Megogo TechBlog
@megogo
120K rpm, 2 Tb/day, 420 Gbit, 2кг кофе/day
8 Followers
data science

Реализовация системы рекомендаций на основе данных о смотрении контента. Часть 1. Продукт

В предыдущих материалах, мы рассказывали о том, как в MEGOGO происходила эволюция системы рекомендаций контента для пользователей. От неперсонализированных рекомендаций по мета-данным через полу-персонализированные подборки и полноценную систему персонализированных рекомендаций PAUL, основанную на явных оценках (лайках и дизлайках) мы пришли к самой передовой системе рекомендаций из всех, что мы сейчас используем, системе основанной на данных о просмотрах пользователей.

Cистема персонализированных рекомендаций видеоконтента в MEGOGO

В предыдущем материале мы рассказали о том, как мы в Megogo начинали строить систему рекомендаций – в частности, о неперсонализированных рекомендациях. Мы продолжаем углубляться в тему, и в этот раз речь пойдет о рекомендациях, основанных на активных действиях пользователей, а также о том, какие у такой системы есть недостатки и преимущества.

Cистема неперсонализированных рекомендаций видеоконтента в MEGOGO

Для любого видеосервиса система рекомендации контента является одним из ключевых инструментов удержания зрителя. Чем проще зрителю найти новый интересный контент – тем лояльнее он будет к провайдеру и тем больше времени проведет на сервисе. Тот же Netflix настолько много внимания уделил системе рекомендаций, что она даже стала одной из «killer feature» сервиса. Однако у внешне несложного алгоритма есть множество подводных камней.