2019年2月12日
By Josh Pressnell Penthera首席技术官
专题文章

更好的视频推荐需要人工智能和数据的智能使用

随着视频提供商扩展他们的内容库, 他们面临的挑战是确保观众找到吸引他们的节目. 许多服务以其复杂的内容推荐算法为傲, 但如今大多数推荐工具都是协同过滤算法，仅根据观众过去看过的内容的关联来推荐内容.

这些学习算法是基于事物之间的关系, 这可能就是他们不那么成功的原因吧. 2018年的一项研究发现只有29%的观众观看视频点播服务推荐的内容. VOD提供商要在竞争中脱颖而出，与观众建立联系, 他们需要超越基本的内容推荐，在个性化体验中抓住更大的机会, 尤其是在移动环境中.

早在2006年，Netflix就认识到推荐在推动用户参与方面的重要性，当时它创建了“Netflix奖,，任何能够将其电影推荐准确率提高10%或以上的人都可以获得100万美元的奖金. 处理有限的数据集, 三年后，一组工程师获得了该奖项, 但即便如此，新算法也只是刚刚通过了10%的要求.

一个真正好的推荐引擎——以及更好的用户体验——依赖于真正的人工智能, 这就需要更多的数据, 从多个地点. 它超越了相对简单的“喜欢这个的用户也喜欢这个”算法，延伸到“深度数据”.然而，这种智慧是有代价的. Netflix的第二次竞争本应使用更深入的数据集, 拥有超过1亿个数据点, 包括租房者的年龄信息, 性别, 邮政编码, 流派评级, 以及之前选择的电影(均匿名). 但, 由于研究人员认为可以对数据进行“去匿名化”，一场价值数百万美元的隐私诉讼被提起，这场竞赛从未开始. 隐私问题是开发革命性推荐的最大挑战, 因为在这个领域的任何重大创新都需要严格保护和个人的测试数据集. 因此,创新者必须与拥有处理所需的深度数据的合作伙伴一起讨论.

与社交渠道的整合可能是唾手可得的成果, 提供一个更完整的视角，了解观众到底是谁，他们可能想看什么. 将VOD帐户与Twitter链接, 脸谱网, Instagram, Pinterest的个人资料是一种引入更多数据点的简单方法，向更个性化的体验迈出了一大步, 用户的点赞和推特粉丝可以描绘出一幅有趣的画面，显示观众可能想看什么，而使用的信息对今天的隐私问题不太敏感.

这些社交网络中的每一个都提供了更多关于观众兴趣的数据，超出了他们以前看过的内容. 内容推荐可以基于他们在Twitter或Instagram上关注的演员. 随着Netflix和其他公司进入类似hgtv的真人秀节目, Pinterest成为将兴趣数据与推荐相结合的天然合作伙伴. 视频提供商也可以根据观众的朋友看过的内容简单地提出建议. 这与他们今天使用的联想模型相差不远, 但它为观众创造了围绕内容进行互动和联系的新机会. 通过分析跨社会关系的数据, 服务提供商可以识别朋友群体之间的共同品味，甚至可能促进观看派对或引发正在进行的在线对话.

让集成更进一步, 服务可以识别用户移动设备的特征，以提供额外的上下文. 设备上安装了哪些应用程序的配置文件可以告知用户可能会观看哪种类型的内容. 在一个极端的例子中, 服务可以直接链接到订阅者的电子邮件帐户和日历，从而挖掘个性化数据. 如果服务得知订户正在购买狩猎用品, 它可以推荐像探索频道这样的节目 提高了狩猎. 如果亚马逊还没有对整个网站的购买数据进行这样的处理, 那就错失良机了. 如果Prime会员经常购买尿布，他们可能对儿童节目感兴趣.

当然, 这种服务不会吸引每一个订阅者, 而且必须遵守严格的隐私准则. 仍然, 部分用户可能愿意授予对其在线数据足迹的只读访问权限，以获得更好的体验, 最终帮助视频点播服务吸引更多观众的注意力. 随着视频提供商比以往任何时候都更关注用户参与度，问一问也无妨.

除了更深入地了解用户推断出的兴趣之外, 还可以在如何关联内容方面进行更多创新. 潘多拉通过音乐实现了这种直觉上的飞跃, 尽管它解决“音乐指纹”问题的方法是高度劳动密集型的. 潘多拉音乐服务的最初原则是，可以通过分析某人表示喜欢的音乐来推荐他们想听的音乐. 潘多拉投资了音乐学家, 很多人都有音乐方面的高学历, 回顾近200万首歌曲，并填写每首歌多达450个特征的矩阵. 在试图识别相似内容时，这些专家关联比典型的协作过滤器要深入得多, 但任何使用过Pandora的人都会告诉你，基于这种方法的现有推荐并不完美. 这种方法, 如果应用于视频, 会产生一些有趣的结果吗, 但前提是视频“基因组”可以自动生成, 这意味着复杂的人工智能可以预测任何事情，从主题主题到视频可能引发的情绪.

即使没有深入研究数据, 视频提供商有可能开始个性化内容推荐. 他们可以从简单地分割自己的收视率数据开始，以更好地了解观看模式, 并根据现有知识提出更好的建议. 例如, 联想推荐的问题在于，它们目前无法区分不同的观众. 如果你的孩子早上看了很多儿童节目, 当你在晚上10点开始看节目时，会影响算法. 通过简单地根据一天中的时间识别用户模式和偏好, 服务可以减少用户体验中的一些摩擦，并提供当前浏览者更有可能参与的建议.

一旦服务提供商改进了它提出建议的方式, 问题是如何把它们送过去. 没完没了地滚动VOD菜单寻找可看的东西是很容易开玩笑的. 如果服务将最好的内容推荐直接提前下载到你的设备上呢? 亚马逊已经对这个想法进行了试验, 通过一项名为On Deck的服务，自动将视频推荐下载到用户的Kindle Fire设备上. 随着移动视频浏览量的增长，很容易看出动机，但数量论坛的帖子询问如何关闭On Deck下载说明这一错误没有考虑到用户体验. 亚马逊越过了消费者的底线, 把推荐变成令人毛骨悚然的经历, 类似于苹果和U2乐队臭名昭著的强制专辑下载错误.

就像收集数据来改进人工智能一样, 提供新推荐体验的最佳方法是基于权限的, 有一个明确的选择下载内容. Netflix的智能下载服务，现在可以在Android、Windows 10和iOS设备上使用, 朝着正确的方向迈出了一步吗, 尽管它目前只下载用户正在观看的剧集的下一集, 而不是一个新的建议. 仍然, 询问用户是否愿意下载内容——就像询问用户是否愿意访问社交媒体或电子邮件数据一样——为更个性化的推荐提供了机会, 哪一种更能吸引服务提供者所追求的客户.

这是一篇由供应商提供的文章 Penthera. 流媒体 接受来自供应商的文章，完全基于它们对我们读者的价值.]