大数据转化为多种演算法 成就Netflix精准影片推荐系统

Netflix的成功不可不归功于它们的影片推荐系统，不管使用者透过电脑、游戏机、智慧电视、电视盒、行动装置等各种装置登入Netflix，都会进入同一个首页，依分类有约40列（Row）的（依照各装置萤幕大小略有不同），每列约75则推荐影片，在这个首页里要呈现哪些推荐影片给使用者、该如何分类、显示的前后顺序等，都是Netflix透过收集大量使用者使用数据进行分析后，以至少六种演算法后优化出的个人化结果，每个不同的使用者看到的首页都截然不同。

个人化影片评比制度

在Netflix影片推荐系统里的演算法，首先先介绍「个人化影片评比」（PersonalizedVoRanker,PVR），这个演算法顾名思义是以巨量数据分析后的个人观影喜好为依据，计算出使用者喜欢哪种类型的的影片，以及这类型影片的出现次序，例如，数据显示这位使用者喜欢观赏恐怖片，Netflix就会列出一列专门的恐怖片，并再依照使用者的喜好，把影片库中的恐怖片再进行排序，因此，即便是两位同样是恐怖片爱好者，其呈现推荐影片的先后次序也会不一样。Netflix也利用个人化影片评比演算法，去计算在各种受欢迎的影片中，哪一些是使用者会喜欢的，这些结合「受欢迎」与「符合个人喜好」的影片也就可以自成一个推荐影片列。

第二个主要影片推荐系统演算法是「最佳推荐评比」（Top-NVoRanker），这个评比演算法着重计算影片库中所有的影片，并且透过使用者的喜好数据，找出使用者最喜欢的哪几部片，而不像个人影片评比演算法一样，会先计算出使用者喜欢的影片类型，再从中排出次序。

针对短时间的收看趋势，Netflix也会运用「最新趋势评比」（TredningNow）演算法，掌握使用者可能会想要看哪些影片，这种演算法主要的依据像是每年都会有的节庆，例如情人节，或者现在刚好发生了某些灾祸，现在是镁光灯焦点的特定事件等，再将这些资料与使用者的喜好数据结合，就能够推荐使用者目前的趋势影片。

继续收看是推荐与否的关键

而最能够具体展现使用者收集的巨量数据影响力的演算法，就是「继续收看评比」（ContinueWatching）演算法了，只有这个演算法是特别针对已经看过的影片，在已经看过但却没有看完的影片中，尝试找出哪些使用者还会想要继续欣赏的影片。在这个演算法中，有一些使用者的数据会被分析，包括这部影片的观看时间，在哪个时间点离开观赏（影片中间、一开始或结尾前），中断观赏后是不是还看了其它影片，以及用哪些装置观赏。

「影片相似度评比」（Vo-VoSimilarity）演算法，这是针对使用者曾经看过的影片中，依照每一部影片都挑选出相似的影片来推荐，在评比影片的相似程度时，演算法完全不会加入任何使用者喜好，完全是影片与影片之间来做评比。但评比完后，要将哪几列使用者曾经看过影片的相似影片，推荐给使用者，就会加上使用者喜好，例如使用者如果曾经看过「不可能的任务1」以及「黑洞频率」这两部片，演算法就会评比出两列影片，分别代表与「不可能的任务1」相似的影片，以及与「黑洞频率」相似的影片，但是最后要出现哪一列影片给使用者，就会依照使用者的喜好去做判断。

相关又具多样性的推荐系统

最后一个演算法是「页面产生评比」（PageGeneration:RowSelectionandRanking），这个演算法是用来决定，到底有哪些影片列可以出现在使用者的首页上。在透过上述提及的演算法得出，究竟有哪些候选影片列使用者可能会想观赏后，Netflix会再透过「页面产生评比」，排出一个与使用者相关且兼具多样性的影片推荐首页。

一般来说，以上这些演算法都采用不同的数学与资料模式，以及输入不同的数据资料，并且依照每一种演算法的目的，施以不同的模式训练。有75％的使用者都是依照Netflix的推荐来选择电影，而Netflix目前也仍然就演算法得出的结果，持续对少量使用者进行A/B测试（A/BTest），加强演算法的准确度并且测试所有的极端可能性，这所有的目的都是为了能够彻底的黏住所有的Netflix使用者。

不只推荐影片巨量数据更能预测使用者想看的影片

巨量数据除了用来做精准的影片推荐以外，而Netflix首部依照巨量数据打造而来的影片就是Netflix近几年的最热门的自制影集：纸牌屋。

在开始制作纸牌屋之前，Netflix已经透过数据分析，了解了三件Netflix的使用者喜好：第一，很多Netflix上的使用者喜欢导演DavidFincher的电影：社群网战；第二，英国原版的纸牌屋很受欢迎；第三，喜欢英版纸牌屋的Netflix使用者，也喜欢KevinSpacey的电影，或/和导演DavidFincher的作品，因此按照这三项原则打造的纸牌屋，就几乎没有失败的可能。不只是制作面，在宣传时，Netflix也剪了10部不同的预告，分别推荐给10种不同的使用者，喜欢KevinSpacey的使用者可以看到多一点KevinSpacey画面的预告片，喜欢DavidFincher作品的使用者，就可以看到贯穿他执导风格的预告片。

除了预测影集的制作，因为Netflix的月租费向来并不会太过昂贵，所以Netflix并不会在电影下档后，购入每一部电影的版权，而是透过巨量数据分析预测，购入成本效益最高的电影，确保花出去的每一块钱都能有最高的收益。

从影片推荐系统到打造影片，甚至购买版权，Netflix已经完美的将巨量数据分析活用到它服务运作的每一个角落。