioner af brugeres vaner på baggrund af flere faktorer. Når en bruger får adgang til Netflix-tjenesterne, vurderer anbefalingssystemet sandsynligheden for, at en bruger ser en bestemt titel baseret på følgende faktorer –
- Brugerens interaktioner med Netflix-tjenesterne som f.eks. seerbedømmelser, seerhistorik osv.
- Informationer om kategorier, udgivelsesår, titel, genrer m.m.
- Andre seere med lignende seerpræferencer og smag.
- Tidsvarighed for en seer, der ser en udsendelse
- Den enhed, som en seer ser en udsendelse på.
- Det tidspunkt på dagen, som en seer ser -Dette skyldes, at Netflix har data om, at der er forskellig seeradfærd baseret på tidspunktet på dagen, ugedagen, placeringen og den enhed, som et program eller en film ses på.
For hver ny abonnent beder Netflix dem om at vælge titler, som de gerne vil se. Disse titler bruges som det første skridt til personlige anbefalinger. Senere, efterhånden som seerne fortsætter med at se over tid, styres anbefalingerne af de titler, de har set for nylig, sammen med andre faktorer, der er nævnt ovenfor. Netflix’ maskinlæringsbaserede anbefalinger lærer af deres egne brugere. Hver gang en seer bruger tid på at se en film eller en serie, indsamles der data, som informerer den maskinlæringsalgoritme bag kulisserne og opdaterer den. Jo mere en seer ser, jo mere opdateret og præcis er algoritmen.
Personalisering af kunstværker/miniaturer
Det vigtigste mål for Netflix er at give personlige anbefalinger ved at vise de passende titler til hver enkelt seer på det rigtige tidspunkt. Men hvorfor skulle en seer bekymre sig om de titler, som Netflix anbefaler? Hvordan overbeviser Netflix en seer om, at en titel er værd at se? Hvordan fanger Netflix en seers opmærksomhed på en ny og ukendt titel? Det er vigtigt at besvare disse spørgsmål for at forstå, hvordan seerne opdager godt indhold, især når det gælder nye og ukendte titler. Netflix tackler denne udfordring gennem personalisering af kunstværker eller personalisering af thumbnails, der portrætterer titlerne.
Netflix adskiller sig fra hundrede andre medievirksomheder ved at personalisere de såkaldte kunstværker. Man siger, at et billede siger mere end tusind ord, og det er Netflix ved at udnytte med sin nye anbefalingsalgoritme baseret på kunstværker. Artworket til en titel bruges til at fange seerens opmærksomhed og giver dem et visuelt bevis på, hvorfor det kunne være et perfekt valg for dem at se den. Miniaturebilledet eller kunstværket kan fremhæve en spændende scene fra en film som f.eks. en biljagt, en berømt skuespiller, som seeren genkender, eller en dramatisk scene, der skildrer essensen af tv-showet eller filmen. For hver ny titel tildeles forskellige billeder tilfældigt til forskellige abonnenter på baggrund af smagsfællesskaberne. Netflix præsenterer derefter det billede med størst sandsynlighed på en brugers hjemmeside, så de vil prøve det.
Netflix gør brug af tusindvis af videobilleder fra eksisterende tv-serier og film til generering af miniaturebilleder. Billederne kommenteres og rangordnes derefter for at forudsige den højeste sandsynlighed for at blive klikket af en seer. Disse beregninger afhænger af, hvad andre seere med samme smag og præferencer har klikket på. For eksempel er seere, der kan lide en bestemt skuespiller, mest tilbøjelige til at klikke på billeder med skuespilleren.
Andre anvendelser af maskinlæring hos Netflix
- Maskinlæring former kataloget af tv-serier og film ved at lære egenskaber, der gør indholdet succesfuldt blandt seerne.
- Det styrker reklameudgifterne, reklamekreativitet og kanalmixet for at hjælpe Netflix med at identificere nye abonnenter, der vil nyde deres tjeneste.
- Optimerer produktionen af tv-serier og film.
- Optimerer lyd- og videokodning, internt CDN og valg af adaptiv bitrate.
Vi må takke maskinlæring og datavidenskab for at have fuldstændig forstyrret den måde, medie- og underholdningsindustrien fungerer på. Det er ret klart, at Netflix’ sammensmeltning af data, algoritmer og personalisering sandsynligvis vil holde brugerne klistret til skærmen. Det bliver interessant at se, hvordan medie- og underholdningsindustrien vil omforme sig med maskinlæring og kunstig intelligens.