20 moyens utilisés par les services de streaming pour décider quoi vous recommander

Chaque fois qu'une application de streaming s'ouvre, elle a déjà pris une décision en votre nom : ce qui figure dans la première rangée, quelle image la représente et dans quel ordre tout apparaît. Cette décision n'est pas aléatoire et elle est rarement prise par une seule méthode. Comprendre comment les services de streaming décident de ce qu'ils recommandent signifie comprendre un système en couches qui mélange statistiques, données comportementales, contraintes de licence et, dans certains cas, jugement humain réel.

Netflix $NFLX a déclaré publiquement que les recommandations déterminent environ 80 % de ce qui est regardé sur la plateforme, c'est pourquoi l'entreprise considère son moteur de recommandation comme une infrastructure de base plutôt qu'une fonctionnalité. La même logique s'applique, avec des variations, chez Hulu, Disney $DIS+, Amazon $AMZN Prime Video, Max, Spotify $SPOT et YouTube. Chaque service a son propre catalogue, sa propre carte de licence et ses propres incitations commerciales, de sorte que le mélange exact de signaux diffère. Mais les techniques sous-jacentes s'inspirent d'une boîte à outils commune développée au cours de deux décennies, à partir du concours Netflix Prize au milieu des années 2000 et évoluant à travers l'apprentissage profond, l'apprentissage par renforcement et les tests A/B constants.

Cela est important pour les téléspectateurs pour une raison pratique : l'algorithme façonne ce qui semble disponible à regarder, ce qui façonne à son tour les habitudes de visionnage, la conversation culturelle et même les émissions qui sont renouvelées. Une émission qui se comporte bien dans les emplacements de recommandation attire plus d'attention qu'une qui ne le fait pas, quel que soit sa qualité. Connaître les mécanismes derrière ce placement aide à expliquer pourquoi deux personnes avec des comptes différents sur le même service peuvent voir des pages d'accueil presque entièrement différentes, pourquoi une nouvelle émission peut parfois prendre des semaines à apparaître dans un flux personnel, et pourquoi supprimer l'historique de visionnage peut réinitialiser les recommandations du jour au lendemain.

Ce qui suit sont 20 des méthodes et signaux spécifiques que les plateformes de streaming utilisent pour décider de ce qui se retrouve devant vous, des modèles statistiques fonctionnant en arrière-plan aux éditeurs humains encore impliqués dans le processus.

Credit: cottonbro studio / Pexels

Le filtrage collaboratif recommande une émission ou un film en fonction de ce que les personnes ayant des habitudes de visionnage similaires ont regardé, et non en fonction du contenu de l'émission elle-même. Le système n'a pas besoin de connaître quoi que ce soit sur le genre, la distribution ou l'intrigue d'un titre. Il a seulement besoin de savoir quels comptes ont regardé quels titres, puis trouve un chevauchement statistique entre les spectateurs.

En pratique, cela signifie que l'algorithme construit quelque chose comme une carte du comportement de visionnage à travers l'ensemble de la base d'utilisateurs. Si les comptes qui ont regardé les mêmes cinq émissions que vous ont également regardé une sixième émission que vous n'avez pas vue, cette sixième émission devient un candidat fort pour vos recommandations. La force de la correspondance augmente avec le nombre de titres partagés et la rareté du chevauchement. Deux comptes partageant un intérêt pour une émission largement populaire portent moins de signal que deux comptes partageant un intérêt pour un documentaire de niche.

Cette approche était centrale pour le Netflix $NFLX Prize, un concours public organisé par Netflix de 2006 à 2009 qui offrait une récompense d'un million de dollars à l'équipe qui pourrait améliorer la précision de ses recommandations de 10 %. Le concours a popularisé les techniques de filtrage collaboratif dans l'industrie technologique et a fait progresser la recherche sur la façon de rendre ces modèles plus rapides et plus précis à grande échelle.

Le filtrage collaboratif a une faiblesse connue appelée le problème du démarrage à froid, abordé plus tard dans cette liste, car il ne peut pas faire de bonnes prédictions à propos d'un titre avec très peu de spectateurs ou d'un spectateur avec très peu d'historique de visionnage. Il fonctionne également mieux lorsqu'il est associé à d'autres méthodes, car deux spectateurs peuvent partager des goûts superficiels tout en voulant des choses très différentes d'une soirée de visionnage. Un service qui repose uniquement sur le filtrage collaboratif risque de ne recommander que ce qui est déjà largement populaire, car les titres populaires génèrent le plus de points de données communs. La plupart des grandes plateformes le combinent maintenant avec des méthodes basées sur le contenu et des signaux comportementaux plutôt que de l'utiliser isolément.

