Netflix的推薦怎么做得貼心？

    通過這次百萬大獎賽，Netflix升級了自家網(wǎng)站的算法，在工程師中塑造了財大氣粗的大公司形象，發(fā)掘了無數(shù)優(yōu)秀算法人才，可謂一舉多得。更重要的是，它向用戶普及了“推薦”這個概念，并在用戶心目中將推薦這個概念與Netflix網(wǎng)站劃上了等號，從此用戶使用Netflix時對它的推薦系統(tǒng)有了更直觀的價值參照物——一百萬美金，天然產(chǎn)生信任感和參與感，不可不謂高明之至。

    下面，就讓我們看看，Netflix耗時三年開發(fā)、花費百萬、吸引無數(shù)業(yè)界精英關注的推薦系統(tǒng)都有哪些特性。

    為每個用戶建立畫像

    打開Netflix，首先彈出的是角色選擇窗口，通過一句親切的詢問“who's watching”，netflix迅速定位到用戶的年齡、性別、過去看過的視頻，甚至好友信息，并據(jù)此產(chǎn)生一個瀑布流主頁，結(jié)合獲取到的信息為用戶推薦符合口味的影片和電視劇。

    讓用戶知道為什么而推薦

    Netflix推薦系統(tǒng)中一個非常重要的特性就是“推薦理由”，在每個推薦板塊中，用戶能夠清楚地知道為什么獲得這些推薦結(jié)果。這些理由都是些口語化的句式，比如：“因為你看過**”，“我們猜你喜歡**”等等。這個舉措不但會給用戶帶來信任感，還會鼓勵他們更積極地參與到推薦互動中來，給予更多有效反饋。

    注重多樣性

    如果認為Netflix的推薦就是一行一行視頻海報組成的瀑布流，那你就錯了，它的推薦綜合了多種形式，并且很注重多樣性。同一個首頁中，不僅會根據(jù)用戶曾經(jīng)看過什么、也許會有的喜好推薦，netflix還專門開辟區(qū)域，為用戶推薦當天或當周最熱的視頻-即topN為用戶推薦。這些舉措在最大限度滿足用戶喜好的同時，為發(fā)現(xiàn)更多用戶喜愛影片提供了可能。

    利用好友鏈

    Netflix鼓勵使用Facebook登陸，因為一個Facebook賬號在帶來用戶身份特征的同時，還有一項非常重要的作用，那就是它所關聯(lián)的好友圈，這個圈就是用戶的互聯(lián)網(wǎng)社交圈，所謂物以類聚人以群分，通過好友們正在觀看的視頻，能更準確地推算用戶喜好。

    Genre系統(tǒng)這是Netflix最強大，也是最核心的推薦理念之一。這些“基因”可以廣泛如“喜劇”、“正劇”這些包括成千上萬的分類概念，也可以細分如“80年代的時間旅行科幻電影”這種主題。每個基因下限制一個影片集合，再按照影片本身屬性與該基因吻合程度排序。

    一個用戶會看到什么樣的基因內(nèi)容呢？這個就要結(jié)合前面所有特征：用戶角色、瀏覽歷史、多樣性、好友信息等等，再糅合保證讓用戶有足夠新鮮感的更新特征，最終選擇合適的Genre展現(xiàn)在用戶面前。在用戶瀏覽每個基因下的影片時，Netflix還會采取手段吸引用戶為基因的合理性打分。

    相似度系統(tǒng)

    Netflix除了top N和Genre系統(tǒng)外，還有一個重要的推薦形式，被Netflix穿插在推薦系統(tǒng)中，那就是相似度推薦。這個相似度推薦可以是兩個影片的相似度，也可以是兩個用戶的相似度，它可以出現(xiàn)在播放頁里，也會出現(xiàn)在搜索結(jié)果中，甚至首頁timeline中，作為一個Genre出現(xiàn)。

    推薦系統(tǒng)發(fā)展到現(xiàn)在，已經(jīng)是一個擁有無數(shù)工程師、眾多分支共同發(fā)展的成熟體系，它在大部分網(wǎng)站中也均有應用。以上提到的種種特性，可以說是凡有推薦網(wǎng)站都會或多或少采用的推薦措施。

    但是Netfilx推薦系統(tǒng)的強大之處在于它的將這些特性完美地綜合在了一起，在主頁上你會看到topN型的推薦，也會看到Genre型推薦，還會看到根據(jù)歷史的相關推薦，但它同時保持了界面的簡潔，每個推薦都有適當?shù)睦碛桑屇阋谎劬椭浪鼮槭裁磿霈F(xiàn)在timeline里。這正符合了推薦的作用：讓用戶最快最簡便地找到所需信息。

    結(jié)語

    最后，讓我們揭開懸念，看看價值百萬美金的算法究竟是什么樣子：獲勝團隊 BPC 的算法的高明之處在于考察了用戶評級數(shù)據(jù)中的時間和“頻率”，用戶在為影片打分時往往帶有情緒影響，而情緒是與時間有關的。

    另外，用戶的口味也許隨著時間的變化而變化。對比一位用戶五年之前的打分和他最近的打分，肯定他最近的打分更為準確地反映了他當前的好惡標準，在決定他明天可能喜好哪些電影時所起的作用更大。于是 BPC 團隊就研究用戶評分的結(jié)果與他們打分的時間以及頻率之間的關系，建立了相關性模型。

    比如用戶在周一和周五在打分時所用的標準有差異，有些用戶在周日的情緒最好，這時所打的分數(shù)比平時偏高。通過這樣的分析，他們能更精確地發(fā)現(xiàn)用戶對電影的喜好口味，進而對他們打分的規(guī)律預測得更為準確。

    據(jù)我所知，Netflix已經(jīng)發(fā)布了第二次百萬大獎賽的懸賞，這一次，這個以傳統(tǒng)DVD租賃開始，卻以先進推薦技術笑傲群雄的網(wǎng)站，又會給我們帶來什么驚喜呢，讓我們拭目以待。