La « télépathie » des réseaux neuronaux : comment les recommandations personnalisées aident les téléspectateurs et les opérateurs

Le magazine américain Time a désigné l’année 2020 comme la pire de notre temps, mais cela n’est pas véritablement le cas pour les grands géants du streaming. En effet, les actions de Netflix, Amazon et Disney ont battu des records historiques en 2020 et continuent de croître.

En raison du confinement, les personnes ont commencé à s'abonner à divers services vidéo et ont immédiatement été confrontées à un nouveau problème : que regarder ? Pour choisir un contenu agréable, les téléspectateurs pouvaient autrefois compter sur les sélections des portails thématiques et les recommandations de leurs amis. Ces sources ne tenaient toutefois pas compte des préférences individuelles de chaque utilisateur, d'où un paradoxe : la recherche de contenu nécessitait souvent plus de temps que le visionnage proprement dit.

Les services de streaming ont résolu ce problème en proposant des recommandations de contenu personnalisées. Dans cet article, nous allons détailler le fonctionnement de ces systèmes et les raisons pour lesquelles ils sont aujourd’hui indispensables aux opérateurs.

Principes de bases dans la conception de systèmes de recommandation

Les systèmes de recommandation suggèrent des films et des séries susceptibles d'intéresser un téléspectateur. Il existe quatre approches principales pour développer des moteurs de recommandation :

• Filtrage basé sur le contenu
• Filtrage collaboratif
  

• Filtrage basé sur les données existantes
• Filtrage hybride
  

Examinons de plus près les particularités de chaque modèle.

Filtrage basé sur le contenu

Cette méthode est basée sur la recherche des attributs communs de différents contenus. Par exemple, les recommandations de films sont souvent basées sur des éléments tels que le réalisateur, les acteurs, le genre et la durée. Certains systèmes analysent également les descriptions de films pour l'évaluation TF-IDF (importance d'un mot donné dans le contexte du document).

L'objectif du filtrage basé sur le contenu est de créer un profil de chaque élément pour ensuite rechercher des correspondances. Par exemple, si vous avez regardé « Avengers », les recommandations qui vous seront faites comprendront d'autres films de l’univers cinématographique Marvel, des films avec Robert John Downey Jr. et des œuvres de Joss Whedon.

Cette approche présente des avantages et des inconvénients :

Filtrage collaboratif

Le filtrage collaboratif propose des recommandations basées sur les avis des utilisateurs ayant des intérêts et des comportements de visionnage proches.

Par exemple, le système doit décider de recommander ou non la série « Rick et Morty » à l'utilisateur A. L'algorithme va « analyser » la base de données - en recherchant les téléspectateurs qui ont donné un avis positif sur ce contenu - et former une matrice de préférences. Dans le tableau ci-dessous, chaque ligne indique les avis des utilisateurs, tandis que chaque colonne représente un film. Le système propose des recommandations en recherchant des similitudes dans ce tableau.

Algorithme de filtrage collaboratif

Dans notre exemple, l'utilisateur A possède le plus de préférences communes avec l'utilisateur D. Le système en conclut que si l'utilisateur A a donné une note élevée à la série « Rick et Morty », celle-ci peut également être recommandée à l'utilisateur D.

Filtrage collaboratif basé sur les avis

Ce type de filtrage utilise les évaluations de films plutôt que les données de profil. Par exemple, si la plupart des fans de la série « How I Met Your Mother » ont également bien noté « The Big Bang Theory », cette dernière peut être recommandée à tous ceux qui ont donné cinq étoiles à la première. Cette méthode compare les colonnes de la matrice plutôt que les lignes.

Avantages et inconvénients de cette approche :

Filtrage basé sur les données existantes

Les services de streaming ont rarement recours à des systèmes de filtrage basés sur les données existantes. Toutefois, certains opérateurs proposent des éléments individuels de ces systèmes. Ces « moteurs » sont essentiellement utilisés lorsqu'il est impossible de recueillir suffisamment d'informations pour établir un profil du client.

Cette méthode repose sur l’utilisation de filtres. Pour un film, il s'agira du genre, de l'année de sortie, du casting et du réalisateur. Ces systèmes sont établis par des consultants qui possèdent une excellente connaissance des besoins des clients, suite à l'étude des interrelations entre les différents attributs du contenu.

Ce type de recommandation offre une bonne précision. Les utilisateurs se voient ainsi proposer exactement ce qu’ils désirent, mais l'élaboration des filtres basés sur les données existantes reste technique et nécessite beaucoup de temps.

