Empfehlungen sind einer der wichtigsten Bestandteile des Netflix-Erlebnisses. Die ursprüngliche Netflix-Empfehlungsmaschine wurde auf Tausenden handgefertigter Merkmale über Benutzer, Artikel und Interaktionen hinweg aufgebaut. Obwohl sich im Laufe der Jahre viele Änderungen an diesem Stack ergeben haben, ist er immer noch recht komplex. Es ist kostspielig, neue Anwendungsfälle zu integrieren.
Große Sprachmodelle (LLMs) haben große Fortschritte in ihrer Fähigkeit gemacht, einem Benutzer Dinge zu empfehlen. Aufgrund ihres breiteren Weltwissens und ihres Sprachverständnisses leisten LLMs gute Arbeit, um Beziehungen zwischen verschiedenen Dingen zu erkennen. Sie können jedoch nicht einfach ein LLM von der Stange nehmen, um Empfehlungen für ein Unternehmen wie Netflix zu generieren. Aus diesem Grund hat das Ingenieurteam von Netflix Gen Rec entwickelt.
Die grundlegende Idee hinter Gen Rec ist es, ein LLM zu verwenden, um den Sehverlauf eines Benutzers besser zu verstehen, um den verschiedenen Filmen und Fernsehsendungen, die auf Netflix gestreamt werden, Bewertungen zuzuweisen. Netflix muss eine Reihe von Anpassungen am Basismodell vornehmen, damit es mit seinen Inhalten und dem Mitgliederverhalten funktioniert.
Ein Empfehlungssystem muss eine grundlegende Frage beantworten: Was sollte zuerst in der Liste der Empfehlungen erscheinen? Die Reihenfolge der Empfehlungen wird von einer Komponente namens Ranker übernommen. Es weist verschiedenen Artikeln basierend darauf, wie geeignet sie für einen bestimmten Benutzer in einer bestimmten Situation erscheinen, Bewertungen zu. Je besser die Bewertung eines Artikels, desto höher erscheint er.
Quelle: ByteByteGo · Zusammengefasst von HeadlinesBriefing