Netflix推荐系统：为影视剧节约10亿美元的秘密

算法推荐的最重要价值在于它能够提高内容分发的效率，尤其是在今天内容产品以爆炸式的速度增长的语境之下，无论对于用户需求还是对于内容本身，个性化推荐系统无疑都是一个实现精准匹配、解决信息过载问题的重要手段。具体到影视领域，个性化推荐系统的价值也是显而易见的。用户在互联网上消费影视产品的时候，他们面对的是数十万乃至上百万部影视作品的巨大库存，而且这个数字每年还在陆续增加。从2012—2017年，我国的电影产量年均超过1000部、电视剧产量年均超过10000集。如果一名用户每天24小时不吃不睡只用来观看这些新增的影视作品，他的时间都是不够用的。在过去，几乎所有的视频网站都倾向于采用热门影视剧推荐的方式向所有用户进行千篇一律的内容推荐，举例而言，用户A和用户B登录某一家视频网站的时候，在两位用户的登录首页所看到的推荐作品是一样的，都是最近一段时间比较热门的影视剧集，视频网站并不会因为两位用户的性别、年龄、地域、职业、兴趣等差异化的属性向他们分别推荐更符合他们各自口味的影像内容。这就会导致所有视频网站的几乎绝大部分流量都流向少数的所谓“头部”内容，出现80/20现象：即80%的流量流向了20%的热门作品，其余80%的作品分享了剩余的20%流量。这种粗放式的经营方式在过去个性化推荐技术尚不流行的时代还有其生存的空间，但是随着流量红利的褪去以及内容产业竞争的加剧，面向用户进行的更集约化、更精准化的运营方式对影视作品的个性化推荐系统提出了更高的要求，算法推荐也成为影视作品分发环节的标配。

从国际上看，Netflix从2006年悬赏百万美元进行推荐算法大赛开始，就一直致力于不断优化面向用户消费需求的影像内容推荐系统，并取得了令人瞩目的业绩。截至2017年12月31日，Netflix全球用户总数已经达到1.1758亿人，其中付费用户超过6000万，每天在其网站上的观看时长超过1亿小时，这在很大程度上得益于其面向用户进行个性化匹配的算法推荐系统。更值得一提的是，根据Netflix官方的粗略估算，其推荐系统每年为它节约的运营费用为10亿美元左右。正是因为Netflix对其推荐系统的高度自信，所以它大胆地在用户登录的首页就采用了个性化的推荐算法，用户登录后首先看到的不是热门影视内容的推荐，而是为每名用户量身打造的差异化内容呈现。

这一策略也为Netflix带来了很好的回报：用户平均每3小时的视频播放时长中就有两小时是来自用户登录首页的个性化推荐内容。为了减少用户漫无目的进行内容搜索与过滤的时间，Netflix综合运用了多种算法在登录首页的最重要位置进行推荐。针对每位不同的用户都会有40行个性化的影视作品可供浏览选择，每行又有75部根据不同算法、不同标签和不同需求组合而成的推荐列表，而且每一部作品都清晰直白地向用户说明了为什么进行推荐的理由，例如用户喜欢的演员阵容或网络评分等。涉及具体的推荐算法，Netflix会根据用户的浏览记录选择相似的影像作品进行推荐、会根据内容排行榜的短期热点和周期性热点进行推荐、会根据继续观看的场景和用户搜索的场景进行推荐、会根据付费用户更加个人化的兴趣点进行推荐等。通过近几年不断改进和优化自身的算法，Netflix已经显著提高了它向用户推荐的影视作品的接受度，提升了这些内容的被播放比率。(www.xing528.com)

国内以影视作品为主的互联网企业在推荐算法方面起步较晚，尽管如此，国内的互联网企业近几年来也快速地在自身的业务领域加大了应用推荐系统的力度。例如，优酷在其首页上线了“优酷懂你”，向用户宣称看得越多其推荐的内容便会越符合用户的口味；腾讯视频上线了“你的专属频道”，通过算法为每位用户精挑细选量身打造个性化的内容频道；爱奇艺上线了“猜你喜欢”，以期借助于对过往浏览数据的挖掘找到用户可能会喜欢的同类内容；豆瓣的电影频道则专注于通过用户的“兴趣图谱”来挖掘标签体系和社交关系对于个性化影视作品推荐的巨大价值。事实上，未来的影视作品分发领域，版权和算法将是各大互联网企业能否在激烈的市场竞争环境下持续保持优势地位的两大关键要素。而随着数据挖掘、深度学习和人工智能技术不断地迭代进化，应用层面对于“千人千面”分发策略的不断完善也将推动着个性化推荐系统向着它的理想状态演进，从而使得内容平台方对用户的服务模式也逐渐从过去的主观臆断向基于数据的客观预测转变。