La “telepatia” della rete neurale: come i consigli personalizzati aiutano spettatori e operatori

La rivista americana Time ha definito il 2020 l'anno peggiore di sempre, ma non è vero per i principali colossi dello streaming: le azioni Netflix, Amazon e Disney hanno battuto i record di tutti i tempi nel 2020 e continuano a crescere.

Essendo in autoisolamento, le persone hanno iniziato ad abbonarsi a vari servizi video e hanno subito affrontato un nuovo problema: cosa guardare? In precedenza, nella scelta dei contenuti, le persone erano guidate dalle selezioni dai portali tematici e dai consigli degli amici. Queste fonti, tuttavia, non tengono conto delle preferenze individuali di ciascun utente, portando così a un paradosso: la ricerca dei contenuti richiede molto più tempo della visualizzazione effettiva.

I servizi di streaming hanno risolto questo problema offrendo consigli personalizzati sui contenuti. In questo articolo, descriveremo in dettaglio come funzionano questi sistemi e perché gli operatori ne hanno bisogno.

Principi di base della costruzione di sistemi di raccomandazione

I sistemi di raccomandazione suggeriscono film e serie TV che potrebbero interessare uno spettatore. Esistono quattro approcci principali alla creazione di motori di raccomandazione:

• Filtraggio basato sul contenuto
• Filtraggio collaborativo
  

• Filtraggio basato sulla conoscenza
• Filtraggio ibrido
  

Diamo uno sguardo più da vicino ai dettagli di ciascun approccio.

Filtraggio basato sul contenuto

Questo metodo si basa sulla ricerca degli attributi comuni di contenuti diversi. Ad esempio, i consigli sui film sono spesso basati su caratteristiche come regista, cast, genere e durata. Alcuni sistemi analizzano anche le descrizioni dei film per la valutazione di TF-IDF (quanto è importante una determinata parola nel contesto del documento).

L'obiettivo del metodo basato sul contenuto è creare un profilo di ogni elemento per cercare le corrispondenze in seguito. Quindi, ad esempio, dopo aver visto "The Avengers", i consigli per te includeranno altri film del Marvel Cinematic Universe, film con Robert John Downey Jr. e opere di Joss Whedon.

Questo approccio ha sia vantaggi che svantaggi:

Filtraggio collaborativo

Il filtro collaborativo offre consigli basati sul feedback degli utenti con interessi e comportamenti simili.

Ad esempio, il sistema dovrebbe decidere se consigliare o meno la serie "Rick and Morty" all'utente A. L'algoritmo "scansiona" il database, cercando gli spettatori che hanno valutato questo contenuto come positivo, e forma una matrice di preferenza. Nella tabella seguente, ogni riga mostra il feedback degli utenti, mentre ogni colonna rappresenta un film. Il sistema fornisce raccomandazioni cercando somiglianze in questa tabella.

Algoritmo di filtro collaborativo

Nel nostro esempio, l'utente A ha preferenze più comuni con l'utente D. Il sistema conclude quanto segue: se l'utente D ha valutato positivamente la serie "Rick and Morty", potrebbe essere consigliato anche all'utente A.

Filtraggio collaborativo basato su elementi

Questo tipo di filtro utilizza le valutazioni dei film anziché i dati del profilo. Ad esempio, se la maggior parte dei fan di "How I Met Your Mother" ha anche valutato molto bene "The Big Bang Theory", quest'ultimo potrebbe essere consigliato a tutti coloro che hanno dato cinque stelle al primo. Usando questo metodo, confrontiamo le colonne della matrice anziché le linee.

Vantaggi e svantaggi di questo approccio:

Filtraggio basato sulla conoscenza

I servizi di streaming raramente utilizzano sistemi di filtraggio basati sulla conoscenza. Tuttavia, alcuni operatori offrono singoli elementi di questi sistemi. Questi “motori” vengono utilizzati principalmente quando è impossibile raccogliere informazioni sufficienti per creare un profilo client o oggetto.

Questo metodo utilizza i filtri. Per un film, questi saranno il genere, l'anno di uscita, il cast e il regista. Questi sistemi sono stabiliti da consulenti che comprendono le esigenze dei clienti, seguendo lo studio delle interrelazioni tra i vari attributi di contenuto.

Questo tipo di raccomandazione è abbastanza preciso. Agli utenti viene offerto esattamente ciò di cui hanno bisogno, ma creare filtri basati sulla conoscenza è complicato e richiede tempo.

