Product request
You are looking for a solution:
Select an option, and we will develop the best offer
for you
“Telepatia” de rede neural: como recomendações personalizadas ajudam os telespectadores e as operadoras
A revista Americana Time nomeou 2020 como o pior ano de todos os tempos, mas isso não foi verdade para as grandes gigantes do streaming: As ações da Netflix, Amazon, e Disney bateram todos os recordes em 2020 e continuam a crescer.
Estando em autoisolamento, as pessoas começaram a assinar diversos serviços de vídeo e imediatamente se depararam com um novo problema: o que assistir? Antigamente, ao escolher conteúdo, as pessoas era guiadas pelas seleções dos portais temáticos e as recomendações de amigos. Essas fontes, porém, não levam em consideração as preferências individuais de cada usuário, assim levando a um paradoxo: buscar conteúdo leva muito mais tempo do que assistir.
Os serviços de streaming resolveram esta questão ao oferecerem recomendações de conteúdo personalizadas. Neste artigo, iremos detalhar como esses sistemas funcionam e por que as operadoras precisam deles.
Princípios básicos da construção de sistemas de recomendação
Sistemas de recomendações sugarem filmes e séries de TV que podem ser do interesse de um telespectador. Há quatro abordagens principais para a construção de mecanismos de recomendação:
- Filtragem baseada em conteúdo
- Filtragem colaborativa
- Filtragem baseada em conhecimento
- Filtragem híbrida
Vamos dar uma olhada mais próxima nos particulares de cada abordagem.
Filtragem baseada em conteúdo
Este método baseia-se em encontrar os atributos comuns de conteúdos diferentes. Por exemplo, recomendações de filmes são frequentemente baseadas em características como diretor, elenco, gênero e duração. Alguns sistemas também analisam as descrições dos filmes por avaliação TF-IDF (o quão importante uma certa palavra é no contexto do documento).
A meta do método baseado em conteúdo é de criar um perfil de cada item para buscar resultados semelhantes. Se, por exemplo, você assistiu “Os Vingadores”, as suas recomendações incluirão outros filmes do universo cinematográfico da Marvel, filmes estrelando Robert Downey Jr., e obras de Joss Whedon.
Esta abordagem tem vantagens e desvantagens:
Vantagens |
Desvantagens |
Recomendações não dependem dos dados dos outros usuários. |
Ao formar grupos de itens semelhantes, o sistema limita as recomendações de outro conteúdo. Isso leva a uma “bolha de filtro”. |
Não há nenhum problema de “início a frio” para os novos filmes porque seus atributos principais são prontamente conhecidos. |
Se as informações sobre os produtos for limitada, eles serão muito mais difíceis de agrupar, e resultarão em uma qualidade reduzida de recomendação. |
Filtragem colaborativa
A filtragem colaborativa oferece recomendações com base nos comentários dos usuários que têm interesses e comportamento semelhante.
Por exemplo, o sistema deve decidir se recomendará ou não a série “Rick and Morty” ao Usuário A. O algoritmo irá “escanear” a base de dados - buscando os telespectadores que avaliaram este conteúdo positivamente - e formará uma matriz de preferências. Na tabela abaixo, cada linha mostra os comentários dos usuários, enquanto cada coluna representa um filme. O sistema faz recomendações procurando semelhanças nesta tabela.
Algoritmo de filtragem colaborativa
No nosso exemplo, o Usuário A tem mais preferências em comum com o Usuário D. O sistema conclui o seguinte: se o Usuário D deu uma nota alta para a série “Rick and Morty”, então poderá ser recomendada ao Usuário A também.
Filtragem colaborativa baseada em elementos
Este tipo de filtragem usa as classificações de filmes ao invés dos dados de perfil. Por exemplo, se a maioria dos fãs de “How I Met Your Mother” também avaliaram bem “Big Bang Theory”, então este último pode ser recomendado a todos que deram cinco estrelas ao primeiro. Usando este método, comparamos as colunas da matriz ao invés das linhas.
Vantagens e desvantagens desta abordagem:
Vantagens |
Desvantagens |
O sistema dá recomendações mais precisas e diversas. |
As preferências de visualização mudam com o tempo, e algumas recomendações podem se tornar irrelevantes. |
Quanto maior for o público, mais tempo é necessário para fazer recomendações. | |
Vulnerabilidade a interferência deliberada da parte de contas falsas que têm como objetivo melhorar a classificação do conteúdo. |
Filtragem baseada em conhecimento
Serviços de streaming raramente usam sistemas de filtragem baseados em conhecimento. Porém, algumas operadoras oferecem elementos individuais desses sistemas. Esses “motores” são principalmente usados quando é impossível coletar informações suficientes para construir um perfil de cliente ou objeto.
