„Telepathie“ durch neuronale Netze: Wie personalisierte Empfehlungen Zuschauern und Betreibern helfen

Das amerikanische Magazin Time bezeichnete 2020 als das schlechteste Jahr aller Zeiten, aber für die großen Streaming-Giganten trifft das nicht zu: Die Aktien von Netflix, Amazon und Disney übertreffen im Jahr 2020 alle Rekorde und wachsen weiter.

In ihrer Selbstisolierung begannen die Menschen, verschiedene Videodienste zu abonnieren, und sahen sich sofort mit einem neuen Problem konfrontiert: Was soll man sich ansehen? Früher orientierte man sich bei der Auswahl der Inhalte an der Auswahl der Themenportale und den Empfehlungen von Freunden. Diese Quellen berücksichtigen jedoch nicht die individuellen Vorlieben jedes Nutzers, was zu einem Paradoxon führt: Die Suche nach Inhalten nimmt viel mehr Zeit in Anspruch als das eigentliche Anschauen.

Streaming-Dienste haben dieses Problem gelöst, indem sie personalisierte Inhaltsempfehlungen anbieten. In diesem Artikel wird erläutert, wie diese Systeme funktionieren und warum die Betreiber sie brauchen.

Grundprinzipien für den Aufbau von Empfehlungssystemen

Empfehlungssysteme schlagen Filme und Fernsehserien vor, die für einen Zuschauer von Interesse sein könnten. Es gibt vier Hauptansätze für die Entwicklung von Empfehlungssystemen:

• Inhaltsbasierte Filterung
• Kollaborative Filterung
  

• Wissensbasierte Filterung
• Hybride Filterung
  

Schauen wir uns die Besonderheiten der einzelnen Ansätze genauer an.

Inhaltsbasierte Filterung

Diese Methode basiert auf der Suche nach den gemeinsamen Attributen verschiedener Inhalte. So basieren beispielsweise Filmempfehlungen oft auf Merkmalen wie Regisseur, Besetzung, Genre und Dauer. Einige Systeme analysieren auch die Filmbeschreibungen für die TF-IDF-Bewertung (wie wichtig ein bestimmtes Wort im Kontext des Dokuments ist).

Das Ziel der inhaltsbasierten Methode ist es, ein Profil jedes Elements zu erstellen, um anschließend nach Übereinstimmungen zu suchen. Wenn Sie also zum Beispiel "The Avengers" gesehen haben, werden Ihnen andere Filme des Marvel Cinematic Universe, Filme mit Robert John Downey Jr. und Werke von Joss Whedon empfohlen.

Dieser Ansatz hat sowohl Vor- als auch Nachteile:

Kollaborative Filterung

Kollaborative Filterung bietet Empfehlungen, die auf dem Feedback von Nutzern mit ähnlichen Interessen und Verhaltensweisen basieren.

Das System soll beispielsweise entscheiden, ob es Nutzer A die Serie "Rick and Morty" empfehlen soll oder nicht. Der Algorithmus "scannt" die Datenbank - er sucht nach den Zuschauern, die diesen Inhalt positiv bewertet haben - und bildet eine Präferenzmatrix. In der folgenden Tabelle zeigt jede Zeile das Nutzerfeedback, während jede Spalte einen Film darstellt. Das System spricht Empfehlungen aus, indem es nach Ähnlichkeiten in dieser Tabelle sucht.

Algorithmus des kollaborativen Filters

In unserem Beispiel hat Benutzer A mehr gemeinsame Vorlieben mit Benutzer D. Das System kommt zu folgendem Schluss: Wenn Benutzer D die Serie "Rick and Morty" hoch bewertet, könnte sie auch Benutzer A empfohlen werden.

Elementbasierte kollaborative Filterung

Dieser Filtertyp verwendet eher Filmbewertungen als Profildaten. Wenn z. B. die meisten Fans von "How I Met Your Mother" auch "The Big Bang Theory" hoch bewertet haben, kann letzterer allen empfohlen werden, die dem ersten Film fünf Sterne gegeben haben. Bei dieser Methode vergleichen wir die Spalten der Matrix und nicht die Zeilen.

Vor- und Nachteile dieses Ansatzes:

Wissensbasierte Filterung

Streaming-Dienste verwenden selten wissensbasierte Filtersysteme. Einige Betreiber bieten jedoch einzelne Elemente aus diesen Systemen an. Diese "Engines" werden meist dann eingesetzt, wenn es nicht möglich ist, genügend Informationen zu sammeln, um ein Kunden- oder Objektprofil zu erstellen.

Bei dieser Methode werden Filter verwendet. Bei einem Film sind dies das Genre, das Erscheinungsjahr, die Besetzung und der Regisseur. Diese Systeme werden von Beratern erstellt, die die Bedürfnisse der Kunden verstehen, nachdem sie die Zusammenhänge zwischen den verschiedenen Inhaltsattributen untersucht haben.

Diese Art der Empfehlung ist sehr präzise. Den Nutzern wird genau das angeboten, was sie brauchen, aber die Erstellung der wissensbasierten Filter ist kompliziert und zeitaufwändig.

Hybride Filterung

Diese Systeme kombinieren verschiedene Ansätze, um die Nachteile separater Systeme auszugleichen. Ein Online-Kino kann zum Beispiel ähnliche Filme empfehlen, die von Nutzern mit ähnlichen Vorlieben bewertet wurden.

