Nachdem ich gerade den aktuellen Artikel in Wired gelesen habe, frage ich mich: Was macht den Netflix-Preis so herausfordernd? Ich meine das auf aufrichtigste Weise, ich frage mich einfach über die Schwierigkeiten des Wettbewerbs. Sind die meisten Empfehlungssysteme im Allgemeinen so schwer zu verbessern? Wenn ja, warum ist das so? Oder ist Netflix ungewöhnlich schwierig zu verbessern, und wenn das der Fall ist, was ist das Besondere an Netflix, das dies so viel anspruchsvoller macht als beispielsweise Amazon?
Antworten
Zu viele Anzeigen?
Corbin March
Punkte
25170
Recommender-Systeme leiden unter Problemen, die schwer zu beheben sind:
- Kaltstart - In einem neuen System oder mit einem neuen Benutzer gibt es nicht genügend Daten, um ein genaues statistisches Modell für eine Empfehlung zu erstellen.
- Bewertungsvoreingenommenheit - Wenn man Empfehlungen auf Benutzerbewertungen basiert, neigen Benutzer, die häufig bewerten, die Ergebnisse in Richtung ihres Geschmacks zu beeinflussen. Wenn du der Typ bist, der den zusätzlichen Schritt des Bewertens nicht mag, ist es möglich, dass Leute mit ähnlichem Geschmack ebenfalls das Bewertungssystem nicht mögen, so dass ihre Meinungen von Empfehlungen ausgeschlossen werden.
- Artikel, die nicht bewertet werden, sind weniger wahrscheinlich bewertet zu werden - wenn du Artikel basierend auf ihren Bewertungen auswählst und daher bewertest, sind nicht bewertete Artikel weniger sichtbar und haben es schwer, die Bewertungen zu erhalten, die sie benötigen, um Empfehlungen zu beeinflussen. In die andere Richtung, populäre Artikel haben mehr Sichtbarkeit, werden öfter bewertet und spielen daher eine größere Rolle in den Empfehlungen.
- Zeitliche Voreingenommenheit - Benutzerbewertungen ändern sich im Laufe der Zeit. Bei langfristigen Veränderungen kannst du dies ausgleichen, indem du deinen Empfehlungen ein Zeitelement hinzufügst. Kurzfristige Veränderungen sind schwer zu beheben. Nach einem Chuck Norris Marathon neigst du vielleicht dazu, Actionfilme hoch zu bewerten. Am nächsten Tag, nachdem du bei Mondsüchtig deine Augen ausgeheult hast, bist du möglicherweise vorübergehend voreingenommen gegen Actionfilme.
- Wechselnde Motive - in Produktbasierten Empfehlungssystemen wird das Strickenbuch, das du zum Geburtstag deiner Tante gekauft hast, deine Empfehlungen verzerren (wenn du dem System keine Anweisung gibst, es nicht zu verwenden). Du kannst einem schlechten Kinderfilm eine hohe Bewertung geben, weil deine Kinder ihn geliebt haben.
Zusammen genommen macht dies Recommender-Systeme schwer zu verbessern, über nur in Ordnung hinaus. Ein System mit 80% Genauigkeit scheint großartig zu sein, liegt jedoch in 1 von 5 Fällen falsch. Dies macht sie für einige Benutzer mehr Ärger als sie wert sind.
Weil NetFlix bereits über eine wirklich gute Empfehlungsmaschine verfügt. Wenn sie wüssten, wie sie sie einfach verbessern könnten, hätten sie es bis jetzt getan. Ihr gesamtes Geschäftsmodell basiert auf dem Cross-Selling von Produkten (Filmen) an Verbraucher. Der Empfehlungsalgorithmus ist wirklich das Kernstück ihres Geschäfts. Je besser er funktioniert, desto mehr Geld können sie verdienen.
Dan Herbert
Punkte
94074
Ich denke, es wurden einige Artikel dazu geschrieben, aber ich weiß im Moment nicht, wo sie sind, also werde ich es hier erklären.
Wenn Menschen bei Amazon nach Büchern suchen (zum Beispiel), neigen sie dazu, Bücher eines bestimmten Typs zu kaufen, daher ist es einfach, andere Bücher desselben Typs vorzuschlagen.
Bei Filmen machen es die Leute vielleicht genauso, aber sie beschränken sich normalerweise nicht auf ein Genre. Die Leute schauen sich möglicherweise eine viel breitere Vielfalt von Filmen an: Horror, Komödie, Action, Romantik usw.
Zu prognostizieren, was Ihnen aus diesen Genres gefällt, kann schwierig sein, wenn Sie bisher nur einen Film ausgeliehen haben und dieser ein Drama ist.
Wenn jemand mit einem sehr cleveren Empfehlungssystem aufkommen würde, könnte Netflix davon enorm profitieren. Ich glaube, sie suchen hauptsächlich nach einem System, das basierend auf nur einem oder zwei Filmen Empfehlungen aussprechen kann. Neue Kunden, die nicht viel über Netflix wissen, haben eine bessere Chance, dabei zu bleiben, wenn sie frühzeitig Filme finden, die ihnen gefallen, ohne lange danach suchen zu müssen.
Meiner Meinung nach haben sie bereits ein Empfehlungssystem auf gleicher Höhe wie Amazon. Ich denke, sie versuchen, es noch weiter zu verbessern.
theraneman
Punkte
1572
Mein Kollege und ich haben daran teilgenommen. Ich habe keinen starken Hintergrund in KI, aber Empfehlungssysteme erfordern einige tiefe Kenntnisse über vorhandene Literaturalgorithmen wie Gibbs-Sampling, K-Methode, nächster Nachbar usw. Wir haben Gibbs-Sampling verwendet und ich kann sagen, wir haben im Vergleich zu dem, was Netflix bereits hat, versagt :)
