Отдел продаж

Оформление заказа

Вы ищете решение:

Выберите свой вариант, и мы составим для вас наиболее выгодное
предложение

Какие продукты вас интересуют?

Выберите свой вариант, и мы составим для вас наиболее выгодное
предложение

Чтобы продолжить, пожалуйста, выберете продукты.

В ответном письме мы хотим обратиться к вам по имени

Чтобы продолжить пожалуйста заполните поле

Никакой рекламы. По этому адресу с вами свяжется менеджер

Чтобы продолжить, пожалуйста, заполните поле.

Вам ответит менеджер из вашего региона

Чтобы продолжить, пожалуйста, выберете страну доставки.

Укажите номер телефона и менеджер свяжется с вами

Чтобы продолжить, пожалуйста, введите свой номер телефона.

Выберите сферу деятельности и мы составим для вас наиболее выгодное предложение

Чтобы продолжить, пожалуйста, выберете сферу деятельности.

Укажите юридическое название вашей компании

Чтобы продолжить, пожалуйста, укажите название вашей компании.

Расскажите о своем проекте

Чтобы продолжить, пожалуйста, опишите ваш проект.

0 / 800

Подтвердите данные

Какие продукты вас интересуют?

Выберите свой вариант, и мы составим для вас наиболее выгодное предложение

Чтобы продолжить, пожалуйста, выберете один из вариантов.

В ответном письме мы хотим обратиться к вам по имени

Чтобы продолжить пожалуйста заполните поле.

Никакой рекламы. По этому адресу с вами свяжется менеджер

Чтобы продолжить пожалуйста заполните поле

Никакой рекламы. По этому адресу с вами свяжется менеджер

Чтобы продолжить, пожалуйста, введите свой номер телефона.

Выберите сферу деятельности и мы составим для вас наиболее выгодное предложение

Чтобы продолжить, пожалуйста, выберете сферу деятельности.

Укажите юридическое название вашей компании

Чтобы продолжить, пожалуйста, укажите название вашей компании.

Вам ответит менеджер из вашего региона

Чтобы продолжить, пожалуйста, выберете страну доставки.

Расскажите о своем проекте

Чтобы продолжить, пожалуйста, опишите ваш проект.

Нажав 'Отправить', вы подтверждаете, что ознакомились с нашей политикой конфиденциальности и принимаете ее.

Спасибо!
Ваше сообщение отправлено.

Менеджер свяжется с вами в ближайшее время.

Никакой рекламы. По этому адресу с вами свяжется менеджер

Чтобы продолжить пожалуйста заполните поле.

Мы предоставим информацию по вашему региону

Чтобы продолжить, пожалуйста, выберете страну.

Подтвердите данные

Какие продукты вас интересуют?

Выберите свой вариант, и мы составим для вас наиболее выгодное предложение

Чтобы продолжить, пожалуйста, выберете продукты.

Никакой рекламы. По этому адресу с вами свяжется менеджер

Чтобы продолжить пожалуйста заполните поле.

Мы предоставим информацию о том, как можно приобрести указанное количество товара

Чтобы продолжить, пожалуйста, укажите количество продуктов.

Мы предоставим информацию по вашему региону

Чтобы продолжить, пожалуйста, выберете страну.

Нажав 'Отправить', вы подтверждаете, что ознакомились с нашей политикой конфиденциальности и принимаете ее.

Спасибо!
Ваше сообщение отправлено.

Ваш запрос будет обработан в ближайшее время.

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

«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)

 

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

 

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

 

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

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:

 

Плюсы

 

Минусы

 

Рекомендации не зависят от данных других пользователей.

 

Формируя группы похожих предметов, система ограничивает рекомендации другого контента. Из-за этого возникает «информационный пузырь».

 

Нет проблемы «холодного старта» для новых картин, т. к. их основные атрибуты известны сразу.

 

Если информации о продуктах мало, их сложнее группировать, и качество рекомендаций снижается.

 

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.

 

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

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:

 

Плюсы

 

Минусы

 

Система дает более точные и разнообразные рекомендации.

 

Зрительские предпочтения со временем меняются, и некоторые рекомендации могут устареть.

 

 

Чем больше пользователей, тем больше времени требуется для выработки рекомендаций.

 

 

Уязвимость к умышленному вмешательству фальшивых аккаунтов, ради повышения рейтинга контента.

 

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

 

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

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.

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

 

 

Для составления оценок используются явные и неявные признаки:

Явные признаки

  • заполненные анкеты
  • рейтинг
  • сознательные и недвусмысленные оценки контента

 

 

Неявные признаки (все, что косвенно намекает на отношение пользователя к картине)

  • время просмотра
  • комментарии
  • перемотки
  • повторные просмотры

 

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.

 

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

  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

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

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.

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

RDK: открытая и гибкая платформа для видеосервисов

В индустрии IPTV/OTT-услуг набирает популярность решение для операторов на платформе RDK. Эта платформа обладает своей экосистемой, простотой разработки, а количество работающих на платформе устройств уже превысило 60 млн девайсов.

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

Приложение для Смарт ТВ: что нужно знать перед запуском

Прежде чем определиться с операционной системой, оператору стоит изучить предпочтения будущих клиентов и выяснить, какие устройства наиболее популярны в его регионе.

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.

Мы используем cookie-файлы, чтобы оптимизировать работу сайта и предоставить вам лучший интерфейс; а также для продвижения нашей продукции. Ознакомьтесь с нашей политикой Cookie, чтобы узнать, как именно мы используем cookie-файлы, и как вы можете это контролировать.
Если вы продолжите пользоваться сайтом или закроете это сообщение — это значит, что вы согласны с нашей Политикой конфиденциальности и разрешаете использование cookie-файлов, как описано в политике Cookie.