從《紙牌屋》開始，Netflix越來越多地進入國人的視線中。關(guān)于它的用戶推薦系統(tǒng)、“大數(shù)據(jù)分析”等等神話和傳說也有不少，本文是我在查找了一些資料后，整理出來的Netflix的推薦思路和一些方法。太過技術(shù)的算法內(nèi)容實在是hold不住，因此僅從邏輯上進行說明。一來整理自己的思路，二來盡可能學(xué)習(xí)些東西，分享出來歡迎各位討論。

一、坐等風(fēng)來

回顧歷史，Netflix是一家典型的提前布局等風(fēng)來的公司。

1997年8月，在DVD機僅推出幾個月后，Reed Hasting和Marc Randolph創(chuàng)立了Netflix，并在1998年3月上線了全球第一家線上DVD租賃商店。以僅30名雇員拿下了925部電影，這幾乎是當(dāng)時所有的DVD電影存量。

1999年他們推出了全新的按月訂閱的模式，用戶第一次有機會享受到?jīng)]有過期罰款、沒有運費、手續(xù)費等等一系列煩人的東西的服務(wù)。相比Netflix之前使用的單部電影租賃的方式，新模式對用戶更加友好，于是Netflix憑借著這個模式迅速在行業(yè)里建立起了口碑，老舊的單部影片租賃模式也于2000年壽終正寢。

隨后的2001年，由于DVD機售價越來越低，成為當(dāng)年圣誕節(jié)成為最受歡迎的禮物之一，Netflix也在2002年坐上了這趟快車，用戶量得到了巨幅增長。這是Netflix創(chuàng)立四年迎來的第一個風(fēng)口，現(xiàn)在看來不得不感嘆其眼光之獨到。

2005年，他們發(fā)現(xiàn)盡管沒有高清內(nèi)容，但Youtube的流媒體服務(wù)（可簡單理解為在線播放）仍然十分受歡迎，于是放棄了自己的硬件產(chǎn)品Netflix Box轉(zhuǎn)入其中，于2007年上線了流媒體服務(wù)。而隨著日后網(wǎng)絡(luò)帶寬的提升和費用的降低，占據(jù)了先發(fā)優(yōu)勢的Netflix又一次收獲了巨大增長。

2006年，一項名為Netflix Prize的算法大賽橫空出世，Netflix拿出100萬美元獎金讓開發(fā)者們?yōu)樗麄兊膬?yōu)化電影推薦算法。截至2012年第四季度，Netflix已在全球擁有2940萬訂閱用戶。

2012年，Netflix開始嘗試自制內(nèi)容，并于2013年推出《紙牌屋》，高超的內(nèi)容質(zhì)量和一次放出整季內(nèi)容的發(fā)行方式，讓它瞬間風(fēng)靡全球。

今年4月，Netflix的全球訂閱用戶達到1.25億，服務(wù)超過190個國家和地區(qū)。截至今日，它的市值超越迪士尼成為全球互聯(lián)網(wǎng)企業(yè)排名第六的公司。

回顧Netflix這21年的歷史，似乎每一次轉(zhuǎn)型的時機和方向都是如此準確，以至于有些“自然而然”地達成今天的高度。然而如果我們透過現(xiàn)象看本質(zhì)，從萬變中找不變的話，有一件事一定會被提到——個性化推薦。甚至可以說，“個性化推薦”就像Netflix自制的鼓風(fēng)機，第三個風(fēng)口是他們自己造出來的。

沒有明確的資料說明Netflix在做郵寄租賃DVD的時候有沒有推薦機制。但他們確實從最開始的時候，就十分重視數(shù)據(jù)，并開始收集用戶數(shù)據(jù)了：他們會在郵寄的信封里附上問卷讓用戶給電影打分。這些打分數(shù)據(jù)是之后Netflix推薦系統(tǒng)的重要基石之一。

“個性化推薦”一直都是Netflix的殺手锏，數(shù)據(jù)積累和算法研發(fā)的提前讓它在這方面幾乎是不可被超越的，時至今日用戶在Netflix上觀看的80%內(nèi)容都是由推薦而來的。

