„Telepathie“ durch neuronale Netze: Wie personalisierte Empfehlungen Zuschauern und Betreibern helfen

Das amerikanische Magazin Time bezeichnete 2020 als das schlechteste Jahr aller Zeiten, aber für die großen Streaming-Giganten trifft das nicht zu: Die Aktien von Netflix, Amazon und Disney übertreffen im Jahr 2020 alle Rekorde und wachsen weiter.

In ihrer Selbstisolierung begannen die Menschen, verschiedene Videodienste zu abonnieren, und sahen sich sofort mit einem neuen Problem konfrontiert: Was soll man sich ansehen? Früher orientierte man sich bei der Auswahl der Inhalte an der Auswahl der Themenportale und den Empfehlungen von Freunden. Diese Quellen berücksichtigen jedoch nicht die individuellen Vorlieben jedes Nutzers, was zu einem Paradoxon führt: Die Suche nach Inhalten nimmt viel mehr Zeit in Anspruch als das eigentliche Anschauen.

Streaming-Dienste haben dieses Problem gelöst, indem sie personalisierte Inhaltsempfehlungen anbieten. In diesem Artikel wird erläutert, wie diese Systeme funktionieren und warum die Betreiber sie brauchen.

Grundprinzipien für den Aufbau von Empfehlungssystemen

Empfehlungssysteme schlagen Filme und Fernsehserien vor, die für einen Zuschauer von Interesse sein könnten. Es gibt vier Hauptansätze für die Entwicklung von Empfehlungssystemen:

• Inhaltsbasierte Filterung
• Kollaborative Filterung
  

• Wissensbasierte Filterung
• Hybride Filterung
  

Schauen wir uns die Besonderheiten der einzelnen Ansätze genauer an.

Inhaltsbasierte Filterung

Diese Methode basiert auf der Suche nach den gemeinsamen Attributen verschiedener Inhalte. So basieren beispielsweise Filmempfehlungen oft auf Merkmalen wie Regisseur, Besetzung, Genre und Dauer. Einige Systeme analysieren auch die Filmbeschreibungen für die TF-IDF-Bewertung (wie wichtig ein bestimmtes Wort im Kontext des Dokuments ist).

Das Ziel der inhaltsbasierten Methode ist es, ein Profil jedes Elements zu erstellen, um anschließend nach Übereinstimmungen zu suchen. Wenn Sie also zum Beispiel "The Avengers" gesehen haben, werden Ihnen andere Filme des Marvel Cinematic Universe, Filme mit Robert John Downey Jr. und Werke von Joss Whedon empfohlen.

Dieser Ansatz hat sowohl Vor- als auch Nachteile:

Kollaborative Filterung

Kollaborative Filterung bietet Empfehlungen, die auf dem Feedback von Nutzern mit ähnlichen Interessen und Verhaltensweisen basieren.

Das System soll beispielsweise entscheiden, ob es Nutzer A die Serie "Rick and Morty" empfehlen soll oder nicht. Der Algorithmus "scannt" die Datenbank - er sucht nach den Zuschauern, die diesen Inhalt positiv bewertet haben - und bildet eine Präferenzmatrix. In der folgenden Tabelle zeigt jede Zeile das Nutzerfeedback, während jede Spalte einen Film darstellt. Das System spricht Empfehlungen aus, indem es nach Ähnlichkeiten in dieser Tabelle sucht.

Algorithmus des kollaborativen Filters

In unserem Beispiel hat Benutzer A mehr gemeinsame Vorlieben mit Benutzer D. Das System kommt zu folgendem Schluss: Wenn Benutzer D die Serie "Rick and Morty" hoch bewertet, könnte sie auch Benutzer A empfohlen werden.

Elementbasierte kollaborative Filterung

Dieser Filtertyp verwendet eher Filmbewertungen als Profildaten. Wenn z. B. die meisten Fans von "How I Met Your Mother" auch "The Big Bang Theory" hoch bewertet haben, kann letzterer allen empfohlen werden, die dem ersten Film fünf Sterne gegeben haben. Bei dieser Methode vergleichen wir die Spalten der Matrix und nicht die Zeilen.

Vor- und Nachteile dieses Ansatzes:

Wissensbasierte Filterung

Streaming-Dienste verwenden selten wissensbasierte Filtersysteme. Einige Betreiber bieten jedoch einzelne Elemente aus diesen Systemen an. Diese "Engines" werden meist dann eingesetzt, wenn es nicht möglich ist, genügend Informationen zu sammeln, um ein Kunden- oder Objektprofil zu erstellen.

Bei dieser Methode werden Filter verwendet. Bei einem Film sind dies das Genre, das Erscheinungsjahr, die Besetzung und der Regisseur. Diese Systeme werden von Beratern erstellt, die die Bedürfnisse der Kunden verstehen, nachdem sie die Zusammenhänge zwischen den verschiedenen Inhaltsattributen untersucht haben.

Diese Art der Empfehlung ist sehr präzise. Den Nutzern wird genau das angeboten, was sie brauchen, aber die Erstellung der wissensbasierten Filter ist kompliziert und zeitaufwändig.

Hybride Filterung

Diese Systeme kombinieren verschiedene Ansätze, um die Nachteile separater Systeme auszugleichen. Ein Online-Kino kann zum Beispiel ähnliche Filme empfehlen, die von Nutzern mit ähnlichen Vorlieben bewertet wurden.

