More than 80 per cent of the TV shows and movies people watch on Netflix are discovered through the platform’s recommendation system. That means when you think you are choosing what to watch on Netflix you are basically choosing from a number of decisions made by an algorithm.
Netflix offers thousands of TV shows available for streaming. It recommends titles for each user. If you use Netflix you may have noticed they create reeeally precises genres: Romantic Dramas Where The Main Character is Left Handed. How do they come up with those genres? How to they deal with giving great recommendations to their 100 million-plus subscribers who are already used to getting recommendations from pretty much every platform they use? Machine learning, algoritmen en creativiteit. Dat zijn hun magische trucs om de vooroordelen van kijkers te doorbreken en shows te vinden waar ze in eerste instantie misschien niet aan zouden denken. Voor degenen die nog steeds proberen te achterhalen wat een algoritme is, het is in feite een set van op databases gebaseerde instructies die Netflix vertelt wat te doen.
Het aanbevelingssysteem werkt door gegevens samen te voegen die op verschillende plaatsen zijn verzameld. Aanbevolen rijen zijn afgestemd op uw kijkgewoonten. Daarom kun je zien wanneer je kleine neefjes je account hebben gebruikt om een miljard uur Peppa Pig te kijken. In dit geval worden algoritmen vaak gebruikt om machine learning mogelijk te maken. Systemen zoals Netflix die op machinaal leren zijn gebaseerd, herschrijven zichzelf naarmate ze van hun eigen gebruikers leren. Telkens wanneer je op play drukt en wat tijd besteedt aan het kijken naar een tv-programma of een film, verzamelt Netflix gegevens die het algoritme informeren en verversen. Hoe meer je kijkt, hoe actueler het algoritme.
De verzamelde gegevens zijn veelzijdig en complex, maar het gaat om veel meer dan alleen het verwerken van het genre van een programma dat een gebruiker bekijkt en hem of haar drama’s, romances of komedies aanraden. Todd Yellin, Netflix’s VP van productinnovatie, vertelde Wired in 2017: “wat we zien van die profielen is de volgende soorten gegevens – wat mensen kijken, wat ze daarna kijken, wat ze daarvoor kijken, wat ze een jaar geleden hebben gekeken, wat ze onlangs hebben gekeken en welk tijdstip van de dag”. De Netflix-ervaring wordt aangestuurd door een aantal machine learning-algoritmes: ranking, search, similarity, ratings en meer. Ze kunnen niet hun hele catalogus in één keer aanbieden, dus moeten ze die cureren. Omdat kwaliteit en smaak zelden hetzelfde zijn, kan Netflix niet werken als Rotten Tomatoes, Pitchfork of IMDb, ze moeten hun gebruikers kennen en aanbevelingen op maat krijgen voor elk individu.
Netflix werkt met smaakgroepen. Elke kijker past in meerdere groepen en deze hebben invloed op welke aanbevelingen er bovenaan elke interface op het scherm verschijnen, welke genre-rijen worden weergegeven en hoe elke rij is georganiseerd. Als je kijkgedrag overeenkomt met dat van een andere gebruiker, doet Netflix ook aanbevelingen op basis van het gedrag van die andere gebruiker.
De tags die worden gebruikt voor de algoritmen voor machinaal leren zijn overal ter wereld hetzelfde. Netflix heeft echte mensen ingehuurd om alle tv-programma’s en films te categoriseren en tags toe te passen op elk van hen om hyperspecifieke microgenres te creëren, zoals “Visueel opvallende nostalgische drama’s” of “Ingetogen romantische roadtripfilms”.
Elke van deze gegevensfactoren komt samen om te bepalen in welke smaakgroep je past. Het scherm van elke gebruiker wordt gevuld – van links, rechts en van boven naar beneden – op basis van de groepen waartoe hij behoort.
Waarom toch rijen?