Filtrage hybride

Ces systèmes combinent différentes approches, en remédiant aux inconvénients des systèmes séparés. Par exemple, un cinéma en ligne peut recommander des films similaires évalués par des utilisateurs ayant des préférences proches.

Niveaux des systèmes de recommandation

	Niveau 1—Classement global ; produits populaires dans une certaine région parmi les utilisateurs d'un certain sexe ou âge. Ces classements sont assez stables et évoluent légèrement au fil du temps.
Niveau 2—Tendances du moment : films populaires, premières qui attirent l'attention des téléspectateurs sur le moment mais qui finissent par perdre leur popularité.

Des signes explicites et implicites sont utilisés pour évaluer le contenu :

Les opérateurs les plus avancés combinent ces approches. Netflix, par exemple, demande aux nouveaux utilisateurs de lui indiquer leurs films préférés et analyse leurs interactions une fois qu'ils ont commencé à regarder leur contenu.

Quel système de recommandation utilisent les décodeurs MAG ?

Les lecteurs multimédias MAG Android TV utilisent le système de recommandation de Google. Ses principes de fonctionnement sont similaires à YouTube, qui utilise le même algorithme. Le système utilise donc une approche hybride : il évalue les préférences d'un utilisateur donné et celles d'un public similaire.

 Algorithme de recommandation de YouTube

• Le système repose sur deux réseaux neuronaux : « génération de candidats » et « classement ».
• Le premier réseau sélectionne les vidéos thématiques. Parmi les millions de vidéos disponibles, il sélectionne les plus pertinentes et les transmet au second réseau, qui classera ensuite le contenu du plus au moins intéressant.
• Le système tient compte de l'historique et du contexte de visionnage de l'utilisateur (heure de la journée, âge, sexe, langue et pays de résidence).
• Lors du classement, le réseau prend en compte la durée de visionnage prévue : plus les autres utilisateurs regardent la vidéo longtemps, plus les chances de la voir figurer dans les recommandations sont élevées.
• Le TDC (taux de clics ou « clickthrough rate ») est également pris en compte pour le classement. Il s'agit du pourcentage d'utilisateurs qui ont lancé la vidéo par rapport à tous ceux qui l'ont vue dans leurs recommandations. L'indicateur TDC ne peut pas être utilisé sans tenir compte de la durée de visionnage, car le système tente d'exclure le « clickbait » des résultats de recherche. Les activités des utilisateurs, telles que les « j’aime », les commentaires et les abonnements, sont également prises en compte à ce stade. Les vidéos qui suscitent peu d'intérêt sont rapidement rejetées.
• Le système effectue des tests A/B pendant l'échantillonnage, en présentant différentes versions de sélections à un utilisateur. Si l'une d'entre elles rencontre un fort succès, le système en tiendra compte dans ses futures recommandations. Cela lui permet donc d’apprendre et de devenir plus efficace.
  

Les recommandations personnalisées permettent aux opérateurs de susciter l'intérêt du public, d’augmenter la durée de visionnage du contenu et de fidéliser les abonnés au service. Si le contenu répond aux envies et centres d’intérêt de l'utilisateur, celui-ci le regardera jusqu'à la fin, et il y a de fortes chances qu'il prolonge son abonnement et recommande le service à ses amis. Les systèmes de recommandation personnalisée fournissent aux opérateurs de contenu des informations sur le contenu que les utilisateurs sont susceptibles de regarder. Sur la base de telles données, il est alors plus facile de proposer des films et des séries qui gagneront le cœur des téléspectateurs.

Recommended

Les nouvelles fonctionnalités de Ministra PRO déployées en mars

Le logiciel Ministra PRO a bénéficié d’une mise à jour en mars dernier. Les nouvelles fonctionnalités permettent de simplifier l’ensemble des manipulations avec les décodeurs MAG fonctionnant sous Linux et Android. Nous avons également utilisé les atouts de l'intelligence artificielle afin d’offrir une meilleure assistance aux utilisateurs. Toutes ces fonctionnalités permettent d’offrir une expérience vis-à-vis du produit encore plus efficace et pratique.

Comment la rigueur dans la fabrication de ses décodeurs MAG a permis à Infomir de devenir l'un des leaders sur le marché mondial des appareils Linux

La fiabilité des appareils a toujours été au cœur des préoccupations d’Infomir concernant la fabrication de produits électroniques destinés au grand public. L'entreprise ukrainienne est le parfait exemple démontrant que des normes de production strictes, couplées à l’excellence en matière d'ingénierie, contribuent à la qualité supérieure des produits. Cet article va donc aborder la manière dont Infomir a réussi à minimiser le taux de défectuosité à un niveau historiquement bas et à se positionner en qualité de leader sur le marché des décodeurs 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.