Credit: Jakub Zerdzicki /  Pexels

Le filtrage basé sur le contenu recommande des titres en fonction des attributs de ce que vous avez déjà regardé, en comparant des métadonnées comme le genre, le casting, le réalisateur, le cadre, le ton et le thème avec votre historique. Contrairement au filtrage collaboratif, il n'a pas besoin de données d'autres spectateurs.

Si quelqu'un a regardé plusieurs comédies noires se déroulant sur des lieux de travail, le système recherche d'autres titres étiquetés avec des attributs similaires, que quelqu'un d'autre ait regardé les deux ou non. Cette méthode dépend fortement de la manière dont le catalogue d'une plateforme a été étiqueté. Netflix $NFLX, par exemple, emploie des contractants qui regardent du contenu spécifiquement pour attribuer des étiquettes descriptives détaillées, alimentant un système bien plus granulaire que de larges catégories comme la comédie ou le drame.

Le filtrage basé sur le contenu gère mieux les titres nouveaux ou de niche que le filtrage collaboratif, puisqu'il n'a pas besoin que d'autres spectateurs aient déjà découvert une émission. Un documentaire sur un événement historique spécifique peut être associé à l'historique d'un spectateur de documentaires sur des événements similaires presque immédiatement, sans attendre qu'un public plus large accumule des données de visionnage. Cela en fait un contrepoids utile au biais de popularité intégré au filtrage collaboratif.

L'inconvénient est que le filtrage basé sur le contenu peut enfermer un spectateur dans une voie étroite. Si quelqu'un a regardé un documentaire sur le crime véritable par curiosité plutôt que par intérêt véritable, le système peut interpréter cela comme un signal fort et proposer toute une rangée de titres similaires. Il a également du mal à capturer des qualités qui résistent à l'étiquetage, comme le rythme, la qualité de l'écriture ou le ton émotionnel, qui ont une importance énorme pour savoir si quelqu'un apprécie réellement un titre mais ne se traduisent pas facilement en champs de métadonnées. Pour cette raison, pratiquement toutes les grandes plateformes mélangent des signaux basés sur le contenu avec le filtrage collaboratif et les données comportementales plutôt que de s'appuyer uniquement sur la correspondance d'attributs.

Credit: Pachon in Motion  /  Pexels

La factorisation matricielle est une technique mathématique qui décompose les données de visionnage en facteurs cachés, appelés facteurs latents, qui ne sont pas directement étiquetés mais capturent des motifs comme le ton, le rythme ou le registre émotionnel. Elle est devenue largement connue grâce au Netflix $NFLX Prize, où les modèles basés sur la factorisation matricielle ont produit certains des meilleurs résultats.

La technique fonctionne en représentant tous les spectateurs et tous les titres sous la forme d'une grille géante, ou matrice, où chaque cellule représente si et comment une personne a interagi avec un titre. Parce que la plupart des cellules sont vides, puisque personne n'a tout regardé, l'algorithme essaie de remplir la grille mathématiquement en identifiant un plus petit ensemble de facteurs sous-jacents qui expliquent les motifs qui existent. Ces facteurs n'ont pas de noms lisibles par l'homme ; ce sont simplement des dimensions numériques que le modèle a trouvées utiles pour prédire le comportement de visionnage.

Ce qui rend cela puissant, c'est que les facteurs cachés capturent parfois des nuances qu'aucun étiqueteur humain ne penserait à nommer. Un facteur pourrait finir par être corrélé avec des spectateurs qui préfèrent la tension progressive aux sursauts, ou les castings d'ensemble aux histoires avec un seul rôle principal, sans que personne ne définisse explicitement cette catégorie. Le modèle le découvre uniquement à partir de motifs dans les données.

La factorisation matricielle s'adapte bien aux catalogues avec des millions de titres et des centaines de millions de spectateurs, ce qui est en partie la raison pour laquelle elle reste fondamentale sur les grandes plateformes, même si des méthodes plus récentes d'apprentissage profond ont été superposées. Ce n'est rarement la seule technique utilisée aujourd'hui. La plupart des plateformes combinent désormais la factorisation matricielle avec des modèles de réseaux neuronaux qui peuvent incorporer des signaux supplémentaires, comme l'heure à laquelle quelqu'un regarde ou l'appareil qu'il utilise, qu'une approche purement matricielle gère moins naturellement. Même ainsi, l'idée sous-jacente, selon laquelle le comportement de visionnage contient une structure cachée qui vaut la peine d'être extraite mathématiquement, reste centrale dans la façon dont les moteurs de recommandation sont construits.

