Netflix 是如何推荐电影的

在信息爆炸的时代，我们面对的选择越来越多 。内容提供商们，比如音乐电台、视频流媒体、应用商店等，常常把内容分成不同的类型，以供用户们选择。不过，类型常常是一种宽泛的分类，并不能完全满足用户个性需求，而且类型区分过细的话，常常使人无所适从。

在这种情况下，智能推荐开始出现了。得益于计算机技术的进步，内容提供商能够对用户的爱好做出更为细致的分析，从而做出更加个性化的推荐。通过对 Netflix 影片分类的深入分析，以及采访 Netflix 产品副总裁，Atlantic 网站的 Alexis C. Madrigal 揭示了 Netflix 影视推荐背后的真相。

Netflix 推荐影片的时候，会给出一个非常细致的类型，或者说是一种 “微类型”。Alexis 想要整理出一份完整的微类型列表。由于 Netflix 的微类型多得离谱，他不得不借助于自动处理软件。在计算机连续运作一天之后，他看到了 Netflix 微类型的数量：76897 个。这些微类型是由一些基本要素构成的，基本语法是这样：

地区+形容词+类型（名词）+基于……+…… 为背景+来自……+关于……+从 X 岁到 Y 岁
（Region + Adjectives + Noun Genre + Based On… + Set In… + From the… + About… + For Age X to Y）

当然，有些微类型是不符合上述语法的，比如 “有强势女主角” 和 “适合无可救药的浪漫主义者。”

在同事 Ian Bogost 的建议下，Alexis 还编写了一个类型生成器，试图理解 Netflix 的算法究竟是什么样子的。不过，他还是感觉没有看到全貌。于是，他联系了 Netflix，并见到了公司的产品副总裁 Todd Yellin，那个创建了 Netflix 推荐系统的人。

在接受采访的时候，Todd Yellin 说，他早就等着人们来问这个问题了。为所有的电影加上标签，正是他的主意，而他还自己写了一张 24 页的文档，讲述加标签的方法。他为早期的一些电影加过标签，而且主导了整个系统的创建过程。

” 我的第一个任务是：把内容撕裂开来！” 他说。

2006 年，Yellin 组织了十几个工程师，花费数月时间编写一份名为 “Netflix 量子理论” 的文档。当时，他把组成影片的基本元素称作 “量子”。如今，他更喜欢 “微标签” 的说法，因为现在看来，“量子理论” 是一个自命不凡的名字。

这份文档描述了为影片各种层面加标签的方法，涉及到影片结尾、主角的 “社会接受程度” 等等方面。标签是带标量的，从 1 到 5，就是说，所有的影片都有一个 “浪漫程度” 的标示，而不仅仅是那些表明是 “浪漫片” 的电影。每个电影的结局都有打分，从幸福到悲伤。每个情节都有标签。主角的工作有标签。影片的地点有标签。

Netflix 的工程师以 “微标签” 为基础，创造了一种语法，来生成各种类型。这是一种人工和机器算法的结合。Netflix 的做法，与 Pandora 的音乐基金组计划有些类似，但是 Netflix 不仅仅展示给你喜欢的内容，还能够对其进行文字描述。

这些标签数据不仅仅用来生成类型，也用来增加推荐的个性化程度。如果你喜欢动作冒险类电影，并且浪漫程度比较高的，Netflix 可以推荐给你。“我们将对影片中的浪漫程度做出标注。我们不会告诉你它有多浪漫，但是我们会推荐它，”Yellin 说，“你会看到动作场面，里面的浪漫程度如何，那取决于我们对你的了解。”

在采访结束之前，Alexis 向 Yellin 展示了一个有趣的图表。Netflix 上最受欢迎的演员排名中，占据第一名的是 Raymond Burr，50 年代电视剧 Perry Mason 的主演，而占据第七名的是 Barbara Hale，在剧中扮演主演的秘书。为什么这两个人能够超过梅丽尔·斯特里普、塞缪尔·杰克逊、尼古拉斯·凯奇和肖恩·康纳利？

这是一个谜题。即使是 Yellin 也搞不懂，为什么他们的名字出现在那么多的 “微类型” 中。这是无法用逻辑来解释的问题。

“让我们做些哲学思考吧。在人类社会中，生命由于意外而变得有趣。” 他说，“当你把复杂的东西添加到机器的世界时，你也在添加自己无法想象的意外。Perry Mason 就会发生。这些机器中的鬼魂，经常是复杂带来的副产品。有时候我们称它为失误，有时候我们称之为特色。”