转：netflix推荐系统竞赛
2020-12-13 02:35
推荐无处不在
Netflix个性化系统的另一个重要元素是认知（awareness）。我们想让我们的用户知道我们是怎么把握到他们的喜好的。这不仅仅能使用户信任我们的系统，而且鼓励用户提交更多的反馈来帮助我们的推荐做到更好。个性化系统的另一个可以提升信任度的方式是提供推荐理由：为什么我们要推荐这部电影或剧集？不是因为它满足了我们的商业需求，而是基于我们从用户那里获得的信息（用户的评分、观看记录、用户朋友的推荐等等）。
还有基于好友的推荐，我们最近刚刚在47个相关国家中的46个发布了我们的Facebook连接组件，只有美国除外，这是因为考虑到VPPA（《录像隐私权保护法案》，1998）的影响。通过了解朋友们在做什么，不仅仅为我们的推荐算法提供了另一个数据来源，也使我们能够以“社交圈”为主题生成几行新的推荐结果。
我们的推荐服务中让人印象深刻的一点便是“风格”为主题的几行推荐结果。这里包含了像“喜剧”这样的大类，也包含了"时空穿越剧“这样的非常长尾的小类。每一行的展现都考虑了三个方面：选择哪一种风格；选这个风格里的哪些视频；这些视频如何排序。用户对这个模块的关注度是很高的，当我们把长尾的类别放到前面的时候，检测到用户停留时间有明显的增长。新颖性和多样性也是我们选择视频时要考虑的因素。
我们也为每一行的选择提供了推荐理由，有些是基于隐式反馈：最近观看、用户评分和其他交互，有些是基于显式反馈，显式反馈是通过我们邀请用户做口味偏好测试得来的。
基于相似性的推荐也是我们提供个性化服务的一方面。相似性是一个很宽泛的概念，描述的对象可以是不同的电影、用户，也可以是评分、视频元信息等。这些相似性的计算也会用于别的模块。基于相似性的推荐用在多种场景之中，例如当用户搜索一个电影或者把一部电影放到观看列表的时候，也可以用来生成”动态风格“的推荐结果，这些结果是基于用户最近看过的视频。
上述的场景，包括优选的10行推荐、风格推荐、基于相似性的推荐，都要涉及到排序算法，这是提供有效的推荐结果的关键一步。排序系统的目标是为不同的场景发现用户最感兴趣的视频。我们把排序系统分解为：评分、排序、过滤几部分。我们的商业目标是最大化用户的满意度和每月订阅比例，这实际上等价与最大化用户对视频的观看次数。因而我们把用户兴趣得分最高的视频推荐给用户。
现在我们很清楚，Netflix Prize对电影评分的预测，只是构建有效的推荐系统的众多组成的一种。我们也需要考虑像用户场景、视频流行度、新颖性、多样性、用户兴趣、可解释性等方方面面。为了兼顾这些要素，我们要挑选合适的算法。在下一部分，我们将要详细地讨论排序问题，同时也涉及到我们的数据和模型，以及我们为满足以上需求所做的创新。
第二部分
上一篇：Java递归获得TreeJson
下一篇：MDI和继承窗体设计