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? Maskininlärning, algoritmer och kreativitet. Det är deras magiska trick för att hjälpa till att bryta tittarnas förutfattade meningar och hitta program som de kanske inte hade tänkt sig att titta på från början. För dem som fortfarande försöker lista ut vad en algoritm är, är det i princip en uppsättning databaserade instruktioner som talar om för Netflix vad de ska göra.
Rekommendationssystemet fungerar genom att sätta ihop data som samlas in från olika platser. Rekommenderade rader skräddarsys efter dina tittarvanor. Det är därför du kan se när dina små kusiner har använt ditt konto för att titta på en miljard timmar Peppa Pig. I det här fallet används ofta algoritmer för att underlätta maskininlärning. System som Netflix som bygger på maskininlärning skriver om sig själva när de lär sig av sina egna användare. Varje gång du trycker på play och tillbringar lite tid med att titta på ett tv-program eller en film samlar Netflix in data som informerar algoritmen och uppdaterar den. Ju mer du tittar desto mer uppdaterad är algoritmen.
De insamlade uppgifterna är mångfacetterade och komplexa, men det handlar om mycket mer än att bara bearbeta genren av ett program som en användare tittar på och rekommendera honom eller henne dramer, romanser eller komedier. Todd Yellin, Netflix vice vd för produktinnovation, berättade 2017 för Wired: ”Vad vi ser från dessa profiler är följande typer av data – vad folk tittar på, vad de tittar efter, vad de tittar innan, vad de tittade på för ett år sedan, vad de har tittat på nyligen och vilken tid på dagen”. Netflix-upplevelsen styrs av ett antal algoritmer för maskininlärning: ranking, sökning, likhet, betyg med mera. De kan inte erbjuda hela sin katalog på en gång så de måste kurera den. Eftersom kvalitet och smak sällan är samma sak kan Netflix inte fungera som Rotten Tomatoes, Pitchfork eller IMDb, de måste känna sina användare och få rekommendationer som är skräddarsydda för varje individ.
Netflix arbetar med smakgrupper. Varje tittare passar in i flera grupper och dessa påverkar vilka rekommendationer som dyker upp högst upp i varje gränssnitt på skärmen, vilka genrerader som visas och hur varje rad är organiserad. Om ditt tittarmönster liknar en annan användares kommer Netflix att servera rekommendationer baserade på den andra användarens beteende också.
De taggar som används för algoritmerna för maskininlärning är desamma över hela världen. Netflix har anlitat riktiga människor för att kategorisera varje bit av tv-program och filmer och applicera taggar på var och en av dem för att skapa hyperspecifika mikrogenrer som ”Visuellt slående nostalgiska dramer” eller ”Understrukna romantiska roadtrip-filmer”.
Varje av dessa datafaktorer kommer samman för att identifiera vilken smakgrupp du passar in i. Varje användares skärm fylls – till vänster, höger och uppifrån och ner – utifrån vilka grupper de tillhör.
Varför rader överhuvudtaget?
Chris Alvino, maskininlärningsingenjör på Netflix, förklarar att de väljer rader för att göra det lättare för medlemmarna att navigera genom en stor del av deras katalog. Genom att presentera sammanhängande grupper av videor i en rad, ge varje rad ett meningsfullt namn och presentera raderna i en användbar ordning kan medlemmarna snabbt avgöra om det är troligt att en hel uppsättning videor i en rad innehåller något som de är intresserade av att titta på just i det ögonblicket. Detta gör det möjligt för medlemmarna att antingen dyka djupare och leta efter fler videor i temat eller att hoppa över dem och titta på en annan rad.
Alla enheter har olika hårdvarufunktioner som kan begränsa antalet rader som visas vid ett och samma tillfälle och hur stor hela sidan kan vara.
Varje rad kan erbjuda ett unikt och personligt stycke av katalogen för en medlem att navigera i. En del av Netflix utmaning är att skapa användbara grupperingar av videor för att lyfta fram djupet i katalogen och hjälpa medlemmarna att inte bara förstärka sina intresseområden utan också hitta nya. Rekommendationerna bör vara fräscha och lyhörda men också stabila så att folk är bekanta med sin startsida och lätt kan hitta videor som de har rekommenderats nyligen.
En bild är värd tusen ord
Netflix har nyligen infört en ny rekommendationsalgoritm baserad på konstverk. Den serverar unika skräddarsydda bilder till sina prenumeranter. Dessa bilder är speciellt utformade för att hålla dig fast i Netflix. Den tar hänsyn till många av samma datafaktorer som vi har nämnt.
Gopal Krishnan förklarade allt om denna nya algoritm på sitt tekniska blogginlägg. Netflix har arbetat för att skapa ett ramverk som gör det möjligt för dem att på ett effektivt sätt korsa stora data med kreativitet för att hjälpa användarna att upptäcka program och filmer som de kommer att gilla snabbare och förhindra att de blir överväldigade av Netflix ENORMA katalog. Som ett resultat av denna undersökning har de nu den unika förmågan att förstå vilka bilder som fungerar bäst för varje användare.
De säger att om de inte fångar en användares uppmärksamhet inom 90 sekunder kommer han eller hon sannolikt att förlora intresset och gå vidare till en annan aktivitet. När man har så kort tid på sig att fånga intresset blir bilder det mest effektiva och övertygande sättet att få användarna att upptäcka den perfekta titeln så snabbt som möjligt.
De har byggt upp ett system som testar en uppsättning bilder för många titlar i katalogen och hjälper till att visa en övertygande bild för att öka engagemanget. Genom många experiment och tester kom Netflix fram till slutsatsen att om man ser ett visst spektrum av känslor så lockar det faktiskt människor att titta på ett tv-program eller en film. Detta beror sannolikt på att komplexa känslor förmedlar en mängd information till användarna om tonen eller känslan i innehållet, men det är intressant att se hur mycket medlemmarna faktiskt reagerar på detta sätt i testerna. Ett exempel på detta är den vinnande bilden (”vinnande” betyder att den gav mest engagemang) för den andra säsongen av Unbreakable Kimmy Schmidt nedan:
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).