二、解構(gòu)好萊塢

Netflix的推薦系統(tǒng)之所以能夠如此高效地達成目標，我認為最大的理由是他們教會了“讓機器懂電影”。在一篇名叫<How Netflix Reverse Engineerd Hollywood>的文章中（由Alexis C. Madrigal于2014年發(fā)表）。作者從Netflix的推薦分類出發(fā)，解說了他們是如何解構(gòu)好萊塢進而去給用戶做推薦系統(tǒng)的。

在Netflix的首頁中你會看到一行一行的電影，每一行是一個分類，官方叫它altgenre，或者說“微分類”，每個分類中是一系列的電影。這些分類和電影都是為你量身推薦的。

在這些分類中有一些非常精準、十分有意思的標題：情感充沛的反體制紀錄片（Emotional Fight-the-System Documentaries）、基于事實的皇室掠影（Period Pieces About Royalty Based on Real Life）、80年代的外國邪惡電影（Foreign Satanic Stories from the 1980s）。

那么這些類型是怎么來的呢，作者Alexis做了一件很絕的事情：

他把Netflix的所有分類全爬了下來，共有76897個分類之多。并且將這些分類的用詞和語法做了深入分析，還自己開發(fā)了一個“類型生成器”，生成出了和Netflix類似的結(jié)果。他甚至給出了公式：地區(qū)+形容詞+類型+故事基礎(chǔ)+拍攝地+時代+關(guān)于（什么的內(nèi)容）+適合年齡段（Region… + Adjectives… + Noun Genre… + Based On… + Set In… + From the… + About… + For Age X to Y）。

但看到這里，我們只是看到了Netflix解構(gòu)好萊塢的結(jié)果，那么這一切是從哪里開始的呢？

2006年，Netflix產(chǎn)品副總裁Todd Yellin帶領(lǐng)一票工程師用數(shù)月時間寫了一份長達24頁的名為《Netflix量子論》（Netflix Quantum Theory）的文檔。專門講述如何用“微標簽”（microtag）拆解電影。

這份文檔的目的是作為訓(xùn)練手冊，讓不同的人對微標簽有同樣的理解，以保證能夠系統(tǒng)性地、標準統(tǒng)一地解構(gòu)上千部電影。如今這份手冊已經(jīng)擴展到了36頁。

這份36頁的訓(xùn)練手冊講述了如何給一部影片的性暗示內(nèi)容、血腥程度、浪漫等級、甚至情節(jié)總結(jié)等元素評級。文檔還解釋了如何給影片結(jié)局打標簽、給主要演員的“社會接受度”打標簽、給每部影片的浪漫程度打標簽，更重要的是，每個標簽都有從1到5的評級。

以《超膽俠》電影為例，標簽會包括“四個主要角色”，至于其中Matt Murdock這個角色，會有演員名、角色名、他很“英雄”（heroic）、是個律師等等。

Netflix就是用這樣的方式，解構(gòu)了幾乎所有的電影，用精細、準確的微標簽和評級教會推薦系統(tǒng)去認識電影、解讀電影。

更令人稱道的是，給Netflix打標簽真的是一份工作。Netflix組建了一只團隊，付錢讓他們看電影同時給這些電影打上標簽。有好事的媒體采訪到了一位“標簽員”（tagger），讓他講述給Netflix打標簽是一種什么樣的體驗，十分有意思。

三、解構(gòu)用戶

2012年前后，Netflix的推薦系統(tǒng)經(jīng)歷了一次重大的策略變化，官方技術(shù)博客以名為<Netflix Recommendations: Beyond the 5 stars>的文章（分為1、2兩部分）闡述了這種變化的前因后果：

在郵寄租賃DVD的時代，Netflix能夠獲得用戶的評分，但是用戶觀看電影的過程對平臺是隱形的。但是隨著流媒體業(yè)務(wù)的開展，Netflix終于有機會看到用戶的更多方面。于是他們認識到：

“Everything is a Recommendation.”——一切都是推薦。

由這一想法催生出的，是更加細致、深入的用戶推薦。

Netflix的官方文檔中把自己稱為“幸運”，因為他們有大量的相關(guān)數(shù)據(jù)和能夠把這些數(shù)據(jù)應(yīng)用到產(chǎn)品中的人才。

