المعلوماتية > برمجيات

كيف تقترح (Netflix) ما نُحبه؟

نيتفلكس (Netflix) هي شركة رائدة في بث المحتوى في العالم بأكثر من 150 مليون مشترك يتوزّعون في أكثر من 190 دولة (4). وحسب إحصائيات في عام 2019؛ يستهلك المستخدمون ما يُقدَّر بـ164.8 مليون ساعة يوميًّا على Netflix، ويُعادل هذا بث 18،812 سنة من الأفلام والمسلسلات كل 24 ساعة، وهو كمية بيانات تُقدّر بـ180.5 مليار Gigabytes غيغا بايت (6).

ستكون قصة نجاح Netflix ناقصة من دون نظام الاقتراحات (Recommender System) الذي يركّز على تقديم تجربة شخصية خاصة لكل مستخدم (4).

الحاجة إلى نظام توصيات

قبل الغوص في تفاصيل نظام التوصيات لا بُدّ من معرفة تطور الحاجة إليه تاريخيًّا.

كنا نعتمد في البداية على البث التلفزيوني وأنظمة الكابلات التي تقدّم كل ما يُشغَّل الآن ونختار منها من 10 إلى 20 قناة مفضلة لمشاهدتها، مقارنةً بتلفزيون الإنترنت (Internet TV) الذي يعطي حرية الاختيار (1).

ولكنّ البشر سيّئون على نحو مدهش في الاختيار بين عديدٍ من الخيارات، ويرتبكون بسرعة ويختارون "لا شيء مما سبق" أو يتخذون خيارات سيئة (1).

تشير أبحاث المستهلك إلى أنّ مشترك Netflix النموذجي يفقد الاهتمام بعد 60 إلى 90 ثانية من الاختيار؛ أي بعد مراجعة 10 إلى 20 عنوانًا (فيلم أو مسلسل)، وهنا تبرز أهمية وجود محتوى جذاب للمستخدم والذي بدونه قد يجعل Netflix تخسر المستخدمين (1).

تاريخيًّا، كانت Netflix في بدايتها شركة تأجير أفلام تعتمد على نظام الاشتراكات لإعطاء أقراص DVD إلى المشتركين في الولايات المتحدة، وقد دأبت Netflix على إيجاد نظام اقتراحات قوي وفعال لمستخدميها وتطويره؛ فقد كانت في البداية تعتمد على خوارزمية تسمى "CineMatch"، والتي كانت ناجحة في توقع ماذا يعجب المشتركين بالخدمة.

لاحقًا، ولتطوير نظام اقتراحاتها؛ أطلقت Netflix في عام 2006 مسابقةَ "Netflix Prize"، وهي مسابقة تعلّم آلة (Machine Learning) وتنقيب معطيات (Data Mining) بجائزة قدرها مليون دولار أمريكي، وذلك لإيجاد نظام الاقتراحات وتحسينه في ذلك الوقت (1).

انتقلت الشركة في عام 2007 إلى تقديم خدمة بث المحتوى عبر الإنترنت، وهذا ما جعل كمية المعلومات تتضاعف مثل المحتوى والمستخدمين مقارنةً بكمية المعلومات السابقة، وظهرت الحاجة إلى نظام اقتراحات جديد استجابةً للمتغيرات الجديدة التي يحملها الانتقال إلى تلفزيون الإنترنت (Internet TV) الذي يحتوي على تشكيلة أكبر من المحتوى المُوجَّه إلى أذواق ومناطق جغرافية متعددة (1).

حاليًّا، يتكون نظام التوصيات من مجموعة متنوعة من الخوارزميات التي تُكوّن مجتمعةً تجربة Netflix، والتي تظهر معظمها معًا على صفحة Netflix الرئيسية (1).

نظام توصيات Netflix

عندما تدخل إلى Netflix، يقدّر نظام التوصيات احتمالَ مشاهدة عرض معين في الكتالوج الخاص ب Netflix بناءً على عدد من العوامل، وهي كالآتي (2):

تفاعلاتك مع الخدمة (مثل سجل العرض الخاص بك وكيف صنّفت العناوين الأخرى).
الأعضاء الآخرين الذين لديهم أذواق وتفضيلات مماثلة لذوقك، وهذا ما يسمى بالتصفية التعاونية (Collaborative filtering)*.
معلومات عن العناوين؛ مثل النوع والفئات والممثلين وسنة الإصدار وما إلى ذلك.

إضافةً إلى معرفة ما شاهدته على Netflix، لتخصيص التوصيات على نحو أفضل؛ ينظر نظام التوصيات في أشياء مثل (2):

وقت المشاهدة ضمن اليوم.
الأجهزة التي تشاهد عبرها Netflix.
مدة المشاهدة.

