Rekomendasi adalah salah satu bagian terpenting dari pengalaman Netflix. Mesin rekomendasi asli Netflix dibangun di atas ribuan fitur buatan tangan di seluruh pengguna, item, dan interaksi. Meskipun banyak perubahan telah terjadi pada tumpukan ini selama bertahun-tahun, ini masih cukup rumit. Biaya untuk mengintegrasikan kasus penggunaan baru cukup mahal.
Model bahasa besar (LLM) telah membuat kemajuan besar dalam kemampuan mereka untuk merekomendasikan hal-hal kepada pengguna. Karena pengetahuan dunia yang lebih luas dan pemahaman bahasa, LLM melakukan pekerjaan yang baik dalam menemukan hubungan antara berbagai hal. Namun, Anda tidak bisa begitu saja mengambil LLM yang sudah jadi untuk menghasilkan rekomendasi untuk perusahaan seperti Netflix. Inilah sebabnya tim teknik Netflix membangun Gen Rec.
Ide dasar di balik Gen Rec adalah menggunakan LLM untuk lebih memahami riwayat tontonan pengguna untuk memberikan skor pada berbagai film dan acara TV yang streaming di Netflix. Netflix harus melakukan serangkaian penyesuaian pada model dasar agar dapat bekerja dengan konten dan perilaku anggota mereka.
Sistem rekomendasi harus menjawab pertanyaan dasar: Apa yang harus muncul pertama dalam daftar rekomendasi? Pengurutan rekomendasi ditangani oleh komponen yang dikenal sebagai ranker. Ini memberikan skor ke berbagai item berdasarkan seberapa cocok mereka untuk pengguna tertentu dalam situasi tertentu. Semakin baik skor suatu item, semakin tinggi item tersebut muncul.
Sumber: ByteByteGo · Diringkas oleh HeadlinesBriefing