Levels von Empfehlungssystemen

	Level 1—globale Bewertungen; Produkte, die in einer bestimmten Region bei Nutzern eines bestimmten Geschlechts oder Alters beliebt sind. Diese Bewertungen sind relativ stabil und können sich im Laufe der Zeit leicht verändern.
Level 2—Kurzfristige Trends; Trendfilme, Premieren, die im Moment die Aufmerksamkeit der Zuschauer auf sich ziehen, aber irgendwann an Popularität verlieren.

Zur Bewertung des Inhalts werden explizite und implizite Zeichen verwendet:

Fortgeschrittene Betreiber kombinieren diese Ansätze. Netflix zum Beispiel bittet neue Nutzer, ihre Lieblingsfilme zu nennen, und analysiert ihre Interaktionen, sobald sie beginnen, ihre Inhalte anzusehen.

So funktioniert es bei MAG-Set-Top-Boxen

Android TV MAG Media Player verwenden das Google-Empfehlungssystem. Seine Funktionsweise lässt sich am Beispiel von YouTube veranschaulichen, das denselben Algorithmus verwendet. Das System verwendet einen hybriden Ansatz: Es bewertet die Vorlieben eines bestimmten Nutzers und den Geschmack eines ähnlichen Publikums.

 YouTube’s Empfehlungsalgorithmus

• Das System besteht aus zwei trainierten neuronalen Netzen: "Kandidatengenerierung" und "Ranking".
• Das erste Netz wählt die Themenvideos aus. Aus Millionen verfügbarer Videos wählt es die relevantesten aus und übergibt diese an das zweite Netzwerk, das die Inhalte vom größten bis zum geringsten Interesse einstuft.
• Das System berücksichtigt die Sehgewohnheiten und den Kontext des Nutzers (Tageszeit, Alter, Geschlecht, Sprache und Land des Wohnsitzes).
• In der Ranking-Phase wird bei der Auswahl die erwartete Betrachtungsdauer berücksichtigt: Je länger andere Nutzer das Video ansehen, desto größer ist die Chance, dass es in die Empfehlungen aufgenommen wird.
• Auch die CTR (Click-Through-Rate) wird für das Ranking berücksichtigt - der Prozentsatz der Nutzer, die das Video abspielen, im Vergleich zu allen Nutzern, die es in den Empfehlungen sehen. Der CTR-Indikator darf nicht in unmittelbarem Zusammenhang mit der Betrachtungsdauer angewendet werden, da das System versucht, Clickbait aus den Suchergebnissen auszuschließen. Auch Nutzeraktivitäten wie Likes, Kommentare und Abonnements werden in diesem Stadium berücksichtigt. Videos mit geringem Involvement werden schnell abgelehnt.
• Während der Bemusterung führt das System A/B-Tests durch, bei denen einem Nutzer verschiedene Versionen der Auswahl gezeigt werden. Sollte eine davon ein großer Erfolg sein, wird das System sie bei künftigen Empfehlungen berücksichtigen. Auf diese Weise lernt es und wird effizienter.
  

Personalisierte Empfehlungen helfen den Betreibern, das Interesse des Publikums zu wecken, die Betrachtungsdauer der Inhalte zu erhöhen und die Loyalität der Abonnenten gegenüber dem Dienst zu steigern. Wenn der Inhalt den Interessen des Nutzers entspricht, wird er ihn sich bis zum Ende ansehen, und es besteht eine hohe Wahrscheinlichkeit, dass er sein Abonnement verlängert und den Dienst an Freunde weiterempfiehlt. Die personalisierten Empfehlungssysteme versorgen die Anbieter von Inhalten mit Informationen darüber, welche Inhalte die Nutzer gerne sehen. Auf der Grundlage dieser Daten können Filme und Serien produziert werden, die die Herzen und Köpfe der Zuschauer gewinnen.

Recommended

Wie Kabelnetzbetreiber mit Linux-Set-Top-Boxen auf IPTV umsteigen können

Da die Mehrheit der Fernsehzuschauer auf Online-Streaming-Dienste umsteigt, müssen sich die Kabelfernsehbetreiber anpassen, um wettbewerbsfähig zu bleiben. IPTV (Internet Protocol Television) ist eine effektive Lösung, mit der Betreiber Fernsehinhalte über das Internet bereitstellen können. Linux-basierte Set-Top-Boxen können eine kostengünstige und vielseitige Option für diejenigen sein, die den Wechsel in Erwägung ziehen. In diesem Artikel gehen wir auf die Schritte ein, die Kabelnetzbetreiber unternehmen können, um einen reibungslosen Wechsel zu IPTV mit Linux-basierten Boxen durchzuführen.

Zukunftssicheres IPTV mit RDK: bequeme Plattform für Betreiber

Jedes Jahr erreichen Telekommunikationstechnologien ein neues Niveau und bieten Betreibern effektive Lösungen und TV-Fortschritte. In diesem Artikel konzentrieren wir uns auf eine dieser Weiterentwicklungen - die RDK-Technologie. Wir werden erklären, warum Hunderte von Betreibern diese Lösung wählen und sie als so wertvoll empfinden.

Ministra PRO: Updates im Juli

Die Ferienzeit ist in vollem Gange, und auch wir bereiten uns auf den Urlaub vor, weshalb die Juli-Ausgabe kurz ausfallen wird. Wir haben alle wichtigen Aktualisierungen für dieses Jahr zusammengetragen, damit Sie sie in Ruhe durchlesen können, während Sie sich am Pool entspannen..