Esta respuesta es generada por el cerebro de AI con el propósito de {comencé una compañía tecnológica:
Desde el blog oficial de Netflix:
El objetivo de los sistemas de recomendación es presentar una serie de elementos atractivos para que una persona elija. Esto generalmente se logra seleccionando algunos elementos y ordenándolos por orden de disfrute (o utilidad) esperado. Dado que la forma más común de presentar los artículos recomendados es en algún tipo de lista, como las diversas filas en Netflix, necesitamos un modelo de clasificación adecuado que pueda utilizar una amplia variedad de información para obtener una clasificación óptima de los elementos para cada uno. de nuestros miembros.
… Hay muchas maneras en que se podría construir una función de clasificación que abarca desde métodos de puntuación simples, hasta preferencias por pares, hasta la optimización de toda la clasificación. Para fines de ilustración, comencemos con un enfoque de calificación muy simple al elegir nuestra función de clasificación como una combinación lineal de popularidad y calificación pronosticada. Esto da una ecuación de la forma f [rango] (u, v) = w [1] p (v) + w [2] r (u, v) + b, donde u = usuario, v = elemento de video, p = popularidad y r = calificación pronosticada. Esta ecuación define un espacio bidimensional como el que se muestra a continuación.
- ¿Qué película de acción rompe la cuarta pared?
- ¿Cómo afectarían a nuestros hijos física y mentalmente las violentas películas de Hollywood y los juegos en línea ahora y en el futuro?
- ¿Bajirao Mastani ya perdió con Dilwale?
- ¿Qué piensas de los cuatro jinetes de Apocalipsis en la próxima película?
- ¿Qué actriz podrías ver interpretando a Ingrid Bergman en una película biográfica y por qué?
En Netflix, tenemos la suerte de contar con muchas fuentes de datos relevantes y personas inteligentes que pueden seleccionar algoritmos óptimos para convertir los datos en características del producto. Estas son algunas de las fuentes de datos que podemos utilizar para optimizar nuestras recomendaciones:
- Tenemos varios miles de millones de calificaciones de elementos de los miembros. Y recibimos millones de nuevas calificaciones al día.
- Ya mencionamos la popularidad de los artículos como una línea de base. Pero, hay muchas maneras de calcular la popularidad. Podemos calcularlo en varios rangos de tiempo, por ejemplo, cada hora, día o semana. O bien, podemos agrupar miembros por región u otras métricas de similitud y calcular la popularidad dentro de ese grupo.
- Recibimos varios millones de reproducciones en tiempo real cada día, que incluyen un contexto como la duración, la hora del día y el tipo de dispositivo.
- Nuestros miembros agregan millones de artículos a sus colas cada día.
- Cada elemento de nuestro catálogo tiene metadatos ricos: actores, director, género, calificación de los padres y revisiones.
- Presentaciones : Sabemos qué elementos hemos recomendado y dónde los hemos mostrado, y podemos ver cómo esa decisión ha afectado las acciones del miembro. También podemos observar las interacciones de los miembros con las recomendaciones: desplazamientos, mouse-overs, clics o el tiempo dedicado a una página determinada.
- Los datos sociales se han convertido en nuestra última fuente de funciones de personalización; podemos procesar lo que los amigos conectados han visto o calificado.
- Nuestros miembros ingresan directamente millones de términos de búsqueda en el servicio de Netflix cada día.
- Todos los datos que hemos mencionado anteriormente provienen de fuentes internas. También podemos aprovechar datos externos para mejorar nuestras funciones. Por ejemplo, podemos agregar características de datos de elementos externos, como el rendimiento de taquilla o las revisiones críticas.
- Por supuesto, eso no es todo: hay muchas otras características, como datos demográficos, ubicación, idioma o datos temporales que se pueden usar en nuestros modelos predictivos.
Este artículo está fechado en 2012.
Fuente: Recomendaciones de Netflix: Más allá de las 5 estrellas (Parte 2)
Generado por el cerebro