“Telepatia” de rede neural: como recomendações personalizadas ajudam os telespectadores e as operadoras

A revista Americana Time nomeou 2020 como o pior ano de todos os tempos, mas isso não foi verdade para as grandes gigantes do streaming: As ações da Netflix, Amazon, e Disney bateram todos os recordes em 2020 e continuam a crescer.

Estando em autoisolamento, as pessoas começaram a assinar diversos serviços de vídeo e imediatamente se depararam com um novo problema: o que assistir? Antigamente, ao escolher conteúdo, as pessoas era guiadas pelas seleções dos portais temáticos e as recomendações de amigos. Essas fontes, porém, não levam em consideração as preferências individuais de cada usuário, assim levando a um paradoxo: buscar conteúdo leva muito mais tempo do que assistir.

Os serviços de streaming resolveram esta questão ao oferecerem recomendações de conteúdo personalizadas. Neste artigo, iremos detalhar como esses sistemas funcionam e por que as operadoras precisam deles.

Princípios básicos da construção de sistemas de recomendação

Sistemas de recomendações sugarem filmes e séries de TV que podem ser do interesse de um telespectador. Há quatro abordagens principais para a construção de mecanismos de recomendação:

• Filtragem baseada em conteúdo
• Filtragem colaborativa
  

• Filtragem baseada em conhecimento
• Filtragem híbrida
  

Vamos dar uma olhada mais próxima nos particulares de cada abordagem.

Filtragem baseada em conteúdo

Este método baseia-se em encontrar os atributos comuns de conteúdos diferentes. Por exemplo, recomendações de filmes são frequentemente baseadas em características como diretor, elenco, gênero e duração. Alguns sistemas também analisam as descrições dos filmes por avaliação TF-IDF (o quão importante uma certa palavra é no contexto do documento).

A meta do método baseado em conteúdo é de criar um perfil de cada item para buscar resultados semelhantes. Se, por exemplo, você assistiu “Os Vingadores”, as suas recomendações incluirão outros filmes do universo cinematográfico da Marvel, filmes estrelando Robert Downey Jr., e obras de Joss Whedon.

Esta abordagem tem vantagens e desvantagens:

Filtragem colaborativa

A filtragem colaborativa oferece recomendações com base nos comentários dos usuários que têm interesses e comportamento semelhante.

Por exemplo, o sistema deve decidir se recomendará ou não a série “Rick and Morty” ao Usuário A. O algoritmo irá “escanear” a base de dados - buscando os telespectadores que avaliaram este conteúdo positivamente - e formará uma matriz de preferências. Na tabela abaixo, cada linha mostra os comentários dos usuários, enquanto cada coluna representa um filme. O sistema faz recomendações procurando semelhanças nesta tabela.

Algoritmo de filtragem colaborativa

No nosso exemplo, o Usuário A tem mais preferências em comum com o Usuário D. O sistema conclui o seguinte: se o Usuário D deu uma nota alta para a série “Rick and Morty”, então poderá ser recomendada ao Usuário A também.

Filtragem colaborativa baseada em elementos

Este tipo de filtragem usa as classificações de filmes ao invés dos dados de perfil. Por exemplo, se a maioria dos fãs de “How I Met Your Mother” também avaliaram bem “Big Bang Theory”, então este último pode ser recomendado a todos que deram cinco estrelas ao primeiro. Usando este método, comparamos as colunas da matriz ao invés das linhas.

Vantagens e desvantagens desta abordagem:

Filtragem baseada em conhecimento

Serviços de streaming raramente usam sistemas de filtragem baseados em conhecimento. Porém, algumas operadoras oferecem elementos individuais desses sistemas. Esses “motores” são principalmente usados quando é impossível coletar informações suficientes para construir um perfil de cliente ou objeto.

Este método usa filtros. Para um filme, esses serão o gênero, ano de lançamento, elenco e diretor. Esses sistemas são estabelecidos por consultores que entendem as necessidades dos clientes, após o estudo as inter-relações entre os diversos atributos de conteúdo.

Este tipo de recomendação é bastante precisa. Usuários são oferecidos exatamente o que precisam, mas produzir os filtros baseados em conteúdo é complicado e demorado.

