從《紙牌屋》開始，Netflix越來越多地進入國人的視線中。關於它的用戶推薦系統、“大數據分析”等等神話和傳說也有不少，本文是我在查找了一些資料後，整理出來的Netflix的推薦思路和一些方法。太過技術的算法內容實在是hold不住，因此僅從邏輯上進行說明。一來整理自己的思路，二來儘可能學習些東西，分享出來歡迎各位討論。
一、坐等風來
回顧歷史，Netflix是一家典型的提前佈局等風來的公司。
1997年8月，在DVD機僅推出幾個月後，Reed Hasting和Marc Randolph創立了Netflix，並在1998年3月上線了全球第一家線上DVD租賃商店。以僅30名僱員拿下了925部電影，這幾乎是當時所有的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沒有過期罰款、沒有運費、手續費等等一系列煩人的東西的服務。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，於是Netflix憑藉著這個模式迅速在行業裡建立起了口碑，老舊的單部影片租賃模式也於2000年壽終正寢。
隨後的2001年，由於DVD機售價越來越低，成為當年聖誕節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創立四年迎來的第一個風口，現在看來不得不感嘆其眼光之獨到。
2005年，他們發現儘管沒有高清內容，但Youtube的流媒體服務（可簡單理解為在線播放）仍然十分受歡迎，於是放棄了自己的硬件產品Netflix Box轉入其中，於2007年上線了流媒體服務。而隨著日後網絡帶寬的提升和費用的降低，佔據了先發優勢的Netflix又一次收穫了巨大增長。
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者們為他們的優化電影推薦算法。截至2012年第四季度，Netflix已在全球擁有2940萬訂閱用戶。
2012年，Netflix開始嘗試自制內容，並於2013年推出《紙牌屋》，高超的內容質量和一次放出整季內容的發行方式，讓它瞬間風靡全球。
今年4月，Netflix的全球訂閱用戶達到1.25億，服務超過190個國家和地區。截至今日，它的市值超越迪士尼成為全球互聯網企業排名第六的公司。
回顧Netflix這21年的歷史，似乎每一次轉型的時機和方向都是如此準確，以至於有些“自然而然”地達成今天的高度。然而如果我們透過現象看本質，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自制的鼓風機，第三個風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，就十分重視數據，並開始收集用戶數據了：他們會在郵寄的信封裡附上問卷讓用戶給電影打分。這些打分數據是之後Netflix推薦系統的重要基石之一。
“個性化推薦”一直都是Netflix的殺手鐧，數據積累和算法研發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%內容都是由推薦而來的。
二、解構好萊塢
Netflix的推薦系統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
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）、基於事實的皇室掠影（Period Pieces About Royalty Based on Real Life）、80年代的外國邪惡電影（Foreign Satanic Stories from the 1980s）。
那麼這些類型是怎麼來的呢，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。並且將這些分類的用詞和語法做了深入分析，還自己開發了一個“類型生成器”，生成出了和Netflix類似的結果。他甚至給出了公式：地區+形容詞+類型+故事基礎+拍攝地+時代+關於（什麼的內容）+適合年齡段（Region… + Adjectives… + Noun Genre… + Based On… + Set In… + From the… + About… + For Age X to Y）。
但看到這裡，我們只是看到了Netflix解構好萊塢的結果，那麼這一切是從哪裡開始的呢？
2006年，Netflix產品副總裁Todd Yellin帶領一票工程師用數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“微標籤”（microtag）拆解電影。
這份文檔的目的是作為訓練手冊，讓不同的人對微標籤有同樣的理解，以保證能夠系統性地、標準統一地解構上千部電影。如今這份手冊已經擴展到了36頁。
這份36頁的訓練手冊講述瞭如何給一部影片的性暗示內容、血腥程度、浪漫等級、甚至情節總結等元素評級。文檔還解釋瞭如何給影片結局打標籤、給主要演員的“社會接受度”打標籤、給每部影片的浪漫程度打標籤，更重要的是，每個標籤都有從1到5的評級。
以《超膽俠》電影為例，標籤會包括“四個主要角色”，至於其中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，解構了幾乎所有的電影，用精細、準確的微標籤和評級教會推薦系統去認識電影、解讀電影。
更令人稱道的是，給Netflix打標籤真的是一份工作。Netflix組建了一隻團隊，付錢讓他們看電影同時給這些電影打上標籤。有好事的媒體採訪到了一位“標籤員”（tagger），讓他講述給Netflix打標籤是一種什麼樣的體驗，十分有意思。
三、解構用戶
2012年前後，Netflix的推薦系統經歷了一次重大的策略變化，官方技術博客以名為
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。但是隨著流媒體業務的開展，Netflix終於有機會看到用戶的更多方面。於是他們認識到：
“Everything is a Recommendation.”——一切都是推薦。
由這一想法催生出的，是更加細緻、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數據和能夠把這些數據應用到產品中的人才。
以下是Netflix用來優化推薦系統的數據源：
- 數以百萬計的用戶評分數據（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、設備類型的數百萬播放數據（stream plays）；
- 用戶每天會想自己的列表（queue）中添加數百萬項目；
- 每個項目下豐富的元數據（metadata）；
- 每個項目的展示位置（presentation）和效果；
- 用戶的社交數據（social）；
- 百萬級的用戶搜索數據（search terms）；
- 來自外部（external data）的票房或影評數據；
- 當然，實際上用到的數據還遠不止這些。
除了和影片相關的數據外，用戶數據是Netflix推薦系統的另一重要基石。
轉型流媒體後，用戶的所有行為全部在平臺內完成，這給了Netflix觀察用戶的絕佳環境，他們不僅僅知道用戶看過什麼，甚至知道他們是怎麼看的：什麼時候看的，看了多長時間，在哪裡暫停，在哪裡反覆，在哪裡關閉等等，這些行為數據無一不是用戶喜好的體現。
通過分析這些行為數據，和解構好萊塢得來的影片數據進行匹配，讓Netflix的推薦精度越發準確。
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鬥場面，如果你喜歡片中某個主演，那麼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容和用戶喜好的解讀。認為地去創造更多的“一見鍾情”，進一步提高了推薦系統的效率。
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“發現”興趣，這也是Netflix的推薦目標之一。
2.關於前邊提到的個性化海報推薦，官方特別地說明了對它的擔憂：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裡，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、後記
就在我寫這篇文章的前幾天，Netflix又做出了兩個重要改變：1. 把五星評價系統改為“喜歡/不喜歡”的評價系統；2. 取消了影片下的評論功能。
關於這兩個改變網上有些解讀，但我還沒想清楚，就不追這個熱點了。
關於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注一下。
：https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429 ：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/
：https://www.washingtonpost.com/news/arts-and-entertainment/wp/2015/06/11/netflix-tagging-yes-its-a-real-job/?noredirect=on&utm_term=.51f470d15c18
題圖來自 Unsplash ，基於 CC0 協議
閱讀更多 人人都是產品經理 的文章