Credit: Vitaly Gariev   /  Pexels

La quantité d'un programme que quelqu'un termine réellement est l'un des signaux les plus forts qu'un service de streaming utilise, souvent plus important que ce qu'une personne prétend aimer. Un titre regardé du début à la fin pèse plus dans l'algorithme qu'un titre abandonné après dix minutes, quel que soit le genre ou la note.

C'est parce que les signaux explicites, comme un pouce levé, peuvent être trompeurs. Un spectateur pourrait évaluer un documentaire de manière positive par respect pour son sujet tout en regardant à peine au-delà de la scène d'ouverture. Les données de complétion capturent le comportement réel plutôt que la préférence déclarée, ce qui tend à prédire les visions futures de manière plus fiable. Les plateformes de streaming suivent non seulement si un épisode a été terminé, mais à quel moment dans une saison un spectateur décroche, s'il binge plusieurs épisodes en une seule séance, et combien de temps il attend entre les épisodes.

Les motifs de binge en particulier sont suivis de près. Un spectateur qui termine une saison entière en deux jours génère un signal différent de celui qui regarde un épisode par semaine. Le premier suggère un fort engagement envers cet émission spécifique, que l'algorithme peut utiliser pour trouver d'autres titres avec un modèle de binge similaire parmi d'autres spectateurs. Le second suggère un intérêt modéré, qui est pondéré différemment.

Les données de complétion partielle alimentent également les décisions au-delà du flux de recommandations individuel. Lorsqu'une grande partie des spectateurs abandonnent un titre à un moment similaire, ce motif peut informer comment une plateforme promeut ou dépriorise ce titre à l'avenir, indépendamment de ce qu'un synopsis ou une bande-annonce a promis. C'est une des raisons pour lesquelles une émission fortement commercialisée peut disparaître discrètement d'un placement en évidence en quelques semaines si les spectateurs ne la terminent pas, même si une émission plus petite avec des taux de complétion forts continue de grimper.

Credit: cottonbro CG studio  /  Pexels

Les évaluations explicites, comme un pouce levé ou une note étoilée, sont le signal le plus direct qu'un spectateur peut donner, mais elles ont moins de poids que les données comportementales parce qu'elles demandent un effort conscient et sont données bien moins souvent que le visionnage passif lui-même.

Netflix $NFLX est passé d'un système de notation à cinq étoiles à un système de pouces levés, de pouces baissés et, plus tard, de double pouce levé en 2017, un changement que l'entreprise disait mieux correspondre à l'utilisation réelle des évaluations par les gens. En interne, la plupart des spectateurs notaient les titres de manière à les regrouper autour de trois et quatre étoiles, quel que soit leur véritable degré de satisfaction, rendant les données moins utiles pour distinguer un véritable enthousiasme d'une approbation modérée. Un système binaire ou quasi-binaire a produit un signal plus clair par évaluation donnée, même si le nombre total d'évaluations était moindre.

La limitation principale de tout système d'évaluation explicite est la participation. La plupart des spectateurs regardent bien plus de titres qu'ils n'en évaluent, donc le retour explicite ne couvre qu'une petite fraction de l'activité de visionnage totale. C'est pourquoi les plateformes traitent les évaluations comme un signal complémentaire superposé aux données comportementales plutôt qu'une entrée principale. Une évaluation reste importante, cependant, notamment pour entraîner les modèles sur ce qui distingue un titre que quelqu'un a simplement terminé d'un titre qu'il a réellement apprécié, car la simple complétion ne peut pas distinguer ces deux résultats.

Certaines plateformes pondèrent également les évaluations différemment selon la rapidité avec laquelle elles sont données. Une évaluation soumise immédiatement après avoir terminé un titre est généralement considérée comme plus fiable qu'une donnée plusieurs jours plus tard, car elle reflète plus fidèlement la réaction émotionnelle immédiate plutôt qu'un souvenir plus vague. Les évaluations aident également à corriger les situations où les données de complétion seules induiraient le système en erreur, comme un spectateur qui termine une émission par habitude ou par obligation sociale plutôt que par intérêt réel.

