string(62) "http://thecave.hu/wp-content/uploads/2016/09/norbert-boros.jpg"

Jan 11, 2017 | 6 months old

Hogyan működik Netflix ajánlórendszere?

A Netflixnek világszerte több mint 75 millió felhasználója van legalább 190 országban, mégis mindannyiuknak eltérő élményben van részük minden alkalommal, amikor belépnek. A Netflix az összes felhasználójának igyekszik megfelelni, amelyről a világ jelenleg legfejlettebb algoritmusa gondoskodik.

Az ajánló algoritmus 24 óránként frissül, hogy garantáltan olyan tartalmakat jelenítsen meg a felhasználók számára amelyek érdekesek, relevánsak nekik a 13 ezres adatbázisból (legalábbis elvben ekkora a globális film és sorozat paletta, de különböző jogi csűrés-csavarások miatt az elérhető tartalmak mennyisége országonként eltérő, így Magyarországon is jóval kevesebb címből válogathatunk).

Néha ezek az ajánlási csoportok nyilvánvalóak, például “az egyik barátodnak tetszett”, de esetenként meglepőek is előfordulnak, mint “a filmek erős női főszereplőkkel”.

Válasz a túl sok tartalom kihívására

A Netflix 2012 körül szembesült azzal a kihívással, hogy a hatalmasra duzzadt tartalommenyiségben a felhasználók egyre inkább kezdtek elveszni. Akár a Facebook News Feed esetében a usereket nagyban tehermentesíti, ha néhány tartalmat alapból nem mutatunk nekik, mert vélhetően irrelevánsak számukra.

Ugyanakkor egy kutatás után szembe kellett nézniük azzal a ténnyel is, hogy a felhasználók, ha 60-90 másodpercen belül nem találnak számukra érdekes néznivalót, akkor távoznak és más aktivitás után néznek, az is lehet, hogy a jó öreg klasszikus televíziózáshoz fordulnak. Így hamar bizonyossá vált, hogy a személyre szabás lehet az egyik legfontosabb feltétele annak, hogy a userek visszatérjenek a Netflixbe rendszeresen.

Túl optimalizált személyreszabás?

Az ajánló algoritmust úgy fejlesztették ki, hogy egy erős machine learning láb is befolyásolja az ajánlatokat, így a túloptimalizált személyreszabást is el tudják kerülni.

Tehát a rendszer ha például tudja, hogy a drámákat szeretem, akkor dráma műfajú filmeket és sorozatokat fog mutatni nekem. De időről-időre bedob mást is, hogy felmérje az érdeklődésemet. Tehát mondjuk horrorral próbálkozik, de ha azt látja, hogy semmit nem nézek meg ebből a műfajból, akkor más műfajokkal kezd kísérletezni.

Az ajánlórendszer pillérei

Meta adatok: Ami hasonlóvá tehet két filmet

Minden film adatlap rendelkezik meta adatokkal, például meg lehet vizsgálni két filmnél, hogy vajon hasonló értékelést kaptak-e hasonló időpontokban? Ezek mellett természetesen a felhasználók szokásait, magatartását szintén nyomon követik: böngészési, lejátszási, keresési szokásokat. A hasonlóságok néha attól függnek, hogy kiről is beszélünk pontosan. Vegyük például Pedro Almodóvar spanyol filmrendezőt. Lehet, hogy négy nagyon különböző filmet találunk Almodóvartól, de ennek ellenére a rendező olyan erős karakterrel rendelkezik, hogy ezeket a filmeket saját jelleme miatt mégis hasonlóvá teszi egymáshoz. Egy másik rendező, mondjuk Spielberg esetében, lehetséges, hogy már nem éppen ugyanez a helyzet.

A filmek és műsorok jellemzése: Manuális címkézés

Több mint 40 ember végzi a TV-műsorok és filmek manuális címkézését a Netlfix számára, elsősorban szabadúszók, akik ezt a tevékenységet jövedelmük kiegészítéseként végzik. Minden elemző TV- és filmrajongó, és sokan közülük a szórakoztatóiparban szerzett tapasztalattal is rendelkeznek.

Megtekintési minták

A Netflix tudja, hogy mit játszottál le, mit kerestél vagy mit értékeltél, valamint az időt, a dátumot és a készüléket is ismerik. Ugyanakkor a felhasználók interakcióit, illetve a böngészési és görgetési szokásait is trackelik. Minden adatot egy adott algoritmusba gyűjtenek, ezeket pedig különböző célokra optimalizálják.Tágabb értelemben a legtöbb Netflix algoritmus azon a feltételezésen alapul, hogy a hasonló megtekintési minták hasonló felhasználói ízlést tükröznek. A hasonló felhasználók szokásait pedig az ízlésük kikövetkeztetésénél hasznosíthatják.

Platformra és napszakra optimalizált ajánlás

A Netflix egyik fontos célja, hogy a kontextusokat bevezethesse az ajánlásokba. Bizonyos adatok azt sugallják, hogy a megtekintési szokások igencsak eltérőek lehetnek a hét napjainak, az adott napszaknak, a készüléknek és néha az adott elhelyezkedésnek a függvényében. Tehát a kontextuális ajánlás fejlesztésével a cél, hogy ha éjfélkor az iPadomon böngészek, különböző ajánlásokat láthatok ahhoz képest, mint amit este 8 órakor a TV-ben látnék.

Nem feltétlenül a raiting a döntő

Az emberek a Schindler listája típusú filmeket természetesen magasan értékelik a legostobább vígjátékokkal szemben. Valójában azonban például szerda este egy hosszú, fárasztó munkanap után az emberek nem biztos, hogy egy nehéz, bonyolult drámára vágynak. Ezért a megtekintési szokások a legfontosabb adatok. Az értékelések jó része sokkal inkább szándék jellegű, mintsem a napi tevékenységek tényleges visszatükrözése.

Az ajánlások generálják a megtekintéseket

Egy tranzakciós sitenál megeshet, hogy 90%-a annak, amit az emberek vásárolnak, a keresésekből származik. A Netflixnél ennek éppen az ellenkezője törénik. Az adatbázisuk hatalmas, és a keresési funkciójuk az, amit az emberek csak akkor alkalmaznak, ha a Netflix nem képes megmutatni nekik, hogy mit is nézzenek.

by Norbert Boros

Norbert is one of the partners of The Cave. As a professional leader, he focuses on UX and Data.

Sign up to our newsletter

Don’t miss any of the articles. Follow us!