إنّ هذه البيانات جميعها تُستخدَم مدخلاتٍ تُعالَج في نظام التوصيات، لتُعرَض على ما يشبه المصفوفة في الصفحة الرئيسية؛ كل حقل في المصفوفة هو فيديو موصى به، وكل صف من مقاطع الفيديو يحتوي على توصيات تتضمن "سمة" مشابهة مثلًا (الدراما- الأكثر شعبية) (2)._{ما الخوارزميات المستخدمة؟

تستخدم Netflix مجموعة متنوعة من الخوارزميات التي ترتّب وتصنّف، فيما يأتي أبرزها:

ترتيب الفيديو الشخصي (Personalised Video Ranking (PVR

هي خوارزمية مسؤولة عن فلترة السطر الذي يحتوي على عروض ذات معايير مشتركة (مثلًا: أفلام عائلية -عروض التلفزيون الأميركي) في الصفحة الرئيسية (1).

_{مثال على خرج خوارزمية PVR}

أبرز المقاطع Top-N Video

مشابهة للخوارزمية السابقة، ولكنّ الفرق أنها تنظر إلى أكثر العروض تقييمًا في كتالوج العروض الخاص بالمشترك (1).

_{مثال على خرج خوارزمية Top-N Video}

شائع الآن Trending Now

هذه الخوارزمية تأخذ بعين الحسبان العناوين الشائعة في الوقت الحالي، ويمكن أن تكون تبعًا لأحداث موسمية (على سبيل المثال؛ في موسم عيد الحب تزداد العروض الرومانسية)، أو تبعًا لأحداث مفاجئة؛ مثل ظهور فيروس كورونا الذي أدى إلى زيادة الاهتمام بالوثائقيات التي تتحدث عنه (1).

_{مثال على خرج خوارزمية Trending Now}

أكمل مشاهدة Continue Watching

تنظر هذه الخوارزمية إلى العروض التي استهلكها المستخدم ولكن لم يكملها، وتحسب الخوازرمية احتمالَ عودة مشاهدة المستخدم مراعيةً عدة إشارات؛ مثل الجهاز الذي شُوهد عبره، والوقت المستغرق منذ المشاهدة (1).

_{مثال على خرج خوارزمية Continue Watching}

لأنك شاهدت Video-Video Similarity (Because you watched)

تعتمد الخوارزمية على خوارزمية التصنيف المعتمد على المحتوى (content-based filtering algorithm). اعتمادًا على المحتوى المستهلك؛ تُحسَب درجة التشابه بين العناصر الأخرى مع العناصر المستهلكة، ومن ثم تُولَّد أكثر العناصر المتشابهة.

ولدى المقارنة بباقي الخوارزميات، تكون هذه الخوارزمية غير مرتبطة بشخصية المستخدم، وهي الأقل شخصية (1).

_{مثال على خرج خوارزمية (Because You Watched (BYW}

عملية توليد الصفحة الرئيسية

إنّ اختيار مقاطع الفيديو لكل سطر يُمثّل تقدير نظام التوصيات لكل مستخدم؛ ولكنّ أغلب المستخدمين لديهم مزاج مختلف من جلسة إلى أخرى، وهناك العديد من الحسابات التي يشاركها أكثر من مستخدم، وهكذا تُوفَّر أسطرٌ متنوعة من المحتوى (1).

تستخدم خوارزمية توليد الصفحة خرجَ كل الخوارزميات السابقة لإنشاء صفحة مفردة من التوصيات، آخذةً بالحساب علاقة كل سطر بالآخر وتنوع الصفحة؛ إذ يملك المستخدم النموذجي عشرات الآلاف من الأسطر التي قد تظهر على صفحة واحدة؛ مما يجعل إدارتها تحديًا (1).

تُولَّد الصفحة بالطريقة الموضّحة بالشكل أدناه:

تحدي "البداية الجديدة" Cold Start

عندما تنشئ حساب Netflix الخاص بك، أو تضيف ملفَ تعريف جديد في حسابك؛ يطلب منك Netflix اختيار بعض العناوين التي تريدها عن طريق ما يشبه ملء استمارة، وتُستخدَم هذه العناوين من أجل تهيئة نظام التوصيات بالمتغيرات الخاصة بكل مستخدم (2).

إذا اخترت التخلي عن هذه الخطوة، فسيبدأ حسابك بمجموعة متنوعة وشعبية من العناوين (2).

المجتمعات المتنوعة

في البداية عند إطلاق Netflix خدماتها على المستوى العالمي، ظهرت عقبة إحدى أسبابها الأمور المرتبطة بترخيص المحتوى في كل دولة من دول العالم؛ مما أدى إلى امتلاك Netflix كتالوجات مختلفة من المحتوى للدول المختلفة.