Credit: https://kaboompics.com/  /  Pexels

Les petites interactions pendant la lecture, comme mettre en pause, revenir en arrière sur une scène ou passer en avant, fonctionnent comme des retours implicites que les plateformes de streaming suivent aux côtés des données de complétion. Ces micro-comportements révèlent des schémas d'engagement qu'une simple métrique regardée-ou-non rate complètement.

Un spectateur qui revient plusieurs fois sur une scène spécifique signale quelque chose de différent de celui qui regarde d'une traite sans interruption. Les retours en arrière répétés peuvent indiquer une scène qui mérite d'être étudiée, une blague qu'il vaut mieux saisir pleinement, ou tout simplement une confusion sur ce qui vient de se passer. Passer les séquences chargées de dialogues mais ralentir pour les séquences d'action indique à l'algorithme quelque chose sur la préférence de rythme qu'aucune étiquette de genre ne pourrait capturer. Même le moment où quelqu'un met en pause pour vérifier son téléphone, déduit d'une interruption de lecture continue, peut influer sur la façon dont une séquence de contenu était réellement engageante.

Le fait d'accélérer le générique de début ou un segment de récapitulation est traité différemment que d'accélérer au milieu d'un épisode, car le premier est un comportement presque universel et a peu de valeur prédictive, tandis que le second suggère que le contenu lui-même a perdu l'attention du spectateur. Certaines plateformes utilisent ce type de données d'engagement au niveau des scènes pour éclairer des décisions bien au-delà des recommandations individuelles, y compris quelles parties d'une bande-annonce utiliser ou quelle scène mettre en avant dans une vignette promotionnelle.

Les schémas d'abandon retiennent une attention particulière. Un titre abandonné par une grande partie des spectateurs à un point constant, comme trois minutes après le début du premier épisode, produit un signal négatif beaucoup plus fort qu'un titre abandonné à des points dispersés tout au long d'une saison. Un abandon précoce et constant indique souvent un décalage entre la façon dont un titre a été commercialisé, y compris sa vignette et son synopsis, et ce qu'il offre réellement, ce qui peut amener une plateforme à ajuster la présentation présentée aux futurs spectateurs plutôt que de supposer que le contenu lui-même est le problème.

Credit: JESHOOTS.com / Pexels

Les plateformes de streaming ajustent les recommandations en fonction du moment où quelqu'un regarde, car l'intention de visionnage un mardi après-midi diffère de celle d'un vendredi soir. Cette couche contextuelle repose sur les modèles basés sur les goûts déjà couverts, ajustant les titres éligibles qui surgissent à un moment donné plutôt que de remplacer le modèle de préférence sous-jacent.

Un spectateur qui regarde généralement des séries comiques légères en semaine mais des séries limitées plus sombres le week-end peut voir un contenu différent priorisé en fonction du jour, même si les deux préférences vivent sur le même compte. Les sessions de visionnage du matin, notamment sur les appareils mobiles, s'orientent souvent vers des contenus plus courts comme des épisodes de sitcoms ou des programmes de type actualités, tandis que les sessions du soir sur un téléviseur s'orientent vers des drames ou des films de longue durée. Les plateformes suivent ces schémas par compte et ajustent le poids en conséquence plutôt que d'appliquer un profil de préférence statique à toute heure.

Le contexte basé sur le temps entre également en jeu pour les comptes familiaux avec plusieurs profils ou connexions partagées. Un profil qui regarde systématiquement des programmes pour enfants en fin d'après-midi et du contenu adulte tard dans la nuit génère effectivement deux schémas comportementaux liés à la même connexion, que le système utilise pour éviter un croisement gênant, comme recommander une émission pour enfants lors d'une session tard dans la nuit simplement parce qu'elle est apparue fréquemment dans l'historique global du compte.

Cette couche de timing contextuel fonctionne parallèlement plutôt qu'en lieu et place de la modélisation des goûts à long terme. Elle ne remplace pas les préférences établies de quelqu'un ; elle ajuste le classement des titres déjà pertinents en fonction du moment. Un spectateur qui aime les longs drames historiques les verra toujours recommandés en semaine, simplement peut-être classés sous des options plus courtes qui correspondent mieux à une fenêtre de visionnage plus étroite, en fonction de la durée des sessions de ce spectateur à ce moment-là de la journée.

