Publié le 2024-02-29 14:35:00. Netflix a publié une analyse approfondie de l’impact de son système de recommandation sur l’engagement des utilisateurs, révélant que celui-ci est responsable d’environ 40 % du temps de visionnage total. L’étude détaille une nouvelle approche pour quantifier précisément cette influence, en allant au-delà des simples corrélations.
- Le système de recommandation de Netflix génère environ 40 % de l’ensemble des visionnages.
- La sélection et le ciblage des contenus sont les principaux moteurs de cet impact, surpassant l’effet de la simple mise en avant.
- Sans recommandations, la consommation globale de contenus sur la plateforme chuterait d’environ un tiers.
Netflix a dévoilé un document de travail technique décrivant une méthode innovante pour évaluer la valeur de son algorithme de recommandation. L’objectif était de déterminer dans quelle mesure les suggestions de contenus influencent les choix des utilisateurs, en tenant compte de leur historique de visionnage. Les chercheurs ont développé un modèle de choix logit multinomial sophistiqué, capable de quantifier l’impact causal des recommandations sur l’engagement.
Contrairement aux approches traditionnelles, qui s’appuyaient sur la factorisation matricielle – une technique largement utilisée dans les premiers systèmes de recommandation, y compris celle qui avait permis à Netflix de remporter son célèbre prix en 2009 – cette nouvelle méthode utilise un système dynamique de préférences utilisateur. Au lieu de créer des profils statiques pour chaque utilisateur, le modèle calcule en temps réel un vecteur de préférences basé sur les vidéos récemment visionnées. Chaque vidéo est représentée par une intégration de contenu, pondérée par un mécanisme d’attention qui évalue son influence sur les préférences globales de l’utilisateur.
Ce vecteur de préférences est ensuite combiné avec une indication binaire signalant si le contenu visionné a été recommandé ou non, afin de calculer un score d’utilité pour chaque élément. Ces scores sont convertis en probabilités via une fonction Softmax, et le modèle est entraîné à prédire avec précision le contenu que l’utilisateur a choisi de regarder. En exploitant les variations naturelles des recommandations, l’équipe de Netflix a pu déterminer ce qu’un utilisateur aurait probablement regardé si les suggestions avaient été différentes, permettant ainsi d’évaluer l’impact contrefactuel des recommandations.
L’analyse a révélé que l’impact des recommandations se décompose en trois dimensions : la sélection (le fait de proposer des contenus pertinents), le ciblage (le fait de proposer des contenus adaptés aux goûts de l’utilisateur) et l’exposition (le fait de mettre en avant des contenus moins connus). Les résultats indiquent que la sélection et le ciblage contribuent le plus à l’augmentation du temps de visionnage, tandis que la mise en avant de contenus populaires, via des sections comme le Top 25 ou le Top 100, génère également un impact mesurable.
À ne pas manquer