وقد قاد هذا Netflix إلى تجميع الدول إلى مناطق تملك كتالوجات متشابهة، ولكن بشرط أن تملك قاعدة من الأعضاء كافية لتوليد المعطيات اللازمة لاستخدام النماذج الخاصة بنظام التوصيات، عندها تُمرَّر نسخ من كل الخوارزميات لكل منطقة على حدة. وكما نرى؛ مثّلت هذه الطريقة حلاً غير مجدٍ، وبالتالي كان الهدف هو تطوير نظام توصية عالمي (Global Recommender) يشارك البيانات عبر الدول المختلفة، وهذا ما يحسّن التوصيات للدول ذات عدد المستخدمين الصغير بدون التأثير في الدول ذات عدد المستخدمين الكبير (1).

وفي الوقت القريب، لدى مستخدمي Netflix في مختلف أنحاء العالم الكثير من الأمور والقواسم المشتركة التي تفوق تخيلاتهم. فعلى سبيل المثال؛ تتمثل إحدى الطرائق التي تنتهجها Netflix في تقديم الاقتراحات الشخصية إلى الأفراد الأعضاء بتحديد أعضاء مجتمعات أخرى طبقًا للأفلام والبرامج التلفزيونية المماثلة التي يفضلونها، ثم تقديم الاقتراحات وفقًا لما هو شائع داخل هذه المجتمعات.

فبدلًا من التعرف إلى ما يهواه المشاهد من خلال النظرة الضيقة للبلد التي يقطنها أو الكتالوج الذي يتّبعه، فإن نظام الاقتراحات الخاص بـ Netflix يعمل على إيجاد المجتمعات العالمية وثيقة الصلة وفقًا للذوق والتفضيلات الشخصية للعضو، ثم استخدام هذه الأفكار والمعلومات لتقديم عناوين أفضل لكل عضو، بصرف النظر عن مكان وجوده (1).

تخصيص أغلفة العروض

نقطةُ قوة أخرى في نظام التوصيات الخاص بـ Netflix أنه يغيّر أغلفة العروض تبعًا لتفضيلات المستخدم؛ مما يجعل المحتوى أكثر جاذبيةً وإغراءً للمشاهدة.

على سبيل المثال؛ يمكن أن تكون من محبّي ممثل معين وتشاهد أفلامه، عندها سيُعرَض الغلاف الذي يحتوي الممثل المفضل لديك من مختلف الأغلفة الأخرى للفيلم المشارك فيه مع ممثلين آخرين (3).

_{مثال على اختلاف الأغلفة حسب المستخدمين}

ختامًا، من الواضح جدًّا أنّ دمج Netflix للبيانات والخوارزميات والتخصيص من المرجح أن يجعل المستخدمين ملتصقين بشاشاتهم وقتًا أكبر، ومن المثير للاهتمام أن نرى كيف سيُعاد تشكيل صناعة الإعلام والترفيه مع استخدام تعلم الآلة والذكاء الصنعي.

هامش

*التصفية التعاونية (Collaborative filtering):

هي تقنية تستخدمها أنظمة التوصية لعمل تنبؤات تلقائية (تصفية) عن اهتمامات المستخدم عن طريق جمع التفضيلات أو تذوق المعلومات من العديد من المستخدمين (التعاون) (5).

إنّ الافتراض الأساسي لتقنية التصفية التعاونية هو أنه إذا كان لدى الشخص (أ) رأي الشخص (ب) نفسه في قضية ما، فمن المرجح أن يكون لدى (أ) رأيُ (ب) في مسألة مختلفة (5).

مثلًا في نظام توصية الأفلام، تقترح التقنية الأفلام المناسبة للشخص (أ) بناءً على ذوق الشخص (ب) المشابه له وما شاهده.

المصادر:

1- GOMEZ-URIBE C، HUNT N. The Netflix Recommender System: Algorithms، Business Value، and Innovation: ACM Transactions on Management Information Systems: Vol 6، No 4 [Internet]. Dl.acm.org. 2015 [cited 1 May 2020]. Available from: هنا;

2- How Netflix’s Recommendations System Works [Internet]. Help Center. 2020 [cited 25 June 2020]. Available from: هنا

3- Jebara T، Basilico J، Amat F، Chandrashekar A. Artwork Personalization at Netflix [Internet]. Medium. 2017 [cited 29 June 2020]. Available from: هنا

4- Watson A. Netflix - Statistics & Facts [Internet]. Statista. 2020 [cited 25 June 2020]. Available from: هنا;

5- Wales T، University M. Encyclopedia of Machine Learning and Data Mining | SpringerLink [Internet]. Link.springer.com. 2017 [cited 29 June 2020]. Available from: هنا

6- Netflix Users Collectively Stream 164.8 Million Hours of Video Per Day [Internet]. Soda. 2019 [cited 25 June 2020]. Available from: هنا}