Credit: Mathieu Improvisato / Unsplash

L'appareil qu'une personne utilise modifie ce qu'une plateforme de streaming recommande, car le comportement de visionnage sur un téléphone diffère sensiblement de celui sur une télévision ou une tablette. Une session mobile est plus susceptible de se terminer tôt, plus susceptible de se produire pendant un trajet ou une pause, et plus susceptible de privilégier du contenu plus court.

Les plateformes suivent le type d'appareil comme un signal distinct de l'heure de la journée, car une personne peut regarder sur son téléphone lors d'un trajet en soirée et sur une télévision plus tard ce même soir, générant deux profils contextuels différents bien qu'ils soient proches dans le temps. Le contenu qui fonctionne bien sur mobile, comme des épisodes plus courts ou du contenu avec une forte clarté visuelle à une petite taille d'écran, peut être priorisé différemment dans une session mobile que le même compte verrait sur une télévision de salon.

Les données d'appareil influent également sur la manière dont les vignettes et les aperçus sont choisis, un sujet couvert plus en détail ailleurs dans cette liste. Une image qui est lisible à la taille de la télévision, avec de la place pour des détails, peut devoir être simplifiée ou recadrée différemment pour rester lisible sur un écran de téléphone, et les plateformes testent souvent des versions spécifiques à l'appareil de la même œuvre plutôt que de supposer qu'une image fonctionne partout.

Les foyers multi-appareils compliquent encore plus la situation. Un seul profil qui diffuse principalement sur une télévision mais consulte occasionnellement l'application sur un téléphone génère un signal mixte que les plateformes doivent interpréter avec soin, car une courte session mobile de navigation sans rien regarder ne devrait pas être pondérée de la même manière qu'une session de visionnage complète à la télévision. Distinguer entre visionnage actif et navigation passive, qui se produit plus souvent sur mobile, fait partie de la façon dont les plateformes évitent de sur-corriger les recommandations basées sur une seule session téléphonique distraite de cinq minutes.

Credit: Jakub Zerdzicki  /  Pexels

Les plateformes de streaming catégorisent le contenu en utilisant des catégories beaucoup plus spécifiques que les genres larges comme la comédie ou le drame, souvent décrites comme des micro-genres, qui combinent le ton, le cadre, la structure et le thème en étiquettes descriptives étroites. Cette granularité permet au système de recommandation de faire correspondre les spectateurs au contenu avec une bien plus grande précision que le genre seul ne le permettrait.

Netflix $NFLX a été particulièrement ouvert à propos de cette pratique, décrivant un système interne où des tagueurs formés regardent du contenu et attribuent des attributs détaillés couvrant tout, de l'arc émotionnel d'une histoire aux dispositifs narratifs spécifiques utilisés. Un seul spectacle peut porter des dizaines d'étiquettes décrivant non seulement qu'il s'agit d'un drame, mais qu'il s'agit d'un drame de personnages à rythme lent situé dans une petite ville avec une distribution d'ensemble et une chronologie non linéaire. Ces étiquettes se combinent ensuite en catégories plus étroites, parfois étrangement spécifiques, qui apparaissent dans l'application elle-même, comme « drames subtils » ou « films criminels spirituels », plutôt que de rester invisibles dans l'arrière-plan.

Ce niveau de classification existe parce que les catégories de genres larges sont trop grossières pour distinguer les titres qui partagent une étiquette mais rien d'autre. Deux spectacles simplement étiquetés comme drame peuvent différer énormément en rythme, ton et structure, et un spectateur qui aime l'un peut détester activement l'autre malgré le genre partagé. Les micro-genres tentent de combler cet écart en décrivant ce qu'est réellement un spectacle à regarder, pas seulement à quelle section du catalogue il appartient techniquement.

Le compromis est que ce système dépend entièrement de la qualité et de la cohérence du marquage lui-même. Un titre mal étiqueté peut finir par être recommandé au mauvais public, peu importe la sophistication de l'algorithme de correspondance sous-jacent, ce qui explique en partie pourquoi les plateformes considèrent le marquage comme un processus continu et laborieux plutôt qu'un exercice unique de catalogage.

Credit: https://kaboompics.com/  /  Pexels

Les plateformes de streaming testent plusieurs images de vignette pour le même titre et montrent à chaque spectateur la version que leurs données suggèrent être la plus susceptible d'obtenir un clic, ce qui signifie que deux personnes peuvent voir des illustrations complètement différentes pour le même spectacle. Cette pratique, parfois appelée personnalisation des illustrations, est distincte de la recommandation du titre lui-même ; c'est une couche séparée déterminant comment ce titre est présenté.

