Sinir ağı "telepati": kişiselleştirilmiş tavsiyeler izleyicilere ve operatörlere nasıl yardımcı olur

Amerikan dergisi Time, 2020'yi şimdiye kadarki en kötü yıl olarak adlandırdı, ancak bu, büyük yayın devleri için doğru değil: Netflix, Amazon ve Disney hisseleri 2020'de tüm zamanların rekorlarını kırdı ve büyümeye devam ediyor.

İnsanlar kendilerini izole ederek çeşitli video hizmetlerine abone olmaya başladılar ve hemen yeni bir sorunla karşılaştılar: ne izlemeli? Daha önce, içerik seçerken, insanlar temalı portallardan yapılan seçimler ve arkadaşların tavsiyeleri tarafından yönlendiriliyordu. Ancak bu kaynaklar, her kullanıcının bireysel tercihlerini hesaba katmıyor, bu da bir paradoksa yol açıyor: içerik aramak, gerçek görüntülemeden çok daha fazla zaman alır.

Akış hizmetleri, kişiselleştirilmiş içerik önerileri sunarak bu sorunu çözdü. Bu yazıda, bu sistemlerin nasıl çalıştığını ve operatörlerin neden bunlara ihtiyaç duyduğunu detaylandıracağız.

Öneri sistemleri oluşturmanın temel ilkeleri

Öneri sistemleri, izleyicinin ilgisini çekebilecek filmler ve diziler önerir. Öneri motorları oluşturmaya yönelik dört ana yaklaşım vardır:

• İçerik tabanlı filtreleme
• Ortak filtreleme
  

• Bilgi tabanlı filtreleme
• Hibrit filtreleme
  

Şimdi, her yaklaşımın ayrıntılarına daha yakından bakalım.

İçerik tabanlı filtreleme

Bu yöntem, farklı içeriklerin ortak özelliklerini bulmaya dayanır. Örneğin film önerileri genellikle yönetmen, oyuncu kadrosu, tür ve süre gibi özelliklere dayalıdır. Bazı sistemler, TF-IDF değerlendirmesi için (belli kelimenin belge bağlamında ne kadar önemli olduğu) film açıklamalarını da analiz eder.

İçerik tabanlı yöntemin amacı, daha sonra eşleşme aramak için her öğenin bir profilini oluşturmaktır. Örneğin, 'Yenilmezler'i izledikten sonra, diğer Marvel Sinematik Evreni filmlerini, Robert John Downey Jr.'ın yer aldığı filmleri ve Joss Whedon'ın eserlerini size tavsiye edecek.

Bu yaklaşımın hem avantajları hem de dezavantajları vardır:

Ortak filtreleme

Ortak filtreleme, benzer ilgi alanlarına ve davranışlara sahip kullanıcılardan gelen geri bildirimlere dayalı öneriler sunar.

Örneğin, sistem 'Rick and Morty' serisini Kullanıcı A'ya tavsiye edip etmemeye karar vermelidir. Algoritma veritabanını "tarayacak" — bu içeriği olumlu olarak değerlendiren izleyicileri arayacak — ve bir tercih matrisi oluşturacaktır. Aşağıdaki tabloda, her satır kullanıcı geri bildirimini gösterirken, her sütun bir filmi temsil eder. Sistem, bu tabloda benzerlikler arayan önerilerde bulunur.

Ortak filtre algoritması

Örneğimizde Kullanıcı A, Kullanıcı D ile daha ortak tercihlere sahiptir. Sistem şu sonuca varır: Kullanıcı D 'Rick and Morty' serisini yüksek puanladıysa, o zaman Kullanıcı A'ya da tavsiye edilebilir.

Öğe tabanlı ortak filtreleme

Bu filtreleme türü, profil verileri yerine film derecelendirmelerini kullanır. Örneğin, How I Met Your Mother'ın hayranlarının çoğu 'The Big Bang Theory'yi de yüksek puanladıysa, ikinci film birinci filme beş yıldız veren herkese tavsiye edilebilir. Bu yöntemi kullanarak, çizgiler yerine matris sütunlarını karşılaştırırız.

Bu yaklaşımın avantajları ve dezavantajları:

Bilgi tabanlı filtreleme

Akış hizmetleri nadiren bilgi tabanlı filtreleme sistemleri kullanır. Ancak, bazı operatörler bu sistemlerden ayrı öğeler sunar. Bu "motorlar" çoğunlukla, bir müşteri veya nesne profili oluşturmak için yeterli bilgi toplamanın imkansız olduğu durumlarda kullanılır.

Bu yöntem filtreler kullanır. Bir film için bunlar tür, piyasaya çıkış yılı, oyuncu kadrosu ve yönetmen olacaktır. Bu sistemler, çeşitli içerik nitelikleri arasındaki karşılıklı ilişkilerin incelenmesini takiben müşterilerin ihtiyaçlarını anlayan danışmanlar tarafından kurulur.

Bu tür bir tavsiye oldukça kesindir. Kullanıcılara tam olarak ihtiyaç duydukları şey sunulur, ancak bilgi tabanlı filtreleri yapmak karmaşık ve zaman alıcıdır.

