Hur fungerar Netflix rekommendationsmotor?
Vad ska jag titta på i kväll efter en hektisk dag på kontoret?
Detta är frågan som dyker upp i ditt huvud när du kommer hem från kontoret och sitter framför tv:n utan att komma ihåg vilken typ av program du har tittat på nyligen. Idag vill alla ha en intelligent streamingplattform som kan förstå deras preferenser och smak utan att bara köra på autopilot. Från Netflix till Amazon Prime – rekommendationssystem får allt större betydelse eftersom de interagerar direkt (vanligtvis bakom kulisserna) med användarna varje dag.
Med över 139 miljoner betalda prenumeranter (totalt antal tittare -300 miljoner) i 190 länder, 15 400 titlar i de regionala biblioteken och 112 Emmy Award-nomineringar 2018 – Netflix är världens ledande internet-tv-nätverk och den mest värderade största streamingtjänsten i världen. Netflix fantastiska digitala framgångssaga är ofullständig utan att nämna dess rekommendationssystem som fokuserar på personalisering.
Har du någonsin funderat på varför Netflix konstverk ändras för olika program när du loggar in på kontot? Ena dagen kan det vara en bild på hela bryggbesättningen medan det andra dagen är Worf som stirrar dömande på dig. Om du är Netflix-användare kanske du också har märkt att plattformen visar riktigt exakta genrer som romantiska dramer där huvudpersonen är vänsterhänt. Hur hittar Netflix på så exakta genrer för sina över 100 miljoner abonnenter? Hur förändras Netflix konstverk? Det är maskininlärning, AI och kreativiteten bakom kulisserna som gissar vad som får en användare att välja en viss serie att titta på. Maskininlärning och datavetenskap hjälper Netflix att anpassa upplevelsen för dig baserat på din historia av att välja program att titta på.
Vet du det?
Netflix började använda analysverktyg år 2000 för att rekommendera videor som användarna kan hyra.
Netflix har bara ett 90-sekundersfönster för att hjälpa tittarna att hitta en film eller ett tv-program innan de lämnar plattformen och besöker någon annan tjänst. Det är en av de viktigaste anledningarna till att Netflix är så besatt av att personifiera rekommendationer för att haka på användarna.
Netflix personliga rekommendationsalgoritmer ger ett värde på 1 miljard dollar per år genom att behålla kunderna.
Majoriteten av Netflix användare tar hänsyn till rekommendationer med 80 % av Netflix visningar kommer från tjänstens rekommendationer.
Netflix har inrättat 1300 rekommendationskluster baserade på användarnas tittarpreferenser.
Netflix segmenterar sina tittare i över 2K smakgrupper. Utifrån vilken smakgrupp en tittare tillhör dikteras rekommendationerna.
Med över 7 000 TV-program och filmer i katalogen är det faktiskt omöjligt för en tittare att på egen hand hitta filmer som han eller hon tycker om att titta på. Netflix rekommendationsmotor automatiserar denna sökprocess för sina användare.
Personalisering av film/tv-serie-rekommendationer
Netflix’ innehållschef Ted Sarandos sa –
Det finns inget sådant som en ”Netflix-show”. Vårt varumärke är personalisering.
Personaliseringen börjar på Netflix hemsida som visar en grupp videor ordnade i horisontella rader. Varje horisontell rad har en titel som relaterar till videorna i den gruppen. De flesta av de personaliserade rekommendationerna börjar baserat på hur raderna väljs och i vilken ordning artiklarna är placerade. Rekommendationssystemen hos Netflix spänner över olika algoritmiska tillvägagångssätt som förstärkningsinlärning, neurala nätverk, kausalmodellering, probabilistiska grafiska modeller, matrisfaktorisering, ensembler, banditer.
Netflix’ rekommendationssystem har utvecklats av hundratals ingenjörer som analyserar miljontals användares vanor utifrån flera faktorer. När en användare har tillgång till Netflix tjänster uppskattar rekommendationssystemet sannolikheten för att en användare ska titta på en viss titel baserat på följande faktorer –
- Värdarens interaktioner med Netflix tjänster som tittarbetyg, tittarhistorik etc.
