«Телепатия» нейросети: как персональные рекомендации помогают абонентам и операторам

Американский журнал Time признал 2020 год худшим в истории, но не для крупных стриминговых гигантов: акции Netflix, Amazon и Disney в 2020 побили исторические рекорды и продолжают расти до сих пор.

Оказавшись на самоизоляции, люди стали массово подписываться на видеосервисы, но тут же столкнулись с новой проблемой: что смотреть? Раньше при выборе контента зрители ориентировались на подборки тематических порталов и советы друзей. Однако эти источники не учитывают индивидуальные вкусы каждого пользователя и приводят к парадоксальной ситуации: поиск контента занимает больше времени, чем его просмотр.

Стриминговые сервисы решили эту проблему с помощью персональных рекомендаций контента. В этой статье мы расскажем, как работают эти системы и зачем они нужны.

Основные принципы построения рекомендательных систем

Рекомендательные системы — предлагают зрителю фильмы и сериалы, способные его заинтересовать. Существуют четыре основных подхода к созданию рекомендательных движков:

• Фильтрация, основанная на контенте (content-based filtering)
• Коллаборативная фильтрация (collaborative filtering)
  

• Фильтрация, основанная на знаниях (knowledge-based filtering)
• Гибридная фильтрация (hybrid filtering)
  

Расскажем подробнее об особенностях каждой из систем.

Фильтрация, основанная на контенте

Этот метод базируется на поиске общих атрибутов у разного контента. Например, рекомендации к фильмам часто основаны на таких характеристиках как режиссер, актеры, жанр и длительность. Некоторые системы также анализируют описания фильмов для оценки TF-IDF (насколько важно определенное слово в контексте документа).

Цель контент-ориентированного метода — создать профиль каждого предмета для дальнейшего поиска совпадений. Например, после просмотра «Мстителей» вам будут рекомендовать другие фильмы о вселенной Marvel, картины с Робертом Дауни-младшим и работы Джосса Уидона.

У этого подхода есть положительные и отрицательные стороны:

Коллаборативная фильтрация

Коллаборативная фильтрация предлагает рекомендации на основе оценок пользователей со схожими интересами или поведением.

Например, необходимо решить, рекомендовать ли Пользователю A мультсериал «Рик и Морти». Алгоритм «сканирует» базу в поисках зрителей, оценивших этот контент положительно, и строит матрицу предпочтений. В таблице ниже каждая строка означает оценку другого пользователя, а каждый столбец — фильм. Система дает рекомендации, ища сходства между строками в этой таблице.

Алгоритм работы коллаборативного фильтра

В нашем примере у Пользователя A больше общих предпочтений с Пользователем D. Система делает вывод: если Пользователь D  высоко оценил сериал «Рик и Морти», то его можно рекомендовать и Пользователю А.

Коллаборативная фильтрация на основе элементов

Этот вид фильтрации основывается не на данных профилей, а на рейтинге картин. Например, если большинство поклонников сериала «Как я встретил вашу маму» также высоко оценили «Теорию большого взрыва», то второй сериал можно рекомендовать всем, кто поставил 5 звезд первому. Используя этот метод мы сравниваем не строки, а столбцы матрицы.

Плюсы и минусы этого подхода:

Фильтрация, основанная на знаниях

Системы на основе знаний редко применяются в стриминговых сервисах, но некоторые операторы предлагают отдельные их элементы. Чаще всего такие «движки» используют в случаях, когда невозможно собрать достаточно информации, чтобы построить профиль клиента или объекта.

В данном методе применяют фильтры. Для фильма, например, это жанр, год выпуска, актерский состав и режиссер. Такие системы создают консультанты, знающие потребности клиентов и изучившие взаимосвязи между разными атрибутами контента.

Такой тип рекомендаций очень точен: пользователю предлагают именно то, что ему нужно, но и создавать фильтры, основанные на знаниях, сложно и долго.

Гибридная фильтрация

Такие системы объединяют в себе разные подходы, устраняя недостатки отдельных систем. Например, в онлайн-кинотеатре могут порекомендовать похожие картины и фильмы, оцененные пользователями с похожими предпочтениями.

Уровни работы рекомендательных систем

	1 уровень — глобальные оценки; продукты, популярные в том или ином регионе у пользователей определенного пола или возрастной группы. Эти оценки достаточно постоянны и незначительно меняются с течением времени.
2 уровень — кратковременные тренды; «модные» картины, премьеры, привлекающие зрительское внимание сейчас, но теряющие популярность со временем.

Для составления оценок используются явные и неявные признаки:

Продвинутые операторы комбинируют эти подходы: например, Netflix просит новых пользователей указать любимые картины, а когда те приступают к просмотру, анализирует их взаимодействия.

Как это работает в приставках MAG

Медиаплееры MAG на базе Android TV используют рекомендательную систему от Google. Проиллюстрировать принципы ее работы можно на примере YouTube, работающего по тому же алгоритму. Система использует гибридный подход: оценивает предпочтения отдельного пользователя и вкусы похожей аудитории.

  Алгоритм работы рекомендаций YouTube

• Система состоит из двух обучающихся нейронных сетей: «отбор кандидатов» и «ранжирование».
• Первая сеть отвечает за подбор видео по теме. Из миллионов доступных роликов она выбирает наиболее подходящие и передает их второй, ранжирующей контент от наиболее к менее интересному.
• Система учитывает историю просмотров пользователя и контекст (время суток, возраст, пол, язык, страну проживания).
• На этапе ранжирования подборка учитывает показатель ожидаемого времени просмотра: чем дольше другие пользователи смотрят видео, тем выше его шанс попасть в рекомендации.
• При оценке также учитывается CTR (click through rate) — процент пользователей, запустивших ролик, по отношению ко всем, кто увидел его в рекомендациях. Показатель CTR не применяется в отрыве от времени просмотра. Система стремится исключить из выдачи кликбейт. На этом этапе также учитывают активность пользователей: лайки, комментарии, подписки. Видео с низкой вовлеченностью быстро отсекаются.
• При составлении выборки проводят A/B-тестирование: пользователю показывают разные варианты подборок. Если какая-то из них пользуется большим успехом, система учитывает ее в дальнейших рекомендациях. Так она учится и становится эффективней.
  

Персональные рекомендации помогают операторам заинтересовать аудиторию, увеличить время просмотра контента, и повысить лояльность подписчиков к сервису. Если контент соответствует интересам пользователя, зритель досмотрит до конца, с высокой долей вероятности продлит подписку и порекомендует сервис знакомым. Операторам, создающим контент, системы персональных рекомендаций предоставляют информациею о том, какой хотят смотреть пользователи. Опираясь на эти данные, можно производить фильмы и сериалы, завоевывающие сердца и умы зрителей.

Recommended

UI/UX: без чего нельзя создать современный IPTV/OTT-сервис

Эксперты Infomir рассказывают, каким должен быть современный интерфейс умного телевизора или приставки и как оператору не ошибиться, проектируя внешний вид своего сервиса.

Как работает послепродажное обслуживание и нужно ли оно оператору

В этой статье мы расскажем, как послепродажное обслуживание помогает завоевать доверие потребителя и привлечь дополнительный доход компании.

AVoD или SVoD: какая модель сервиса приносит больше прибыли

Если спросить молодого человека, смотрит ли он телевизор, ответом, скорее всего, будет «нет». Но при этом молодежь проводит примерно столько же времени за просмотром видеоконтента, как и люди старшего поколения. Как такое возможно?

Пользователи действительно теряют интерес к тому, что мы называем традиционным телевидением: эфирному, кабельному и спутниковому вещанию. Их место занимают VoD-сервисы.