Netflix $NFLX a documenté publiquement cette approche, expliquant qu'un seul titre peut avoir une douzaine ou plus de vignettes candidates, chacune mettant en avant un acteur, une scène ou une ambiance différente. Un spectateur ayant une forte habitude de regarder du contenu romantique pourrait voir une vignette mettant en avant deux personnages dans une étreinte, tandis qu'un autre spectateur ayant l'habitude de regarder des thrillers pourrait voir une image tendue et faiblement éclairée du même spectacle. Aucune version n'est inexacte ; chacune est simplement choisie parce qu'elle est statistiquement plus susceptible de résonner avec le goût établi de ce spectateur spécifique.

Ce test se déroule en continu plutôt que comme une décision unique. Les plateformes suivent les taux de clics pour chaque variante de vignette à travers différents segments de public et ajustent la version affichée à mesure que plus de données s'accumulent. Une vignette qui fonctionne bien au départ peut être remplacée plus tard si une variante obtenant de meilleurs résultats émerge des tests en cours, et différentes variantes peuvent rester en rotation pour différents segments indéfiniment.

La pratique s'étend au-delà des vignettes pour inclure des bandes-annonces dans certains cas, où une plateforme peut montrer un court clip différent en fonction de ce qu'elle prévoit qui résonnera avec un spectateur donné. Cette couche entière se situe en aval de la décision de recommandation elle-même. L'algorithme décide d'abord si un titre est pertinent pour un spectateur, puis un système séparé décide comment présenter visuellement ce titre déjà sélectionné pour maximiser les chances que le spectateur clique effectivement dessus.

Credit: BoliviaInteligente / Unsplash

Les plateformes de streaming regroupent les spectateurs en clusters de goût, parfois appelés communautés de goût, basés sur des modèles de visionnage partagés plutôt que des informations démographiques comme l'âge ou le lieu. Netflix $NFLX a décrit le maintien d'environ 2 000 de ces clusters, chacun représentant une combinaison distincte de goûts plutôt qu'une préférence de genre unique.

Un cluster de goût n'est pas défini par des catégories simples comme "amateurs d'action" ou "amateurs de comédie". Au lieu de cela, il peut représenter une combinaison spécifique, comme des spectateurs qui apprécient la comédie stand-up irrévérencieuse avec des drames historiques de prestige, un jumelage qui n'émergerait pas des hypothèses démographiques mais qui émerge des chevauchements de visionnage réels. Un seul compte peut appartenir à plusieurs clusters simultanément, reflétant la réalité que les goûts de la plupart des gens s'étendent sur plus d'une catégorie.

Cette approche de clustering évite explicitement de s'appuyer sur des données démographiques traditionnelles comme l'âge, le sexe ou le lieu comme entrée principale, puisque Netflix et des plateformes similaires ont constaté que le comportement de visionnage prédit plus fiablement le comportement de visionnage futur que les détails démographiques personnels. Deux personnes de 35 ans dans la même ville peuvent n'avoir presque rien en commun dans leurs clusters de goût, tandis que deux personnes séparées par des décennies et sur des continents différents peuvent partager presque entièrement un cluster.

Les clusters sont utilisés pour alimenter les recommandations pour le contenu existant et les nouvelles sorties. Lorsque qu'une plateforme décide comment lancer une nouvelle série, comprendre quels clusters sont les plus susceptibles de répondre aide à déterminer tout, des marchés à prioriser dans le marketing aux spectateurs existants qui voient le titre en premier dans leurs rangées de recommandation. C'est en partie pourquoi une nouvelle sortie peut apparaître en évidence pour certains comptes dès le premier jour et prendre beaucoup plus de temps à apparaître pour d'autres, même au sein du même pays et en utilisant le même service.

Credit: cottonbro studio  /  Pexels

Les modèles de recommandation basés sur la session accordent une grande importance à ce que quelqu'un a regardé très récemment, parfois au cours de la même session, plutôt que de traiter tous les visionnages historiques de manière égale. Cela signifie que l'émission que quelqu'un a terminée il y a dix minutes peut influencer ce qui apparaît ensuite plus fortement qu'une émission qu'il a regardée il y a six mois.

