Jak działa silnik rekomendacji Netflixa?
Co powinienem obejrzeć tej nocy po ciężkim dniu w biurze?
To jest pytanie, które wpada do głowy po powrocie do domu z biura i siedzi przed telewizorem bez pamięci, jakie rodzaje pokazów oglądałeś niedawno. Dziś każdy chce inteligentnej platformy streamingowej, która potrafi zrozumieć jego preferencje i gusta, nie działając jedynie na autopilocie. Od Netflix do Amazon Prime – systemy rekomendacji zyskują na znaczeniu, ponieważ codziennie wchodzą w bezpośrednią interakcję (zwykle za kulisami) z użytkownikami.
Z ponad 139 milionami płatnych subskrybentów (całkowita pula widzów -300 milionów) w 190 krajach, 15 400 tytułami w swoich regionalnych bibliotekach i 112 nominacjami do nagród Emmy w 2018 roku – Netflix jest wiodącą na świecie internetową siecią telewizyjną i najbardziej wartościową największą usługą streamingową na świecie. Niesamowita historia cyfrowego sukcesu Netflix jest niekompletna bez wspomnienia o jego systemach rekomendujących, które koncentrują się na personalizacji.
Czy kiedykolwiek zastanawiałeś się, dlaczego grafika Netflix zmienia się dla różnych programów, gdy logujesz się na konto? Jednego dnia może to być obraz całej załogi mostka, podczas gdy innego dnia jest to Worf patrzący na Ciebie osądzająco. Jeśli jesteś użytkownikiem Netflixa, mogłeś również zauważyć, że platforma pokazuje naprawdę precyzyjne gatunki, takie jak dramaty romantyczne, w których główny bohater jest leworęczny. Jak Netflix wymyśla tak precyzyjne gatunki dla swojej ponad 100-milionowej bazy abonentów? W jaki sposób Netflix dokonuje zmian w sztuce? To właśnie uczenie maszynowe, sztuczna inteligencja i kreatywność za kulisami odgadują, co sprawi, że użytkownik wybierze konkretny program do obejrzenia. Uczenie maszynowe i nauka o danych pomagają Netflixowi spersonalizować doświadczenie użytkownika na podstawie jego historii wybierania programów do oglądania.
Czy wiesz?
Netflix zaczął używać narzędzi analitycznych w 2000 roku, aby polecać użytkownikom filmy do wypożyczenia.
Netflix ma tylko 90-sekundowe okno, aby pomóc widzom znaleźć film lub program telewizyjny, zanim opuszczą platformę i odwiedzą inną usługę. Jest to jeden z głównych powodów, dla których Netflix ma obsesję na punkcie personalizowania rekomendacji, aby przyciągnąć użytkowników.
Algorytmy spersonalizowanych rekomendacji firmyNetflix generują 1 miliard dolarów rocznie wartości z tytułu utrzymania klientów.
Większość użytkowników Netflixa bierze pod uwagę rekomendacje – 80% wyświetleń Netflixa pochodzi z rekomendacji serwisu.
Netflix utworzył 1300 klastrów rekomendacji opartych na preferencjach użytkowników.
Netflix dzieli swoich widzów na ponad 2K grup gustów. W oparciu o grupę gustów, do której należy widz, dyktuje on rekomendacje.
Przy ponad 7 tys. programów telewizyjnych i filmów w katalogu, jest właściwie niemożliwe, aby widz sam znalazł filmy, które lubi oglądać. Silnik rekomendacji Netflixa automatyzuje ten proces wyszukiwania dla swoich użytkowników.
Personalizacja rekomendacji filmów/programów telewizyjnych
Główny dyrektor ds. treści w Netflixie, Ted Sarandos, powiedział –
Nie ma czegoś takiego jak „program Netflixa”. Naszą marką jest personalizacja.
Personalizacja zaczyna się na stronie głównej Netflixa, która pokazuje grupę filmów ułożonych w poziomych rzędach. Każdy poziomy rząd ma tytuł, który odnosi się do filmów w tej grupie. Większość spersonalizowanych rekomendacji rozpoczyna się w oparciu o sposób, w jaki wybierane są rzędy i kolejność, w jakiej umieszczane są elementy. Systemy rekomendacji w Netflixie obejmują różne podejścia algorytmiczne, takie jak uczenie wzmacniające, sieci neuronowe, modelowanie przyczynowe, probabilistyczne modele graficzne, faktoryzacja macierzy, zespoły, bandyty.
Systemy rekomendacji w Netflixie zostały opracowane przez setki inżynierów, którzy analizują zwyczaje milionów użytkowników na podstawie wielu czynników. Za każdym razem, gdy użytkownik korzysta z usług Netflix, system rekomendacji szacuje prawdopodobieństwo obejrzenia przez niego danego tytułu na podstawie następujących czynników –
- Interakcje widza z usługami Netflix, takie jak oceny widzów, historia oglądania itp.