Levels von Empfehlungssystemen

	Level 1—globale Bewertungen; Produkte, die in einer bestimmten Region bei Nutzern eines bestimmten Geschlechts oder Alters beliebt sind. Diese Bewertungen sind relativ stabil und können sich im Laufe der Zeit leicht verändern.
Level 2—Kurzfristige Trends; Trendfilme, Premieren, die im Moment die Aufmerksamkeit der Zuschauer auf sich ziehen, aber irgendwann an Popularität verlieren.

Zur Bewertung des Inhalts werden explizite und implizite Zeichen verwendet:

Fortgeschrittene Betreiber kombinieren diese Ansätze. Netflix zum Beispiel bittet neue Nutzer, ihre Lieblingsfilme zu nennen, und analysiert ihre Interaktionen, sobald sie beginnen, ihre Inhalte anzusehen.

So funktioniert es bei MAG-Set-Top-Boxen

Android TV MAG Media Player verwenden das Google-Empfehlungssystem. Seine Funktionsweise lässt sich am Beispiel von YouTube veranschaulichen, das denselben Algorithmus verwendet. Das System verwendet einen hybriden Ansatz: Es bewertet die Vorlieben eines bestimmten Nutzers und den Geschmack eines ähnlichen Publikums.

 YouTube’s Empfehlungsalgorithmus

• Das System besteht aus zwei trainierten neuronalen Netzen: "Kandidatengenerierung" und "Ranking".
• Das erste Netz wählt die Themenvideos aus. Aus Millionen verfügbarer Videos wählt es die relevantesten aus und übergibt diese an das zweite Netzwerk, das die Inhalte vom größten bis zum geringsten Interesse einstuft.
• Das System berücksichtigt die Sehgewohnheiten und den Kontext des Nutzers (Tageszeit, Alter, Geschlecht, Sprache und Land des Wohnsitzes).
• In der Ranking-Phase wird bei der Auswahl die erwartete Betrachtungsdauer berücksichtigt: Je länger andere Nutzer das Video ansehen, desto größer ist die Chance, dass es in die Empfehlungen aufgenommen wird.
• Auch die CTR (Click-Through-Rate) wird für das Ranking berücksichtigt - der Prozentsatz der Nutzer, die das Video abspielen, im Vergleich zu allen Nutzern, die es in den Empfehlungen sehen. Der CTR-Indikator darf nicht in unmittelbarem Zusammenhang mit der Betrachtungsdauer angewendet werden, da das System versucht, Clickbait aus den Suchergebnissen auszuschließen. Auch Nutzeraktivitäten wie Likes, Kommentare und Abonnements werden in diesem Stadium berücksichtigt. Videos mit geringem Involvement werden schnell abgelehnt.
• Während der Bemusterung führt das System A/B-Tests durch, bei denen einem Nutzer verschiedene Versionen der Auswahl gezeigt werden. Sollte eine davon ein großer Erfolg sein, wird das System sie bei künftigen Empfehlungen berücksichtigen. Auf diese Weise lernt es und wird effizienter.
  

Personalisierte Empfehlungen helfen den Betreibern, das Interesse des Publikums zu wecken, die Betrachtungsdauer der Inhalte zu erhöhen und die Loyalität der Abonnenten gegenüber dem Dienst zu steigern. Wenn der Inhalt den Interessen des Nutzers entspricht, wird er ihn sich bis zum Ende ansehen, und es besteht eine hohe Wahrscheinlichkeit, dass er sein Abonnement verlängert und den Dienst an Freunde weiterempfiehlt. Die personalisierten Empfehlungssysteme versorgen die Anbieter von Inhalten mit Informationen darüber, welche Inhalte die Nutzer gerne sehen. Auf der Grundlage dieser Daten können Filme und Serien produziert werden, die die Herzen und Köpfe der Zuschauer gewinnen.

Recommended

Neue Features von Ministra PRO im März

Mit der jüngsten Aktualisierung von Ministra PRO im März wurden bedeutende Neuerungen eingeführt, die darauf abzielen, die Arbeit der MAG TV-Boxen mit den Betriebssystemen Linux und Android zu verbessern. Dieses Update beinhaltet den Einsatz von Künstlicher Intelligenz zur Verbesserung des Kundensupports und führt automatische Anmeldefunktionen ein, die sowohl Effizienz als auch Benutzerfreundlichkeit erhöhen.

Wie die niedrige Fehlerquote bei der Produktion von MAG TV-Boxen Infomir zu einem globalen Marktführer für Linux-Geräte gemacht hat

Die Zuverlässigkeit von Endgeräten hat immer eine entscheidende Rolle bei der Herstellung von Unterhaltungselektronik gespielt. Die MAG TV Box ist ein Paradebeispiel dafür, wie Innovationsgeist und Qualitätssicherung ein Unternehmen an die Spitze des globalen Marktes für Linux-basierte Geräte katapultieren können. Infomir, ein ukrainisches Unternehmen, hat es geschafft, durch strenge Produktionsstandards und technische Exzellenz, die Fehlerrate seiner IPTV-Set-Top-Boxen auf ein Rekordtief zu senken. Dieser Artikel beleuchtet die Strategien und Maßnahmen, die Infomir zum Marktführer gemacht haben.

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.