La "telepatía" en redes neuronales: cómo las recomendaciones personalizadas ayudan tanto al espectador como las operadoras

La revista estadounidense Time situó 2020 como el peor año de la historia, pero para los grandes gigantes del streaming no es así: Las acciones de Netflix, Amazon y Disney batieron récords históricos en 2020 y siguen creciendo.

Al aislarse, la gente empezó a suscribirse a varios servicios de vídeo y se encontró inmediatamente con un nuevo problema: ¿qué ver? Antes, al elegir los contenidos, la gente se guiaba por las selecciones de los portales temáticos y las recomendaciones de los amigos. Sin embargo, tales fuentes no tienen en cuenta las preferencias particulares de cada usuario, lo que origina una paradoja: la búsqueda de contenidos lleva mucho más tiempo que el visionado real.

Los servicios por streaming resolvieron este problema ofreciendo recomendaciones de contenido personalizadas. En este artículo, detallaremos cómo funcionan este tipo de sistemas y por qué las operadoras los necesitan.

Principios básicos para construir sistemas de recomendación

Los sistemas de recomendación sugieren películas y series que pueden ser de interés para un espectador. Hay cuatro estrategias principales para crear motores de recomendación:

• Filtrado por contenido
• Filtrado colaborativo
  

• Filtrado basado en el conocimiento
• Filtrado híbrido
  

Veamos con más detalle las peculiaridades de cada una de ellas.

Filtrado por contenido

Este método se basa en encontrar los rasgos comunes de diferentes contenidos. Por ejemplo, las recomendaciones de películas suelen basarse en parámetros como el director, el reparto, el género y la duración. Algunos sistemas también analizan las descripciones de las películas para evaluar el TF-IDF (la importancia de una determinada palabra en el contexto del documento).

El objetivo del método filtrado por contenido es crear un perfil de cada elemento para buscar coincidencias a posteriori. De esta forma, por ejemplo, una vez que hayas visto 'Los Vengadores', las recomendaciones para ti incluirán otras películas del Universo de Marvel, películas protagonizadas por Robert John Downey Jr. y títulos de Joss Whedon.

Este planteamiento tiene ventajas e inconvenientes:

Filtrado colaborativo

Un filtrado colaborativo ofrece recomendaciones basadas en los comentarios de usuarios con intereses y comportamientos afines.

Por ejemplo, el sistema debe decidir si recomienda o no la serie "Rick y Morty" al usuario A. El algoritmo "escaneará" la base de datos (buscando a los espectadores que evaluaron este contenido como positivo) y formará una matriz de preferencias. En la siguiente tabla, cada línea muestra las opiniones de los usuarios, mientras que cada columna representa una película. El sistema hace recomendaciones buscando coincidencias en esta tabla.

Algoritmo de filtrado colaborativo

En nuestro ejemplo, el ‘usuario A’ comparte más preferencias con el ‘usuario D’. El sistema concluye lo siguiente: si el ‘usuario D’ valoró muy bien la serie "Rick y Morty", entonces también se la podría recomendar al ‘usuario A’.

Filtrado colaborativo en base a elementos

Este tipo de filtrado utiliza las valoraciones de las películas en lugar de los datos del perfil. Por ejemplo, si la mayoría de los seguidores de "Cómo conocí a vuestra madre" también valoran muy positivamente "The Big Bang Theory", esta última puede ser recomendada a todos los que hayan dado cinco estrellas a la primera. Con este método, comparamos las columnas de la matriz en lugar de sus líneas.

Ventajas e inconvenientes de este planteamiento:

Filtrado basado en el conocimiento

Los servicios de streaming rara vez utilizan sistemas de filtrado basados en el conocimiento. No obstante, algunas operadoras sí ofrecen elementos individuales de estos sistemas. Estos "motores" se utilizan sobre todo cuando es imposible recopilar suficiente información para construir un perfil de cliente o de objeto.

Este método aplica filtros. En el caso de una película, éstos serán el género, el año de estreno, el reparto y el director. Estos sistemas son establecidos por especialistas que comprenden las necesidades de los clientes, tras el estudio de las interrelaciones entre los distintos atributos del contenido.

Este tipo de recomendación es bastante precisa. Se ofrece a los usuarios exactamente lo que necesitan, pero la elaboración de los filtros basados en el conocimiento es complicada y requiere de mucho tiempo.

Filtrado híbrido

En estos sistemas se combinan diferentes métodos, afrontando los inconvenientes de los sistemas por separado. Por ejemplo, un cine online puede recomendar películas similares calificadas por usuarios con preferencias similares.