- Informacje o kategoriach, roku wydania, tytule, gatunkach i innych.
- Inni widzowie o podobnych preferencjach i gustach.
- Czas trwania oglądania programu przez widza
- Urządzenie, na którym widz ogląda program.
- Pora dnia, w której widz ogląda program – Dzieje się tak, ponieważ Netflix posiada dane, z których wynika, że zachowania widzów różnią się w zależności od pory dnia, dnia tygodnia, lokalizacji oraz urządzenia, na którym oglądany jest program lub film.
W przypadku każdego nowego abonenta Netflix prosi o wybranie tytułów, które chcieliby obejrzeć. Tytuły te są wykorzystywane jako pierwszy krok do tworzenia spersonalizowanych rekomendacji. Później, gdy widzowie kontynuują oglądanie w czasie, rekomendacje są zasilane przez tytuły, które oglądali ostatnio wraz z innymi czynnikami wymienionymi powyżej. Rekomendacje Netflixa oparte na uczeniu maszynowym uczą się od swoich użytkowników. Za każdym razem, gdy widz spędza czas oglądając film lub program, zbiera dane, które informują algorytm uczenia maszynowego za kulisami i odświeżają go. Im więcej widz ogląda, tym bardziej aktualny i dokładny jest algorytm.
Personalizacja grafiki/ miniatur
Głównym celem Netflixa jest zapewnienie spersonalizowanych rekomendacji poprzez pokazywanie trafnych tytułów każdemu z widzów we właściwym czasie. Ale dlaczego widz powinien przejmować się tytułami, które Netflix poleca? Jak Netflix przekonuje widza, że dany tytuł jest wart obejrzenia? W jaki sposób Netflix przyciąga uwagę widza do nowego i nieznanego tytułu? Odpowiedzi na te pytania są ważne, aby zrozumieć, w jaki sposób widzowie odkrywają wspaniałe treści, szczególnie w przypadku nowych i nieznanych tytułów. Netflix radzi sobie z tym wyzwaniem poprzez personalizację dzieł sztuki lub personalizację miniatur, które przedstawiają tytuły.
Netflix różni się od stu innych firm medialnych poprzez personalizację tak zwanych dzieł sztuki. Mówi się, że obraz jest wart tysiąca słów i Netflix wykorzystuje to dzięki swojemu nowemu algorytmowi rekomendacji opartemu na dziełach sztuki. Grafika dla danego tytułu służy do przyciągnięcia uwagi widza i daje mu wizualny dowód na to, dlaczego obejrzenie go może być dla niego idealnym wyborem. Miniaturka lub grafika może podkreślać ekscytującą scenę z filmu, taką jak pościg samochodowy, słynnego aktora, którego widz rozpoznaje, lub dramatyczną scenę, która przedstawia istotę programu telewizyjnego lub filmu. Dla każdego nowego tytułu różne obrazy są losowo przypisywane różnym abonentom na podstawie społeczności gustów. Netflix następnie prezentuje obraz z najwyższym prawdopodobieństwem na stronie głównej użytkownika, aby ten spróbował.
Netflix wykorzystuje tysiące klatek wideo z istniejących programów telewizyjnych i filmów do generowania miniatur. Obrazy są następnie opatrzone adnotacjami i uszeregowane w celu przewidzenia najwyższego prawdopodobieństwa kliknięcia przez widza. Obliczenia te zależą od tego, na co kliknęli inni widzowie o podobnym guście i preferencjach. Na przykład widzowie, którzy lubią konkretnego aktora, najprawdopodobniej klikną w obrazy z tym aktorem.
Inne zastosowania uczenia maszynowego w serwisie Netflix
- Uczenie maszynowe kształtuje katalog programów telewizyjnych i filmów poprzez uczenie się cech, które sprawiają, że treści odnoszą sukces wśród widzów.
- Uprawnia wydatki na reklamę, kreatywność reklamową i miks kanałów, aby pomóc firmie Netflix w identyfikacji nowych abonentów, którzy będą korzystać z ich usług.
- Optymalizacja produkcji programów telewizyjnych i filmów.
- Optymalizacja kodowania audio i wideo, wewnętrzna sieć CDN i adaptacyjny wybór bitrate.
Musimy podziękować uczeniu maszynowemu i nauce o danych za to, że całkowicie zakłóciły sposób, w jaki działają media i branża rozrywkowa. Jest całkiem jasne, że Netflix’s amalgamation danych, algorytmów i personalizacji są prawdopodobne, aby utrzymać użytkowników przyklejonych do swoich ekranów. Interesujące będzie zobaczyć, jak przemysł medialny i rozrywkowy zmieni się dzięki uczeniu maszynowemu i sztucznej inteligencji.