Proposition commerciale

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

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

 

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

 

  • Filtrage basé sur les données existantes
  • Filtrage hybride

 

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

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 :

 

Avantages

 

Inconvénients

 

Les recommandations ne prennent pas en compte les données des autres utilisateurs.

 

En formant des groupes d’éléments similaires, le système limite les recommandations d'autres contenus. Cela conduit à une « bulle de filtre ».

 

Il n'y a aucun problème à détecter les nouveaux films, car leurs principaux attributs sont facilement connus.

 

Si les informations sur les contenus sont rares, il sera beaucoup plus difficile de les regrouper, ce qui réduira la qualité des recommandations.

 

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.

 

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

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 :

 

Avantages

 

Inconvénients

 

Le système donne des recommandations plus précises et plus variées.

 

Les préférences des téléspectateurs évoluent avec le temps, et certaines recommandations peuvent ne plus être adaptées à leurs nouvelles envies.

 

 

Plus l'audience est importante, plus cela prend de temps pour faire des recommandations.

 

 

La méthode est vulnérable à une interférence délibérée de faux comptes qui visent à améliorer le classement du contenu.

 

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

 

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

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.

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

 

 

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

Signes explicites

 

  • Formulaires complétés
  • Évaluation
  • Évaluation honnête et non ambiguë du contenu

Signes implicites (tous les éléments qui suggèrent indirectement la réaction de l'utilisateur envers le film)

  • Durée de visionnage
  • Commentaires
  • Avance rapide
  • Le fait de re-regarder 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.

 

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

 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

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

Comment fonctionnent les services après-vente et pourquoi ils représentent un impératif pour les opérateurs

Dans cet article, nous allons nous pencher sur les services après-vente, qui sont l’un des outils permettant de gagner la confiance du client et d'augmenter les revenus de l'entreprise.

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

RDK : une plateforme open-source flexible pour les services vidéo

La plateforme RDK est aujourd’hui une solution de plus en plus populaire auprès des opérateurs IPTV/OTT. La solution offrant un écosystème optimisé ainsi qu’une grande simplicité de développement, le nombre d'appareils fonctionnant sur cette plateforme dépasse désormais les 60 millions.

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

Application pour Smart TV : tout ce que vous devez savoir avant le lancement

Avant de choisir un système d'exploitation, les opérateurs doivent identifier les préférences de leurs futurs clients et les appareils les plus populaires dans leur région. Par exemple,

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.