Presentaties van Netflix op de RecSys-conferenties zijn altijd erg populair. En dat was dit jaar niet anders. Netflix presenteerde verschillende projecten en in het artikel van vandaag wil ik graag met u dieper ingaan op de presentatie van Fernando Amat over het personaliseren van illustraties bij aanbevolen video’s.
We weten dat ongeveer 75 tot 80% van alles wat op Netflix wordt verbruikt, afkomstig is van aanbevelingen aan de gebruikers. Bijna alles op de homepage van Netflix is aangepast: de eerste titel bovenaan de pagina, de volgorde van de regels, de volgorde van de titels in de regels, de teksten, …
We zouden kunnen denken dat er niets meer overblijft om aan te passen….maar dat is zonder de Netflix-teams gerekend, die nooit om ideeën verlegen zitten, zoals blijkt uit het artikel van vandaag.
Vandaag presenteren we kort hoe het aanpassen van illustraties op de homepage van Netflix werkt, de voor- en nadelen van dit systeem, en aan het eind van het artikel bespreken we een mogelijk gebruik van dit principe als oplossing voor de filterbubbels.
 Aanpassing van illustraties op de homepage van Netflix
Wat bij Netflix beeldpersonalisatie wordt genoemd, is in feite een geautomatiseerde selectie, gebaseerd op het profiel van de gebruiker, en de weergave van illustraties bij films of series die u worden aangeboden. Een specifiek algoritme kiest een van de 9 mogelijke illustraties en gebruikt die als visuele ondersteuning om de gebruiker te helpen bij zijn keuze. De bedoeling van Netflix is om de gebruiker vooraf te laten beslissen of hij al dan niet zal genieten van de aanbevolen film. Dit zou het risico van ontevredenheid bij de klant verminderen.
Artworks personalisatie op Netflix van IntoTheMinds
Resultaten
Verschillende soorten algoritmen werden getest. Uit de offline evaluatie blijkt dat de zogenaamde contextual bandit-methode de beste resultaten oplevert (voor een goed begrip van de bandit- en contextual bandit-methode raden wij u aan dit Engelse artikel te lezen).
De personalisering van afbeeldingen werd op meer dan 130 miljoen klantaccounts uitgevoerd en heeft bewezen effectief te zijn in het doen ontdekken van minder bekende films en series.
Zwakke punten van de methode
De 9 illustraties moeten worden voorbereid door grafisch ontwerpers. Het proces is tijdrovend en Netflix wil daarom het creatieproces automatiseren om de kosten te verlagen.
Vanuit methodologisch oogpunt is een zwak punt van de analyse dat het onmogelijk lijkt om de resultaten te evalueren.
Zoals Netflix in haar presentatie hieronder uitlegt, zijn de 9 illustraties gemaakt om aan een aantal regels te voldoen. De beelden moeten aan volgende voorwaarden voldoen:
- Representatief zijn om clickbaits tevermijden
- Diversifiërend zijn
- Informatief zijn
- Boeiend zijn
Deze criteria worden echter niet objectief gemeten. Ik heb dit besproken met Fernando die me vertelde dat grafisch ontwerpers impliciete principes volgen bij het maken van beelden. Laten we de zwakte van de methodologie illustreren met een eenvoudig voorbeeld. In een ideale wereld moeten alle beelden zowel representatief, diversifiërend, informatief en boeiend zijn. Stel u voor dat één van de negen beelden boeiender is dan de andere. Het zal een vertekening van de presentatie veroorzaken die de gebruiker ertoe zal aanzetten om te klikken. Het gebrek aan controle over de 4 onafhankelijke variabelen hierboven betekent dus dat het effect van het algoritme voor beeldselectie niet nauwkeurig kan worden gemeten.
Hoewel ik de bedoeling van Netflix begrijp, ben ik van mening dat deze zwakte moet worden aangepakt om het potentiële voordeel van het algoritme te valideren.
Voordelen van beeldaanpassing voor het bevorderen van diversiteit
Er was een aspect van de beeldpersonalisatie dat mijn aandacht trok, namelijk het potentieel om mensen tot bepaalde keuzes te stimuleren.
Als het tonen van het juiste beeld een film of serie aantrekkelijker kan maken, waarom dan niet deze “truc” gebruiken om de gebruiker nieuwe genres voor te stellen die de kijker anders niet zou hebben bekeken. Dit gevoel lijkt mij te worden bevestigd door de conclusies die tijdens RecSys werden gedeeld: de personalisatie van beelden zou het mogelijk maken om minder bekende films en series te ontdekken. Deze methode kan vooral nuttig zijn voor bedrijven waarvan de gebruikers in filterbubbels zitten of waarvan de missie is om de gebruiker bloot te stellen aan diversiteit (zie mijn presentatie over algoritmen in de openbare dienstverlening hierover). Dit idee vervolledigt dus het onderzoek dat ik aanhaalde tijdens mijn keynote op de RecSys-conferentie waar ik opriep tot een herdefinitie van het concept van de filterbubbels.
Posted in big data.
