Netflix的个性化推荐系统每年可节省10亿美元，它会怎么样？
发布时间：2019-9-21 分类： 新闻资讯
2009年由netflix发起的netflix大奖百万美元竞赛绝对是推荐系统领域最引人注目的盛事。这场竞赛不仅吸引了众多专业人士开始在推荐系统领域的研究工作，而且使这项技术真正从学术界进入商界，引起了热烈的讨论和竞争。它已经逐渐渗透到商业的核心腹地。当然，最有利的是Netflix本身，它不仅有可能取代亚马逊成为新一代推荐引擎之王，而且从业务回报本身来看，无疑也取得了巨大的回报。七年后，netflix推荐系统的现状如何？瑞星中国将带来最新的深度解读。当Netflix奖竞赛在早期举行时，Netflix推荐系统的主要目标是预测用户的电影评级（1-5分），因为Netflix的主要业务是DVD租赁，评分是Netflix获取用户反馈的主要方式。虽然Netflix仍然使用Netflix奖派生的算法，Netflix的核心业务模型已经转变为在线流媒体，因此Netflix可以从更多维度理解用户的使用行为，例如如何监视（使用什么设备）。一天中的几点，观看）频率），用户如何查找视频，甚至哪些视频已推荐给用户但未播放，等等。Netflix最新用户数据：6500万注册会员每天观看视频1亿小时。netflix的新一代推荐系统以“会员主页”的形式托管，这也是每个会员登录后的第一页。这里平均每3小时启动2小时的视频播放。众所周知，主页是几乎所有产品中最重要的一页。Netflix敢于基于推荐系统来驱动主页。它显示了他们对推荐系统的重视程度以及他们对推荐技术的信心。下面的图1和图2是Netflix主页推荐的示例。主页底线的豆腐电影海报是Netflix的推荐结果。总共40行。每一行都基于一个推荐算法。通常，一行的推荐结果不超过75条，这要考虑用户使用的设备等用户体验因素。每一行都会有一个相应的“标签”来表示推荐的原因，netflix使用这个标签来使推荐更加直接和用户友好。netflix解释了几种最核心的推荐算法。1。个性化视频ranker:pvr是netflix推荐系统的核心部分。基于“基因”的电影推荐主要由pvr完成。例如，图1左边的第一行是“悬疑电影”，而“悬疑”是一个基因。pvr是成千上万的人，即使同一个基因推荐序列，每个用户看到的视频和排名也不一样。pvr在netflix推荐系统中的应用非常广泛。它是每个用户的个性化推荐结果的基础，例如结合“流行”算法，可以使流行的推荐个性化。2。top-n视频ranker是top-n算法最典型的应用。top-n在一定程度上是pvr算法的一个特例。pvr关注每个推荐序列的排名，top-n的核心目标是找到所有序列中最相关的。可以简单地理解，Top-N的计算范围仅限于每个推荐序列的头数据，并且优化目标是从所有推荐序列中选择最佳。三。TrendingNow Netflix发现，最近的趋势（从几分钟到几天）是用户浏览行为的有效预测因素，如果结合适当的个性化方法，效果会更好。netflix使用trendingranker算法生成trendingnow的推荐结果。此算法特别适用于两种情况：1）每隔几个月重复一次（如一年一次），对每次发生都有明显的短期影响，如每年的情人节浪漫；2）突发的短期事件，比如媒体对飓风登陆人口稠密地区的报道。风可以引发人们对与飓风和其他自然灾害有关的纪录片和电影的关注。上图2左侧图表中的第二个行为趋势示例。4。ContinueWatching Netflix使用ContinueWatchingRaker来模拟是继续看电影还是继续看连续剧。continuewatching并不是一个简单的未完成视频的显示。它考虑到从最后一次观看开始的时间，它是否停在电影中间，开始还是结束，它使用什么设备，以及它是否在这段时间内观看了其他视频。此建议的一个示例显示在上面图2的右侧图的第一个动作中。5。视频相似性是因为基于观看历史的byw推荐是一种应用广泛且非常重要的推荐形式。Netflix自然也不例外。上图左边的第二行就是一个例子。这种推荐方法的核心是计算两部电影的相似度。它可以从行为的角度计算基于内容的遗传相似性、基于项目的协同过滤的余弦相似性，当然也可以综合使用多种方法。这种相似性本身是非个性化的，netflix将在将byw推送到个人页面时添加与个性化相关的指标。6。页面生成：行选择和排序基于上述算法。Netflix通常会为每个用户生成一个数万行的推荐结果集合。因此，如何将这些结果缩小到用户主页的40行，同时保证相关性和多样性，这是非常注重技巧的，要考虑到多种因素，包括时间、场合、不同家庭成员的贡献账号等。2015年之前，netflix主要采用基于规则的方法生成推荐结果页面。今天，netflix已经发展出一种完全个性化的优化页面生成算法，以实现相关性和多样性。7。证据算法共同构成了一个完整的netflix推荐系统。但也有其他算法，如推荐理由选择算法，与推荐算法一起构成了netflix推荐的完整用户体验。用户根据推荐原因判断推荐影片是否适合自己。Netflix将完整的推荐理由放在样本图像的左上角，包括：（1）电影的预测得分；2）内容介绍；3）元数据，如CAST，获奖；4）推荐图片的选择可以是其他UI相关的部分；推荐理由选择算法评估与显示的推荐影片相关的所有项目，然后选择最有助于帮助用户做出判断以显示在页面推荐理由区域的项目。例如，栗色推荐理由选择算法决定是指示一部电影获得奥斯卡奖，还是提示用户该电影与他刚刚看过的一部最近的电影非常相似；它还从库的多个版本中选择最适合给定推荐原因的图片。8。搜索网飞推荐在整个产品中无处不在。从流媒体播放时间来看，80%的用户选择或多或少受到推荐的影响。剩下的20%来自搜索，它也有自己的算法。用户通常搜索由我们的目录提供的电影、演员或基因；我们使用信息检索和相关技术为用户提供最相关的搜索结果。然而，由于用户的搜索词经常涉及到电影、演员或不在我们的库中的基因，或者一些广泛的概念，搜索已经成为一个推荐问题。例如，在下面的图3中，1）左图像是用户搜索“普通”的结果。假设用户可能会搜索电影“常见嫌疑犯”，但这部电影不在netflix库中。图中所示的搜索结果是基于这个猜想的推荐；2）右边的图像是用户搜索“fren”的结果。首先，它是用户搜索“fren”的结果。显示名称包含Fren的电影
