takapy0210
commented
3 years ago Meta
- Link: https://netflixtechblog.com/supporting-content-decision-makers-with-machine-learning-995b7b76006f
- Author: Netflix Technology Blog
- Date: Dec 11, 2020
どんなもの？（3行ぐらいで）
- Netflixの機械学習活用事例
- どのようなコンテンツを制作（購入もかな？）するか、機械学習を用いて意思決定のサポートをしている
- 具体的には、タイトル毎の視聴者数などを予測し、視聴者が多くなるようなコンテンツを優先する、というもの
詳細
- どのコンテンツがヒットするかどうかを予測するのは難しい（不確実性が高い）のと同様に、コンテンツに払う料金は高い。
- この不確実性を軽減するために、過去データを参考にして類似タイトルがある場合は、そこからタイトルの潜在的な視聴者を特定するのに役立てている。主に知りたいことは下記の2つ。
- 既存タイトルの中でどのタイトルと比較でき、それはどのように比較するのか
- どの地域でどのくらいの視聴者を見込めるか
アプローチ
- コンテンツのメタ情報から埋め込みを計算させ、その結果を下流モデルの入力として用いる
Similar titles
- コンテンツの埋め込みは、タスク設定で解釈の仕方が異なる
- ジャンルを分類するモデルから得られた埋め込みは、テーマ的に類似しているタイトルが近くなっている
- 視聴者数を予測するモデルから得られた埋め込みは、類似したパフォーマンス特性を持つタイトルが近くなっている
- これら複数の類似マップは意思決定者にとって貴重なツールになっている
Audience sizing
- 教師あり学習でモデリングを行い、視聴者数を予測している
- これで、例えば日本でかなり視聴者を獲得できそうであれば、どのようにプロモーションすれば良いか、どのようにローカライズすれば良いかが、予め想定できる。
- これで、例えば日本でかなり視聴者を獲得できそうであれば、どのようにプロモーションすれば良いか、どのようにローカライズすれば良いかが、予め想定できる。
上記の埋め込みの計算方法
- ここでは、教師あり学習と自己教師あり学習を用いて埋め込みを計算している
教師あり学習
- 以下の2パターンの学習タスクを実施した
- {metadata, tags, summaries} → content category
- {metadata, tags, summaries, country} → audience size in country
- ポイントとしては、metadata, tags, summariesなどの情報を適切な表現に落とし込むためのエンコーダーと、エンコードされた情報を用いてcontent category, audience size in countryを予測するタスク、の2つを用いたこと。
- エンコーダにはパラメータが豊富なモデルを、予測モデルには単純なモデルを選んだ
- エンコーダにはパラメータが豊富なモデルを、予測モデルには単純なモデルを選んだ
自己教師あり学習
- Knowledge Graphsを応用した自己教師あり学習
- Netflixでは、この概念をコンテンツの世界に含まれる知識に応用している。
所感
- プロダクト以外にも機械学習活用している事例としては初めて知ったかも
- おそらく、レコメンデーションにも今回のブログに書いてあった埋め込みとかをうまく使ってるんだろうなと予想
- 埋め込み計算は参考にできそう感
個々人の知識を縦横に広げてレベルアップをするのが目的です。
Main contents
TBD
Others