Filtraggio ibrido

Questi sistemi combinano approcci diversi, affrontando gli svantaggi dei sistemi separati. Ad esempio, un cinema online può consigliare film simili valutati da utenti con preferenze simili.

Livelli dei sistemi di raccomandazione

	Livello 1: valutazioni globali; prodotti che sono popolari in una determinata regione tra gli utenti di un determinato sesso o età. Queste valutazioni sono abbastanza stabili e possono cambiare leggermente nel tempo.
Livello 2: tendenze a breve termine; film di tendenza, anteprime che attirano l'attenzione dello spettatore in questo momento ma che alla fine perdono popolarità.

I segni espliciti e impliciti vengono utilizzati per valutare il contenuto:

Gli operatori avanzati combinano questi approcci. Netflix, ad esempio, chiede ai nuovi utenti di indicare i loro film preferiti e analizza le loro interazioni una volta che iniziano a guardare i loro contenuti.

Come funziona nei set-top box MAG

I lettori multimediali Android TV MAG utilizzano il sistema di raccomandazione di Google. I suoi principi di funzionamento possono essere esemplificati da YouTube utilizzando lo stesso algoritmo. Il sistema utilizza un approccio ibrido: valuta le preferenze di un determinato utente ei gusti di un pubblico simile.

 Algoritmo di raccomandazione di YouTube

• Il sistema è composto da due reti neurali addestrate: "generazione di candidati" e "classificazione."
• La prima rete seleziona i video tematici. Tra milioni di video disponibili, seleziona i più rilevanti e li affida alla seconda rete che classificherà i contenuti dal più al meno interessante.
• Il sistema tiene conto della cronologia e del contesto di visualizzazione dell'utente (ora del giorno, età, sesso, lingua e paese di residenza).
• Nella fase di classifica, la selezione tiene conto della durata di visualizzazione prevista: più a lungo gli altri utenti stanno guardando il video, maggiori sono le possibilità di trasformarlo in consigli.
• Anche il CTR (percentuale di clic) viene preso in considerazione ai fini del ranking: una percentuale di utenti che hanno iniziato a riprodurre il video rispetto a tutti coloro che l'hanno visto nei consigli. L'indicatore CTR potrebbe non essere applicato indipendentemente dalla durata della visualizzazione, poiché il sistema tenta di escludere il clickbait dai risultati della ricerca. Anche le attività dell'utente, come Mi piace, commenti e iscrizioni, vengono prese in considerazione in questa fase. I video a basso coinvolgimento vengono rapidamente rifiutati.
• Il sistema esegue test A/B durante il campionamento, mostrando diverse versioni delle selezioni a un utente. Se uno di questi dovesse avere un grande successo, il sistema ne terrà conto nelle future raccomandazioni. È così che impara e diventa più efficiente.
  

I consigli personalizzati aiutano gli operatori a suscitare l'interesse del pubblico, ad aumentare la durata della visualizzazione dei contenuti e ad aumentare la fedeltà degli abbonati al servizio. Se il contenuto soddisfa gli interessi dell'utente, lo spettatore lo guarderà fino alla fine e c'è un'alta probabilità che estenda l'abbonamento e raccomandi il servizio agli amici. I sistemi di raccomandazione personalizzati forniscono agli operatori che creano contenuti informazioni sui contenuti che gli utenti sono disposti a guardare. Sulla base di questi dati, si possono realizzare film e serie che conquisteranno i cuori e le menti degli spettatori.

Recommended

Nuove funzionalità di Ministra PRO rilasciate a Marzo

IL software Ministra PRO è stato aggiornato a marzo. Le nuove funzionalità semplificheranno il lavoro con i set-top box MAG basati su Linux e Android. Abbiamo implementato l'intelligenza artificiale per fornire un migliore supporto agli utenti. Tutto questo renderà l'esperienza del prodotto ancora più efficiente e conveniente.

In che modo il basso tasso di difetti nella produzione di set-top box MAG ha aiutato Infomir a diventare uno dei leader sul mercato globale dei dispositivi Linux

L'affidabilità dei dispositivi finali ha sempre svolto un ruolo fondamentale nella produzione di elettronica di consumo. Infomir in Ucraina è un ottimo esempio di come i rigorosi standard di produzione e l'eccellenza ingegneristica contribuiscono a una qualità superiore del prodotto. In questo articolo, parleremo di come Infomir è riuscita a ridurre il tasso di difetti a un livello record e ad assumere una posizione di leadership nel mercato dei set-top box 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.