Niveles de los sistemas de recomendación

	Nivel 1—valoraciones globales; productos que son populares en una determinada zona entre usuarios de cierto sexo o edad. Estas valoraciones son bastante estables y pueden cambiar levemente con el tiempo.
Nivel 2—tendencias a corto plazo; películas de moda, estrenos que atraen la atención del espectador en este momento y que con el tiempo pierden popularidad.

Se utilizan marcadores explícitos e implícitos para calificar el contenido:

Las operadoras avanzadas combinan estos enfoques. Netflix, por ejemplo, pide a los nuevos usuarios que señalen sus películas favoritas y analiza sus interacciones una vez que empiezan a ver sus contenidos.

Cómo funciona en los decodificadores MAG

Los reproductores multimedia MAG con Android TV utilizan el sistema de recomendaciones de Google. Sus principios de funcionamiento pueden compararse con los de YouTube, ya que utiliza el mismo algoritmo. El sistema emplea un enfoque híbrido: evalúa las preferencias de un determinado usuario y los gustos de una audiencia similar.

 Algoritmo de recomendación de YouTube

• El sistema está compuesto por dos redes neuronales entrenadas: "generación de candidatos" y "clasificación".
• La primera red selecciona los vídeos por temas. De entre los millones de vídeos disponibles, selecciona los más relevantes y los envía a la segunda red, que clasificará el contenido de mayor a menor interés.
• El sistema tiene en cuenta el historial de visualización del usuario y el contexto (hora del día, edad, sexo, idioma y país de residencia).
• En la fase de clasificación, la selección tiene en cuenta la duración prevista de visualización: cuanto más tiempo vean el vídeo otros usuarios, mayores serán las posibilidades de que aparezca en las recomendaciones.
• El CTR (porcentaje de clics) también se tiene en cuenta a efectos de clasificación: un porcentaje de usuarios que empezaron a reproducir el vídeo en comparación con todos los que lo vieron en las recomendaciones. Este indicador de CTR no puede aplicarse fuera de la duración de visualización, ya que el sistema intenta excluir el clickbait de los resultados de búsqueda. Las actividades de los usuarios, como los "me gusta", los comentarios y las suscripciones, también se tienen en cuenta en esta fase. Los vídeos poco relevantes se rechazan rápidamente.
• El sistema realiza pruebas A/B durante el cribado, mostrando diferentes versiones de selecciones a un usuario. Si una de ellas tiene mucho éxito, el sistema la tendrá en cuenta en futuras recomendaciones. Así es como aprende y se vuelve más eficiente.
  

Las recomendaciones personalizadas ayudan a las operadoras a despertar el interés de la audiencia, aumentar la duración de los contenidos y fidelizar a los suscriptores al servicio. Si el contenido se ajusta a los intereses del usuario, éste lo verá hasta el final, y hay muchas posibilidades de que amplíe la suscripción y recomiende el servicio a sus amigos. Los sistemas de recomendación personalizada proporcionan a las operadoras de contenidos información sobre los contenidos que los usuarios buscan. A partir de estos datos, se pueden hacer películas y series que se ganen el corazón y la mente de los espectadores.

Recommended

Nuevas funciones de Ministra PRO en marzo

La aplicación Ministra PRO se actualizó en marzo. Las nuevas funciones simplificarán el trabajo con decodificadores MAG basados en Linux y Android. Hemos implementado la inteligencia artificial para ofrecer una mejor asistencia al usuario. Todo esto hará que la experiencia con el producto sea aún más eficiente y cómoda.

Cómo la escasa tasa de defectos en la fabricación de decodificadores MAG ayudó a Infomir a convertirse en uno de los líderes del mercado mundial de dispositivos Linux

La fiabilidad de los terminales siempre ha desempeñado un papel fundamental en la fabricación de productos electrónicos de consumo. La empresa ucraniana Infomir es un magnífico ejemplo de cómo las estrictas normas de producción y la excelencia en ingeniería contribuyen a una calidad superior de los productos. En este artículo hablaremos de cómo Infomir ha conseguido reducir la tasa de defectos a un nivel récord y ocupar una posición de liderazgo en el mercado de decodificadores de IPTV.

Ministra PRO: New Features and Enhanced Capabilities in February

The Ministra Pro team is committed to building long-term relationships and is pleased to offer users global search, multi-filtering, maximum session control, and Spanish documentation.