Hibrit filtreleme

Bu sistemler, ayrı sistemlerin dezavantajlarını ele alarak farklı yaklaşımları birleştirir. Örneğin, çevrimiçi bir sinema, benzer tercihlere sahip kullanıcılar tarafından derecelendirilen benzer filmler önerebilir.

Öneri sistemlerinin seviyeleri

	Seviye 1—küresel derecelendirmeler; belirli bir bölgede belirli cinsiyet veya yaştaki kullanıcılar arasında popüler olan ürünler. Bu derecelendirmeler oldukça kararlıdır ve zamanla çok az değişebilir.
Seviye 2—kısa vadeli eğilimler; trend filmler, galalar şu anda izleyicinin ilgisini çekiyor ama sonunda popülerliğini kaybediyor.

İçeriği derecelendirmek için açık ve kapalı işaretler kullanılır:

Gelişmiş operatörler bu yaklaşımları birleştirir. Örneğin Netflix, yeni kullanıcılardan en sevdikleri filmleri işaret etmelerini ister ve içeriklerini izlemeye başladıklarında etkileşimlerini analiz eder.

MAG STB'lerde bu nasıl çalışır

Android TV MAG medya oynatıcıları Google öneri sistemini kullanır. Çalışma prensipleri aynı algoritmayı kullanan YouTube tarafından örneklenebilir. Sistem hibrit bir yaklaşım kullanır: belirli bir kullanıcının tercihlerini ve benzer bir kitlenin zevklerini değerlendirir.

 YouTube'un öneri algoritması

• Sistem iki adet eğitilmiş sinir ağından oluşur: “aday oluşturma” ve “sıralama”.
• İlk ağ, konu videolarını seçer. Milyonlarca mevcut videodan en alakalı olanları seçer ve içeriği en ilginçten en az ilginç olana doğru sıralayacak olan ikinci ağa gönderir.
• Sistem, kullanıcının görüntüleme geçmişini ve bağlamını (günün saati, yaşı, cinsiyeti, dili ve ikamet ettiği ülke) dikkate alır.
• Sıralama aşamasında, seçim, beklenen izleme süresini hesaba katar: diğer kullanıcılar videoyu ne kadar uzun süre izlerse, onu tavsiye etme şansı o kadar yüksek olur.
• TO (tıklama oranı) da sıralama amaçları için dikkate alınır; bu, videoyu önerilerde görenlerin tümüne kıyasla videoyu oynatmaya başlayan kullanıcıların yüzdesi. Sistem tık tuzağını arama sonuçlarından çıkarmaya çalıştığından, TO göstergesi görüntüleme süresinden bağlantısız uygulanamayabilir. Beğeniler, yorumlar ve abonelikler gibi kullanıcı etkinlikleri de bu aşamada dikkate alınır. Düşük katılımlı videolar hızla reddedilir.
• Sistem, örnekleme sırasında bir kullanıcıya seçimlerin farklı versiyonlarını gösteren A/B testi gerçekleştirir. Bunlardan biri çok başarılı olursa, sistem gelecekteki önerilerde bunu dikkate alacaktır. Sistem, bu şekilde öğrenir ve daha verimli hale gelir.
  

Kişiselleştirilmiş öneriler, operatörlerin izleyicilerin ilgisini çekmesine, içerik görüntüleme süresini artırmasına ve hizmete abone sadakatini artırmasına yardımcı olur. İçerik kullanıcının ilgi alanlarını karşılıyorsa, izleyici onu sonuna kadar izleyecek ve aboneliği uzatıp hizmeti arkadaşlarına önerme olasılığı yüksek olacaktır. Kişiselleştirilmiş öneri sistemleri, içerik oluşturma operatörlerine, kullanıcıların hangi içeriği izlemeye istekli oldukları hakkında bilgi sağlar. Bu verilere dayanarak, izleyicilerin kalbini ve zihnini kazanacak filmler ve diziler yapılabilir.

Recommended

RDK ile geleceğe hazır IPTV: operatörler için uygun platform

Telekomünikasyon teknolojileri her yıl yeni bir seviyeye ulaşıyor ve operatörlere etkili çözümler ve TV gelişmeleri sunuyor. Bu yazıda bu gelişmelerden biri olan RDK teknolojisine odaklanacağız. Yüzlerce operatörün neden bu çözümü seçtiğini ve onlar için neden bu kadar değerli olduğunu açıklayacağız.

Ministra Pro: Temmuz güncellemeleri

Tatil zamanı tüm hızıyla devam ediyor ve biz de tatile hazırlanıyoruz, bu nedenle Temmuz özeti kısa olacak. Havuz başında dinlenmenin tadını çıkarırken bunlara göz atabilmeniz için bu yılın tüm önemli güncellemelerini bir araya getirdik.

Gurbetçi ortamında IPTV işi nasıl kurulur

Bir IPTV/OTT hizmetini başlatırken, yerel operatörler mümkün olduğu kadar geniş bir kitleye ulaşmaya çalışırlar, ancak genellikle potansiyel müşterilerin serbest nişlerinden birini, yani yabancı müşterileri gözden kaçırırlar.