¿Cómo aborda Netflix el problema del intercambio entre precisión y diversidad / casualidad / novedad de sus sugerencias de recomendación?

Es un problema clásico de teoría de cartera, donde la diversificación podría proporcionar más valor en comparación con ser mortalmente precisa. Una buena analogía es la diversificación de los resultados de búsqueda de Google. Un resultado de búsqueda preciso podría significar un conjunto de documentos web muy similares que no proporcionan mucho valor. Mientras que la diversificación intencional de resultados podría ser mucho más interesante para los usuarios.

En el caso de Netflix, el
(A) La precisión podría verse como la precisión del motor de recomendaciones de Netflix que tiene el trabajo de comprender el gusto de un usuario (en función de lo que ha visto) y recomendar películas basadas en eso.
Algunas características interesantes que pueden conducir a una mayor precisión en la recomendación son:

1. Calificación personalizada (lo que los usuarios similares a usted han visto, calculado mediante el filtrado colaborativo)
2. Calificación de la hora del día (a la gente le gusta ver diferentes géneros en diferentes momentos. Esto se puede aprender simplemente modelando el comportamiento del usuario)

(B) mientras que la diversificación podría provenir de una variedad de características como

• ¿Dónde puedo ver una película?
• ¿Es Hotstar el indio Netflix?
• ¿Qué son los canales privados en Roku?
• ¿Cuáles son los códigos para películas ocultas para la transmisión de Netflix?
• ¿Es Showmax / Netflix mejor que DSTV en Sudáfrica?

1. Calificación global (lo que es altamente calificado a nivel mundial)
2. Calificación temporal (lo que es tendencia ahora)
3. Calificación regional (lo que es popular en su condado / ciudad)
4. Calificación estacional (generalmente cubierta por calificación regional)

Es probable que Netflix utilice una combinación ponderada de estas funciones de precisión y diversificación para su recomendación final. Además, los pesos suelen ser personalizados y aprendidos utilizando técnicas de aprendizaje automático estándar (principalmente observando cómo un usuario ha respondido a los resultados diversificados en el pasado).