Filtragem híbrida

Esses sistemas combinam diferentes abordagens, lidando com as limitações de sistemas separados. Por exemplo, um cinema online pode recomendar filmes semelhantes avaliados por usuários que têm preferências semelhantes.

Níveis de sistemas de recomendação

	Nível 1—audiências globais; produtos que são populares em uma certa região entre usuários de um certo gênero ou idade. Essas avaliações são bem estáveis e podem mudar um pouco ao longo do tempo.
Nível 2—tendências de curto prazo; filmes fazendo sucesso, estreias atraindo a atenção do público agora mas que eventualmente perdem popularidade.

Sinais implícitos e explícitos são usados para classificar conteúdo:

Operadoras avançadas combinam essas duas abordagens. O Netflix, por exemplo, pede que os novos usuários indiquem seus filmes favoritos e analisa suas interações uma vez que eles começam a assistir seu conteúdo.

Como funciona com decodificadores MAG

Reprodutores de mídia Android TV MAG usam o sistema de recomendação do Google. Seus princípios de operação podem ser exemplificados pelo Youtube usando o mesmo algoritmo. O sistema emprega uma abordagem híbrida: ele avalia as preferências de um certo usuário e os gostos de um público semelhante.

 YouTube’s recommendation algorithm

• O sistema é composto de duas redes neurais treinadas: “geração de candidatos” e “classificação”.
• A primeira rede seleciona os vídeos dos tópicos. De milhões de vídeos disponíveis, ele seleciona os mais relevantes e coloca eles em uma segunda rede que irá classificar o conteúdo do mais até o menos interessante.
• O sistema leva em consideração o histórico de visualização do usuário e o contexto (horário, idade, gênero, língua, e país de residência).
• Na etapa de classificação, a seleção leva em consideração a duração esperada de visualização: quanto mais tempo outros usuários estiverem assistindo o vídeo, quanto maiores as chances de que se tornarão recomendações.
• CTR (a taxa de clickthrough) também é considerada para a classificação—uma porcentagem dos usuários que começaram a reproduzir o vídeo comparado a todos aqueles que o viram nas recomendações. O indicador CTR pode não ser aplicado sem ter relação com a duração de visualização, conforme o sistema tenta excluir clickbait dos resultados de busca. As atividades dos usuários, tais como likes, comentários e assinaturas são levadas em consideração neste estágio também. Vídeos com baixo envolvimento são rapidamente rejeitados.
• O sistema conduz testes A/B durante a amostragem, mostrando diferentes versões de seleções a um usuário. Caso um desses seja um grande sucesso, o sistema levará isso em consideração nas futuras recomendações. É assim que aprende e se torna mais eficiente.
  

Recomendações personalizadas ajudam as operadoras a aumentar o interesse dos públicos, aumentar a duração da visualização de conteúdo, e aumentar a lealdade dos assinantes ao serviço. Se o conteúdo atende aos interesses do usuário, o telespectador irá assisti-lo até o final, e há uma grande chance de que ele estenderá a assinatura e recomendará o serviço aos amigos. Os sistemas de recomendações personalizadas provêm as operadoras produtoras de conteúdo com informações sobre qual conteúdo os usuários desejam assistir. Com base nesses dados, é possível fazer filmes e séries que conquistarão os corações e mentes dos telespectadores.

Recommended

IPTV a prova di futuro con RDK: comoda piattaforma per gli operatori

A cada ano, as tecnologias de telecomunicações alcançam um novo nível, oferecendo aos operadores soluções eficazes e avanços na TV. Neste artigo, vamos nos concentrar em um desses avanços – a tecnologia RDK. Explicaremos por que centenas de operadores escolhem essa solução e a consideram tão valiosa para eles.

Ministra PRO: Atualizações de Julho

O tempo de férias está a todo vapor e nós também estamos nos preparando para as férias, então o resumo de julho será curto. Reunimos todas as principais atualizações deste ano para que você possa conferir enquanto desfruta do seu relaxamento à beira da piscina.

Como construir um negócio de IPTV em um ambiente de expatriados

Ao lançar um serviço de IPTV/OTT, os operadores locais tentam alcançar o maior público possível, mas frequentemente ignoram um dos nichos livres de clientes potenciais — os clientes expatriados.