Рекомендации контента для онлайн-кинотеатров и медиаплатформ

Каталог видеосервиса или медиахолдинга насчитывает десятки тысяч единиц контента, а пользователь видит на главном экране двадцать. От того, какие именно двадцать, зависят время в сервисе, удержание подписки и отток. Редакционные подборки и простые «похожие по жанру» алгоритмы не учитывают контекст: время суток, устройство, недосмотренные серии, поведение похожих зрителей.

Обучение современных рекомендательных моделей — двухбашенных сетей, трансформеров на последовательностях просмотров — требует GPU, а данные о поведении подписчиков относятся к коммерческой тайне и персональным данным, поэтому платформы стремятся считать их на собственной инфраструктуре.

События просмотров, поиска и оценок поступают в хранилище, где обучаются модели кандидатов и ранжирования. Кандидаты подбираются по эмбеддингам пользователей и контента, финальный порядок задаёт ранжирующая модель с учётом бизнес-целей: новинки, лицензионные обязательства, разнообразие.

• Ежедневное переобучение на свежих событиях, обновление эмбеддингов контента при добавлении новинок.
• Холодный старт по метаданным и описаниям через мультимодальные эмбеддинги.
• A/B-тестирование стратегий и контроль метрик удержания.
• Персональные подборки, «продолжить просмотр», push-уведомления и рекомендации в EPG.

Какие данные нужны

• События просмотров, поиска и оценок
• Метаданные каталога: жанры, актёры, описания
• Данные о подписках и оттоке