Cette approche reflète la réalité que l'intention de visionnage change au sein d'une seule session. Quelqu'un qui vient de terminer un thriller intense peut être plus réceptif à un autre thriller immédiatement après, ou au contraire vouloir quelque chose de plus léger pour se changer les idées, et chaque schéma peut être détecté en observant comment les spectateurs se comportent couramment après avoir terminé un contenu similaire. Les modèles basés sur la session suivent les séquences plutôt que les profils statiques, traitant l'ordre dans lequel quelqu'un regarde les choses comme des données significatives en soi.

Cela diffère du modélisation des goûts à plus long terme d'une manière importante. Le profil global d'un spectateur pourrait suggérer une forte préférence générale pour la comédie, mais un modèle basé sur la session peut temporairement outrepasser ce schéma plus large si le comportement de la session actuelle suggère que quelque chose de différent est désiré à ce moment-là. Les services de streaming considèrent de plus en plus ces deux couches, le goût à long terme et le contexte de session à court terme, comme des entrées complémentaires alimentant la même décision de recommandation plutôt que des systèmes concurrents.

Les données de session capturent également le comportement de recherche au sein de l'application elle-même. Si quelqu'un recherche un acteur ou un titre spécifique sans le regarder, cette recherche est quand même traitée comme un signal, distinct d'un événement de visionnage réel, qui peut influencer ce qui apparaît dans les recommandations de cette session, même si la recherche n'a pas abouti à un visionnage complété. Cela fait partie de la raison pour laquelle le comportement de navigation, et non seulement le visionnage complété, entre en compte dans ce qu'une plateforme décide de mettre en avant ensuite.

Credit: CardMapr.nl / Unsplash

Les nouveaux comptes sans historique de visionnage présentent ce qui est appelé le problème du démarrage à froid, car la plupart des techniques de recommandation reposent sur des données existantes que le compte n'a tout simplement pas encore. Les plateformes de streaming résolvent ce problème en demandant aux nouveaux utilisateurs de sélectionner une poignée de titres ou de genres qu'ils aiment lors de l'intégration, en utilisant ces sélections initiales comme substitut à l'historique de visionnage organique jusqu'à ce que de réelles données comportementales s'accumulent.

Cette étape d'intégration est plus importante qu'il n'y paraît, puisque les recommandations précoces déterminent si un nouvel abonné reste ou non avec un service. Une plateforme qui propose du contenu trop générique lors des premières sessions risque de perdre un abonné qui ne verra jamais de recommandations reflétant réellement ses goûts. Certaines plateformes pondèrent fortement ces sélections initiales lors des premières sessions, puis passent progressivement aux données comportementales au fur et à mesure qu'elles deviennent disponibles, réduisant ainsi la dépendance à la préférence déclarée une fois qu'un spectateur a généré suffisamment d'activité réelle pour modéliser.

Le démarrage à froid s'applique également aux nouveaux titres, pas seulement aux nouveaux comptes, car une émission nouvellement sortie n'a pas non plus d'historique de visionnage propre sur lequel s'appuyer. Les plateformes gèrent généralement cela en s'appuyant davantage sur les signaux basés sur le contenu, en faisant correspondre les métadonnées et les tags du nouveau titre avec les profils de spectateurs existants, jusqu'à ce qu'un nombre suffisant de personnes l'aient regardé pour générer des données de filtrage collaboratif. Une nouvelle sortie est initialement recommandée en fonction de ce à quoi elle ressemble plutôt que sur la façon dont les gens y ont réagi, et cet équilibre change à mesure que les données de visionnage réelles s'accumulent au cours des jours et des semaines suivant la sortie.

Certains services utilisent également la popularité comme un proxy temporaire de démarrage à froid pour les nouveaux comptes et les nouveaux titres, en partant du principe que le contenu largement populaire est un pari raisonnablement sûr lorsqu'on ne sait pas grand-chose d'autre, avant que des signaux plus personnalisés ne prennent le relais.

Credit: Jaiju Jacob /  Pexels

Les plateformes de streaming insèrent délibérément un petit pourcentage de recommandations qui sortent du schéma établi d'un spectateur, une pratique parfois appelée exploration, pour éviter que les recommandations ne se restreignent en une boucle trop répétitive. Sans cela, un système de recommandation optimisé uniquement pour le comportement passé peut enfermer un spectateur dans une tranche de plus en plus étroite du catalogue.

