Proposición comercial

Product request

You are looking for a solution:

Select an option, and we will develop the best offer
for you

What products are you interested in?

Please select one of the options to continue

Please select the products to continue.

In our response, we want to address you by name

Please fill in the field to continue.

No ads. Our manager will use this email address to contact you

Please fill in the field to continue.

Your regional manager will answer you

Please select the destination country to continue.

Enter the phone number and the manager will contact you

Please enter your phone number to continue.

Select a business field, and we will develop the best offer for you

Please choose a business field to continue.

Enter your company’s legal name

Please indicate your company name to continue.

Tell us about your project

Please Tell us about your project to continue.

0 / 800

Confirm the details

What products are you interested in?

Select an option, and we will develop the best offer for you

Please select one of the options to continue.

In our response, we want to address you by name

Please fill in the field to continue.

No ads. Our manager will use this email address to contact you

Please fill in the field to continue.

Enter the phone number and the manager will contact you

Please enter your phone number to continue.

Select a business field, and we will develop the best offer for you

Please choose a business field to continue.

Enter your company’s legal name

Please indicate your company name to continue.

Your regional manager will answer you

Please select the destination country to continue.

Tell us about your project

Please tell us about your project to continue.

By clicking on 'Submit', you confirm that you have read, understood, and accept our privacy policy.

Thank you
Your message has been sent.

Our manager will contact you as soon as possible.

No ads. We will use this address to contact you

Please fill in the field to continue.

We will provide information for your region

Please select the country to continue.

Confirm the details

What products are you interested in?

Select an option, and we will develop the best offer for you

Please select the products to continue.

No ads. Our manager will use this email address to contact you.

Please fill in the field to continue.

We will provide information for your quantity

Please fill in the field to continue.

We will provide information for your region

Please select the country to continue.

By clicking on 'Submit', you confirm that you have read, understood, and accept our privacy policy.

Thank you!
Your message has been sent.

Your request will be processed shortly.

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

La

 

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

 

La

 

  • Filtrado basado en el conocimiento
  • Filtrado híbrido

 

La

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:

 

Ventajas

 

Inconvenientes

 

Las recomendaciones no dependen de los datos de otros usuarios.

 

Al formar grupos de elementos similares, el sistema limita las recomendaciones de otros contenidos. Esto genera una "burbuja de filtros".

 

No hay problema de "puesta en marcha en frío" para las nuevas películas, pues sus principales atributos son fácilmente conocidos.

 

Si la información sobre los productos es escasa, será mucho más difícil agruparlos, con lo que la calidad de las recomendaciones será menor.

 

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.

 

La

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:

 

Ventajas

 

Inconvenientes

 

El sistema ofrece recomendaciones más precisas y diferenciadas.

 

Las preferencias de visualización cambian con el tiempo, y algunas recomendaciones pueden resultar irrelevantes.

 

 

Cuanto más numerosa es la audiencia, más tiempo se necesita para formular recomendaciones.

 

 

Vulnerabilidad a una interferencia deliberada de cuentas falsas que pretenden mejorar la calificación de los contenidos.

 

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

 

La

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.

La

 

 

Se utilizan marcadores explícitos e implícitos para calificar el contenido:

Marcadores explícitos

 

  • Formularios completos
  • Valoración
  • Clasificación consciente e inequívoca del contenido

Marcadores implícitos (todo lo que sugiere indirectamente la actitud del usuario hacia la película)

  • Tiempo de visualización
  • Comentarios
  • Saltos adelante
  • Revisionados

 

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.

 

La

 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

La

De qué sirven los códecs de vídeo

Descubre por qué es necesario comprimir un vídeo, cómo se originaron los códecs, por qué los vídeos 4K y 8K dependen en gran medida de ellos y cuál es el futuro de la tecnología de compresión de vídeo.

La

¿Qué mandos necesitan suscriptores y operadoras?

Vamos a contarte qué tipo de mandos a distancia prefieren los suscriptores, cuál es el más adecuado para los terminales de las operadoras y las tendencias más importantes en cuanto a su fabricación y diseño.

La

Televisión post-pandemia

Descubre cómo crecerá el mercado de la IPTV y por qué el SVOD es el futuro. Los expertos de BROADVISION revelan cómo la pandemia del COVID-19 ha cambiado el negocio de las operadoras locales y globales.

Privacy Policy

This Privacy Policy will be effective as of May 25, 2018.

What This Policy Covers

We respect the confidentiality of your personal data and take measures to safeguard it. This Policy describes the information we collect, how we use that information, our legal basis for doing so, and your rights regarding the information we collect. We also use cookies and similar technologies, as described in our Cookie Policy, which is an integral part of this Privacy Policy.

We use cookies in order to optimise our website, provide you with the best possible user experience and help us promote our products. Please read our Cookie Policy to find out how we use cookies and how you can control cookies.
By using this website or closing this message, you acknowledge our Privacy Policy and agree to our use of cookies as described in our Cookie Policy.