Chris Alvino, Machine Learning Engineer bij Netflix, legt uit dat ze voor rijen kiezen om het voor leden gemakkelijker te maken door een groot deel van hun catalogus te navigeren. Door samenhangende groepen video’s in een rij te presenteren, elke rij een zinvolle naam te geven en rijen in een handige volgorde te presenteren, kunnen leden snel beslissen of een hele reeks video’s in een rij waarschijnlijk iets bevat dat ze op dat moment interessant vinden om te bekijken. Dit stelt leden in staat om ofwel dieper te duiken en te zoeken naar meer video’s in het thema of om ze over te slaan en naar een andere rij te kijken.
Elk apparaat heeft verschillende hardwaremogelijkheden die het aantal rijen dat op een bepaald moment wordt weergegeven kunnen beperken en hoe groot de hele pagina kan zijn dit is waarom Netflix zich bewust moet zijn van de beperkingen van elk apparaat.
Elke rij kan een uniek en gepersonaliseerd deel van de catalogus bieden waar een lid doorheen kan navigeren. Een deel van de uitdaging voor Netflix is het creëren van bruikbare groeperingen van video’s om de diepte in de catalogus te benadrukken en leden te helpen om niet alleen hun interessegebieden te versterken maar ook nieuwe te vinden. Aanbevelingen moeten fris en responsief zijn, maar ook stabiel, zodat mensen bekend zijn met hun homepage en gemakkelijk video’s kunnen vinden die ze in het recente verleden zijn aanbevolen.
An Image is Worth a Thousand Words
Netflix heeft onlangs een nieuw aanbevelingsalgoritme geïmplementeerd dat is gebaseerd op kunstwerken. Het serveert unieke op maat gemaakte afbeeldingen aan zijn abonnees. Deze beelden zijn speciaal ontworpen om je te laten blijven hangen in Netflix. Het houdt rekening met veel van dezelfde datafactoren die we hebben genoemd.
Gopal Krishnan legde alles uit over dit nieuwe algoritme op zijn technische blogpost. Netflix heeft gewerkt aan een raamwerk dat hen in staat stelt om big data effectief te kruisen met creativiteit, zodat gebruikers sneller shows en films ontdekken die ze leuk vinden en voorkomen dat ze overweldigd worden door de HUGE catalogus van Netflix. Als resultaat van dat onderzoek hebben ze nu de unieke mogelijkheid om te begrijpen welke beelden het beste werken voor elke gebruiker.
Ze zeggen dat als ze de aandacht van een gebruiker niet binnen 90 seconden weten te vangen, hij of zij waarschijnlijk de interesse verliest en naar een andere activiteit overstapt. Met zo’n korte tijd om de aandacht te trekken, is beeld de meest efficiënte en overtuigende manier om gebruikers zo snel mogelijk de perfecte titel te laten ontdekken.
Ze hebben een systeem gebouwd dat een set afbeeldingen test voor een groot aantal titels in hun catalogus die helpen een overtuigende afbeelding weer te geven om betrokkenheid te stimuleren. Door middel van vele experimenten en tests is Netflix tot de conclusie gekomen dat het zien van een bepaald scala aan emoties mensen er daadwerkelijk toe aanzet om een tv-programma of film te bekijken. Dit is waarschijnlijk te wijten aan het feit dat complexe emoties een schat aan informatie overbrengen aan gebruikers met betrekking tot de toon of het gevoel van de inhoud, maar het is interessant om te zien hoeveel leden daadwerkelijk op deze manier reageren tijdens het testen. Een voorbeeld hiervan is te zien in de recente winnende afbeelding (“winnend” betekent dat het dreef de meeste betrokkenheid) voor het tweede seizoen van Unbreakable Kimmy Schmidt hieronder:
That winning image is the one that would work best for a majority of Netflix users. But they have pushed even further and given the enormous diversity in taste and preferences, they decided to put together different artwork for each user to highlight the aspects of a show or movie that are relevant to them.
In order to choose which image each user has on their feed, Netflix focuses on what other shows and movies users have been watching. For example, a member who watches many movies featuring Uma Thurman would likely respond positively to the artwork for Pulp Fiction that contains Uma. Meanwhile, a fan of John Travolta may be more interested in watching Pulp Fiction if the artwork features John.
Not all the scenarios for personalizing artwork are this clear and obvious but data does all the work in order to choose the artwork for each user and improve the Netflix experience (and keep users binging, of course).