以下是Netflix用來優(yōu)化推薦系統(tǒng)的數(shù)據(jù)源：

• 數(shù)以百萬計的用戶評分數(shù)據(jù)（tagins），而且每天還在以百萬量級增長；
• 作為算法基準線的項目熱度（item popularity）；
• 包含時長、時間、設(shè)備類型的數(shù)百萬播放數(shù)據(jù)（stream plays）；
• 用戶每天會想自己的列表（queue）中添加數(shù)百萬項目；
• 每個項目下豐富的元數(shù)據(jù)（metadata）；
• 每個項目的展示位置（presentation）和效果；
• 用戶的社交數(shù)據(jù)（social）；
• 百萬級的用戶搜索數(shù)據(jù)（search terms）；
• 來自外部（external data）的票房或影評數(shù)據(jù)；
• 當(dāng)然，實際上用到的數(shù)據(jù)還遠不止這些。

除了和影片相關(guān)的數(shù)據(jù)外，用戶數(shù)據(jù)是Netflix推薦系統(tǒng)的另一重要基石。

轉(zhuǎn)型流媒體后，用戶的所有行為全部在平臺內(nèi)完成，這給了Netflix觀察用戶的絕佳環(huán)境，他們不僅僅知道用戶看過什么，甚至知道他們是怎么看的：什么時候看的，看了多長時間，在哪里暫停，在哪里反復(fù)，在哪里關(guān)閉等等，這些行為數(shù)據(jù)無一不是用戶喜好的體現(xiàn)。

通過分析這些行為數(shù)據(jù)，和解構(gòu)好萊塢得來的影片數(shù)據(jù)進行匹配，讓Netflix的推薦精度越發(fā)準確。

四、推薦新姿勢：個性化海報推薦

去年Netflix推出了一項新的推薦功能：個性化海報推薦，具體來說就是“不同的用戶看到的同一個電影的推薦海報是不一樣的”。如果你喜歡動作戲，則可能你看到的海報是片中的打斗場面，如果你喜歡片中某個主演，那么你看到的是以他為主角的海報。

這一功能的源頭同樣是對電影內(nèi)容和用戶喜好的解讀。認為地去創(chuàng)造更多的“一見鐘情”，進一步提高了推薦系統(tǒng)的效率。

五、Netflix的自省

1.從官方文檔透露中的信息來看，長久以來Netflix雖然對算法十分依賴，但也意識到它的不足，這種不足可能是所有的算法都躲不開的——“越推薦越相似”。因此Netflix的算法中十分關(guān)注“不同”（adversity）。新奇、多樣性、新鮮度，都是推薦中考慮的因素。

盡力幫用戶去“發(fā)現(xiàn)”興趣，這也是Netflix的推薦目標之一。

2.關(guān)于前邊提到的個性化海報推薦，官方特別地說明了對它的擔(dān)憂：不希望它變成“騙”用戶看電影的功能，也就是說要盡力把這個功能控制在一個度里，說白了就是不“標題黨”，為了讓用戶去看某個電影而強行用海報勾引他。

六、后記

就在我寫這篇文章的前幾天，Netflix又做出了兩個重要改變：1. 把五星評價系統(tǒng)改為“喜歡/不喜歡”的評價系統(tǒng)；2. 取消了影片下的評論功能。

關(guān)于這兩個改變網(wǎng)上有些解讀，但我還沒想清楚，就不追這個熱點了。

關(guān)于Netflix可說的還有很多，最近他們還推出了另一個官方博客：Netflix Research，加上原有的the Netflix Tech Blog，有興趣的各位可以關(guān)注一下。

參考資料：

• <Netflix Recommendations: Beyond the 5 stars (Part 1)>：https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429
• <Netflix Recommendations: Beyond the 5 stars (Part 2)>：https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-2-d9b96aa399f5
• < How Netflix Reverse Engineered Hollywood>：https://www.theatlantic.com/technology/archive/2014/01/how-netflix-reverse-engineered-hollywood/282679/
• <Netflix tagging: Yes, it’s a real job>：https://www.washingtonpost.com/news/arts-and-entertainment/wp/2015/06/11/netflix-tagging-yes-its-a-real-job/?noredirect=on&utm_term=.51f470d15c18

作者：Shady，微信公眾號：ShadyDesign

本文由 @Shady 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash ，基于 CC0 協(xié)議