【案例】揭秘Netflix个性化推荐系统，你看到哪版电影海报？由算法决定

案例地址： https://www.iyiou.com/p/62735

（以下为案例的简要概述，便 于之后能快速检索到相关内容。部分文字与图片可能直接来自原文，如有侵权请告知，谢谢）

1. 目标：在已有推荐结果的基础上，选择更可能吸引用户的个性化海报配图，进一步提高推荐结果点击率

2. 举例：

1）对于看过很多爱情片的用户，采用接吻镜头的剧照

2）对于看过很多喜剧片的用户，采用罗宾•威廉姆斯（Robin Williams，著名喜剧演员）的剧照

3. 面临的挑战：

1）如何进行测评：有可能该推荐结果太好，不管我们采用哪张剧照用户都会点击进去。如何检验点击率的增加是否来自于个性化的海报？

2）对于一个用户，当我们在多次推荐时采用不同的海报，是否会让用户误解为是不同的电影？

3）同一页影片海报之间的影响。我们需要考虑到同一页图片的多样性，如果全是接吻剧照，那整个页面可能会比较奇怪

4）在技术上进行大规模个性化配图：需要在电影上映时快速响应，并且算法要不断适应，因为观众的口味随影片的生命周期也可能产生变化

4. 采用“上下文老虎机”进行在线学习

1）“多臂老虎机”：当你进入一个赌场，你发现A老虎机赢的概率高，B老虎机赢的概率低，你当时一个策略是全是用A老虎机。但是接着往下，可能A老虎机赢的概率低，B老虎机反而一直吐钱了。

“多臂老虎机”就是合理利用现有信息（如A老虎机胜率高），同时进行一些探索（试一试B老虎机，但数据探索有代价），寻找最优策略。

2）由于Netflix拥有大量用户，探索过程分摊到用户群里，每个用户受到的影响可以忽略不计，而Netflix就可以获得训练所需要的数据

3）采集的数据主要是三元组（用户，影片，图片）

4）“上下文老虎机”即利用了上下文数据的图片推荐模型

5. 如何评估模型表现：

1）对于用户群A，采用随机选择海报的方式进行推荐

2）对于用户群B，采用模型推荐的个性化海报

3）找到A和B中看到同一张海报的样例，用这些样例来计算推荐转化率【对与A群用户，他们看到这张海报是随机产生的；对于B群用户，他们看到这张海报是模型产生的。通过该方法去除海报质量的影响，有些海报本来就吸引人点击】

6. 效果