- Information om kategorier, utgivningsår, titel, genrer, med mera.
- Andra tittare med liknande tittarpreferenser och smak.
- Tidsvaraktighet för en tittare som tittar på ett program
- Enheten som en tittare tittar på.
- Den tid på dagen en tittare tittar -Detta beror på att Netflix har uppgifter om att det finns olika tittarbeteende baserat på tid på dagen, veckodag, plats och den enhet som ett program eller en film ses på.
För varje ny prenumerant ber Netflix dem välja titlar som de skulle vilja titta på. Dessa titlar används som första steg för personliga rekommendationer. Senare när tittarna fortsätter att titta över tid drivs rekommendationerna av de titlar de tittat på mer nyligen tillsammans med andra faktorer som nämns ovan. Netflix maskininlärningsbaserade rekommendationer lär sig av sina egna användare. Varje gång en tittare tillbringar tid med att titta på en film eller ett program samlas data in som informerar den maskininlärande algoritmen bakom kulisserna och uppdaterar den. Ju mer en tittare tittar, desto mer uppdaterad och exakt blir algoritmen.
Personalisering av konstverk/miniatyrbilder
Det huvudsakliga målet för Netflix är att tillhandahålla personliga rekommendationer genom att visa de lämpliga titlarna för varje tittare vid rätt tidpunkt. Men varför skulle en tittare bry sig om de titlar som Netflix rekommenderar? Hur övertygar Netflix en tittare om att en titel är värd att titta på? Hur fångar Netflix tittarens uppmärksamhet för en ny och okänd titel? Svaret på dessa frågor är viktigt för att förstå hur tittarna upptäcker bra innehåll, särskilt när det gäller nya och okända titlar. Netflix tar sig an den här utmaningen genom personalisering av konstverk eller personalisering av miniatyrbilder som porträtterar titlarna.
Netflix skiljer sig från hundra andra medieföretag genom att personalisera de så kallade konstverken. Det sägs att en bild säger mer än tusen ord och Netflix tar fasta på det med sin nya rekommendationsalgoritm som bygger på konstverk. Konstverket för en titel används för att fånga tittarens uppmärksamhet och ger dem ett visuellt bevis på varför det kan vara ett perfekt val för dem att titta på den. Miniatyrbilden eller konstverket kan lyfta fram en spännande scen från en film, t.ex. en biljakt, en känd skådespelare som tittaren känner igen, eller en dramatisk scen som visar tv-seriens eller filmens essens. För varje ny titel tilldelas olika bilder slumpmässigt till olika prenumeranter utifrån smakgemenskaperna. Netflix presenterar sedan bilden med högst sannolikhet på en användares startsida så att de ska prova den.
Netflix använder sig av tusentals videoframes från befintliga TV-program och filmer för att generera miniatyrbilder. Bilderna kommenteras och rangordnas sedan för att förutsäga den högsta sannolikheten att bli klickad av en tittare. Dessa beräkningar beror på vad andra tittare med liknande smak och preferenser har klickat på. Till exempel är tittare som gillar en viss skådespelare mest benägna att klicka på bilder med skådespelaren.
Andra tillämpningar av maskininlärning på Netflix
- Maskinininlärning formar katalogen av tv-program och filmer genom att lära sig egenskaper som gör innehållet framgångsrikt bland tittarna.
- Det driver reklamutgifter, reklamkreativitet och kanalmix för att hjälpa Netflix att identifiera nya prenumeranter som kommer att njuta av deras tjänst.
- Optimera produktionen av tv-serier och filmer.
- Optimera ljud- och videokodning, intern CDN och val av adaptiv bithastighet.
Vi måste tacka maskininlärning och datavetenskap för att de helt och hållet har stört medie- och underhållningsindustrins sätt att fungera. Det är ganska tydligt att Netflix sammanslagning av data, algoritmer och personalisering sannolikt kommer att hålla användarna klistrade vid sina skärmar. Det ska bli intressant att se hur medie- och underhållningsindustrin kommer att omformas med maskininlärning och artificiell intelligens.