Este método usa filtros. Para um filme, esses serão o gênero, ano de lançamento, elenco e diretor. Esses sistemas são estabelecidos por consultores que entendem as necessidades dos clientes, após o estudo as inter-relações entre os diversos atributos de conteúdo.
Este tipo de recomendação é bastante precisa. Usuários são oferecidos exatamente o que precisam, mas produzir os filtros baseados em conteúdo é complicado e demorado.
Filtragem híbrida
Esses sistemas combinam diferentes abordagens, lidando com as limitações de sistemas separados. Por exemplo, um cinema online pode recomendar filmes semelhantes avaliados por usuários que têm preferências semelhantes.
Níveis de sistemas de recomendação
![]() | Nível 1—audiências globais; produtos que são populares em uma certa região entre usuários de um certo gênero ou idade. Essas avaliações são bem estáveis e podem mudar um pouco ao longo do tempo. |
Nível 2—tendências de curto prazo; filmes fazendo sucesso, estreias atraindo a atenção do público agora mas que eventualmente perdem popularidade. | ![]() |
Sinais implícitos e explícitos são usados para classificar conteúdo:
Sinais explícitos
| Sinais implícitos (tudo que sugere indiretamente a atitude dos usuários em relação ao filme)
|
Operadoras avançadas combinam essas duas abordagens. O Netflix, por exemplo, pede que os novos usuários indiquem seus filmes favoritos e analisa suas interações uma vez que eles começam a assistir seu conteúdo.
Como funciona com decodificadores MAG
Reprodutores de mídia Android TV MAG usam o sistema de recomendação do Google. Seus princípios de operação podem ser exemplificados pelo Youtube usando o mesmo algoritmo. O sistema emprega uma abordagem híbrida: ele avalia as preferências de um certo usuário e os gostos de um público semelhante.
YouTube’s recommendation algorithm
- O sistema é composto de duas redes neurais treinadas: “geração de candidatos” e “classificação”.
- A primeira rede seleciona os vídeos dos tópicos. De milhões de vídeos disponíveis, ele seleciona os mais relevantes e coloca eles em uma segunda rede que irá classificar o conteúdo do mais até o menos interessante.
- O sistema leva em consideração o histórico de visualização do usuário e o contexto (horário, idade, gênero, língua, e país de residência).
- Na etapa de classificação, a seleção leva em consideração a duração esperada de visualização: quanto mais tempo outros usuários estiverem assistindo o vídeo, quanto maiores as chances de que se tornarão recomendações.
- CTR (a taxa de clickthrough) também é considerada para a classificação—uma porcentagem dos usuários que começaram a reproduzir o vídeo comparado a todos aqueles que o viram nas recomendações. O indicador CTR pode não ser aplicado sem ter relação com a duração de visualização, conforme o sistema tenta excluir clickbait dos resultados de busca. As atividades dos usuários, tais como likes, comentários e assinaturas são levadas em consideração neste estágio também. Vídeos com baixo envolvimento são rapidamente rejeitados.
- O sistema conduz testes A/B durante a amostragem, mostrando diferentes versões de seleções a um usuário. Caso um desses seja um grande sucesso, o sistema levará isso em consideração nas futuras recomendações. É assim que aprende e se torna mais eficiente.
Recomendações personalizadas ajudam as operadoras a aumentar o interesse dos públicos, aumentar a duração da visualização de conteúdo, e aumentar a lealdade dos assinantes ao serviço. Se o conteúdo atende aos interesses do usuário, o telespectador irá assisti-lo até o final, e há uma grande chance de que ele estenderá a assinatura e recomendará o serviço aos amigos. Os sistemas de recomendações personalizadas provêm as operadoras produtoras de conteúdo com informações sobre qual conteúdo os usuários desejam assistir. Com base nesses dados, é possível fazer filmes e séries que conquistarão os corações e mentes dos telespectadores.
Recommended

Como os serviços de pós-vendas funcionam e por quê as operadoras precisam deles
Neste artigo, nós exploraremos os serviços pós venda — uma das ferramentas para ganhar a confiança dos clientes e fortalecer a renda da empresa.

O que é a personalização, e por que é importante para as operadoras?
O termo «personalização» é usado em muitas áreas da produção: de roupas a eletrônicos. Esta palavra significa moldar um produto ou serviço às necessidades de clientes específicos.

RDK: uma plataforma de fonte aberta flexível para serviços de vídeo
A plataforma RDK tem se tornado uma solução cada vez mais popular para operadoras IPTV/OTT. Ela oferece o ecossistema junto com simplicidade de desenvolvimento, e o número de dispositivos funcionando nesta plataforma já excedeu os 60 milhões.