本文总结了Netflix推荐系统的技术细节，包括Matrix Factorization和Restricted Boltzmann Machines等算法在排名阶段的应用，强调了Accuracy、Diversity和Awareness三大目标。Netflix的推荐系统由retriver和ranker组成，使用各种数据源如用户评分、流播放事件和元数据等，并考虑多种模型如线性回归、梯度提升决策树等进行排序。
这一系列的文章是关于netflix techblog的推荐系统相关文章的总结。大部分内容来自netflix-techblog:recommendations
按照时间顺序，最早的关于推荐系统的文章发表于2012年.
Netflix Recommendations: Beyond the 5 stars (Part 1)
Netflix Recommendations: Beyond the 5 stars (Part 1)
最早在2006年，Netflix举办了一个名叫Netflix Prize的比赛，用来征集movie rating prediction算法。最终， Matrix Factorization和Restricted Boltzmann Machines (RBM)算法在比赛中取得了最好的结果。Netflix把这两个算法用到了自己的产品中。
Netflix在这篇blog中阐述了推荐算法的重要性以及他们为什么要使用推荐算法，但我们忽略这一部分，只阐述技术相关的问题。
从用户进入首页开始，Netflix就开始在各种地方使用推荐系统，以使用户尽可能获得个性化的体验。Netflix的推荐系统有这些目标：
- Accuracy：这是一般推荐系统都有的预测准确度的目标
- Diversity：在家庭使用的场景，多样性
最低0.47元/天 解锁文章
扫一扫
899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
