登入Netflix會員,映入眼簾的影片封面、簡介甚至是預告,都是為每位使用者客製的。這些客製化封面和內容,不只助使用者找到喜歡的影集,還能發掘意料外但有趣的新片。這就是Netflix提高黏著度的關鍵手法。
早在2017年,Netflix就設計出內容客製化的機器學習(ML)演算法,來為每位會員呈現不同的劇照封面。但,系統是如何選出一組組最佳劇照,來供推薦選用?Netflix最近終於揭露上億用戶客製化推薦的2大方法論。
由上而下:專家知識主導
第一種方法是由上而下,由Netflix團隊主動出擊、聯手內部專家,藉專家過往經驗,來找出推薦效果良好的圖片特徵,再以電腦視覺和ML技術來對這些特徵建模。這些特徵有2種,一是涵蓋顏色、紋理等的低階特徵,二是包含臉孔數量、表情和構圖等元素的高階特徵。
比如,在一張《紫色愛戀》(Purple Hearts)男女主角對視的封面中,團隊可能截取以下特徵:人數–2人、人物位置–相互面對、情緒–中性至正向、飽和度–低、物件–軍裝等。
不只靠專家經驗,Netflix也用預訓練模型或API來找出圖片特徵,像是人臉偵測、物件標記。但,模型雖能辨識一張圖片有哪些元素,卻難以判斷彼此間的關係,比如朋友還是戀人。於是,Netflix建立內部資料集和模型,打造幾款輔助型ML工具,來幫專家更快、更有效率地訓練模型,用這些專屬模型來搜尋各種圖片屬性。
有了圖片特徵,Netflix還會用各種預測和因果方法來找出洞察,也就是口碑好的影片,背後有哪些重要屬性。這些洞察,就能用來定位即將推出的新片。舉個有趣的例子,Netflix從自家目錄發現,單人肖像封面往往比多人肖像封面更吸引觀眾。
由下而上:讓數據說話
由上而下方法雖能找出清楚、可執行的洞察,但非常受限於專家的已知知識,難以找出其他有影響力的特徵。
於是,Netflix提出另一種由下而上的方法,也就是團隊不作任何先入為主的猜測,改為觀察數據所呈現的模式和特徵,再以這些特徵找出最佳劇照。具體做法是,團隊先撈出一組組相似的圖片,再讓自家創意專家從各組圖片中,找出洞察、模式和靈感。
為找出這一組組圖片,技術團隊先採用大型預訓練卷積類神經網路,來對圖像相似度建模。網路的前幾層,通常會對低階相似度的特徵建模,比如顏色、邊、紋理和形狀,後面幾層捕捉的特徵,則會按任務需求來分類圖片,例如找出相似的物件。接著,團隊會使用k-means這類非監督式分群演算法,來在圖片中分群。
以《紫色愛戀》為例,專家可參考模型分群的圖片,從中尋找設計靈感。由於該片主角是海軍軍人,創意專家透過模型找出類似封面,並搭配這些影片的過往觀看記錄,來選擇最佳元素。比如在過往觀看數據中,軍事戰爭相關、角色持槍、表情嚴肅、沒有正視鏡頭的劇照都有好成績,專家就能運用這些元素,來設計新片封面。
同時,《紫色愛戀》還有浪漫愛情故事線,團隊也能用模型分類出愛情相關劇照,並從中得知,親密接觸等肢體語言代表愛情關係,因此可用這個原則,來為其他觀眾設計另一種封面。
不只如此,專家也能從這些分類中,得知哪些事不該做。假設,同樣是軍事戰爭相關劇照,有幾組輪廓飽和度高的影集劇照,在過去宣傳成效都不佳,專家就會進行測試來確認因果關係,最終就不會用這種組合來行銷新片。
Netflix創意團隊用模型找出宣傳成效不錯的劇照封面(圖左),再根據這些特徵,來設計新片封面,如圖右的《紫色愛戀》。圖片來源/Netflix
輔助方法:會員分群
除了2大方法論,Netflix也採用一種常見的會員分群手法,來輔助找出推薦宣傳用的最佳封面。簡單來說,技術團隊會根據幾個基本特性,如觀看習慣,來分群會員,或是根據封面個人化演算法對每位會員的推薦成效,來歸類愛好類似的會員。如此,團隊就可預測,不同群組會對哪些影片感興趣,甚至能推測出,哪些影片可能與這些會員產生共鳴,擊中觀眾好奇心。
舉例來說,假設Netflix將會員分為喜歡浪漫和偏好動作2大類,來評估2組會員對同一影片的反應。團隊可能發現,8成《紫色愛戀》的觀眾屬於浪漫派,2成屬於動作派,而且,浪漫派的代表性粉絲,對明星情侶相擁的劇照反應最強烈,動作派觀眾則對士兵在戰場上的劇照反應最強。得到這些洞察後,Netflix就能推測,特定使用者群可能對即將推出的同性質新片感興趣,甚至反過來,一些即將推出的新片可能會引起某群會員的共鳴。這些洞察,就能幫助Netflix建立新片宣傳的策略。
熱門新聞
2024-12-03
2024-11-29
2024-12-02
2024-11-20
2024-12-02