Ceci est important car une optimisation pure pour la préférence passée crée une boucle de rétroaction : un spectateur voit principalement un type de contenu, regarde principalement ce contenu car c'est ce qui est montré, et le système interprète ce visionnage continu comme une confirmation que l'approche étroite fonctionne. Les créneaux d'exploration brisent cette boucle en faisant occasionnellement apparaître un contenu adjacent mais distinct du goût établi d'un spectateur, testant si l'intérêt s'étend réellement au-delà de ce que le profil existant suggère.

L'équilibre entre l'exploration et l'exploitation, c'est-à-dire le contenu prédit avec confiance pour correspondre aux goûts existants, est un compromis connu dans la conception des systèmes de recommandation, parfois encadré à l'aide d'un concept statistique appelé le problème du bandit manchot. Trop d'exploration produit des recommandations qui semblent aléatoires et peu fiables ; trop peu produit un flux qui semble obsolète et répétitif au fil du temps. Les plateformes ajustent cet équilibre en continu en fonction de la manière dont les spectateurs réagissent au contenu exploratoire par rapport à leurs recommandations habituelles.

L'exploration sert également les intérêts propres de la plateforme au-delà de la satisfaction des spectateurs. Elle aide à mettre en avant des titres plus récents ou moins visibles qui autrement auraient du mal à accumuler suffisamment de données de visionnage pour apparaître un jour dans les recommandations principales de quelqu'un, et elle fournit des données continues sur le fait que les goûts d'un spectateur évoluent au fil du temps plutôt que de supposer qu'un profil construit il y a des mois reflète encore avec précision l'intérêt actuel.

Credit: Malte Luk  /  Pexels

Les rangées de tendances ou « populaires maintenant » recommandent du contenu basé sur l'activité de visionnage récente agrégée de l'ensemble de la base utilisateur d'une plateforme, ou parfois d'une région spécifique, plutôt que de personnaliser en fonction de l'historique de n'importe quel compte individuel. C'est l'une des couches les moins personnalisées d'une page d'accueil de streaming, bien qu'elle soit souvent placée en évidence.

Ces rangées répondent aux changements à court terme de ce qui est regardé, ce qui peut être déclenché par une nouvelle sortie, un moment culturel, ou même une couverture médiatique non liée qui attire l'attention sur un titre plus ancien. Une émission peut faire un pic dans une rangée de tendances quelques jours après sa sortie si le visionnage initial est fort, bien avant que suffisamment de données personnalisées n'existent pour la placer avec précision dans les rangées de recommandations individuelles pour la plupart des comptes. Cela fait de la position de tendance un pont utile pendant la fenêtre de sortie initiale d'un titre.

Les données de tendances régionales ajoutent une autre couche de nuance. Un titre peut être très tendance dans un pays tout en passant inaperçu dans un autre, reflétant les différences de pertinence culturelle, de timing de commercialisation ou de disponibilité des licences sur les marchés. Les plateformes à portée mondiale calculent généralement les tendances séparément par région plutôt que d'utiliser une liste mondiale, car une moyenne mondiale masquerait de véritables performances régionales fortes.

Les rangées de tendances interagissent également avec les priorités promotionnelles propres à la plateforme, car un titre dans lequel la plateforme a lourdement investi peut recevoir un soutien de placement qui amplifie les données de tendance organiques, notamment dans les premières semaines après la sortie. Ce mélange de visionnage organique et de promotion de la plateforme est rarement détaillé, mais cela signifie qu'une rangée de tendances, contrairement à une rangée personnalisée construite à partir des propres données d'un individu, reflète à la fois ce que les gens regardent réellement et ce qu'une plateforme veut que les gens remarquent.

Credit: Ketut Subiyanto /  Pexels

Certaines plateformes de streaming intègrent des signaux sociaux, tels que ce que regardent les amis ou les comptes connectés, dans les recommandations, bien que cette pratique soit beaucoup moins universelle que les méthodes comportementales abordées ailleurs dans cette liste. Netflix $NFLX a expérimenté des fonctionnalités permettant aux utilisateurs de voir ce que leurs amis ont regardé ou noté, lorsque ces utilisateurs choisissent de connecter leurs comptes.

Cela diffère sensiblement du filtrage collaboratif basé sur des spectateurs anonymes similaires, car les signaux sociaux reposent sur les connexions réelles d'un spectateur plutôt que sur une similarité statistique avec des inconnus. Une recommandation poussée par le visionnage d'un ami porte un type de confiance différent de celle poussée par un cluster anonyme de comptes similaires, même si la correspondance de contenu sous-jacente est comparable.

Les profils partagés ou familiaux au sein d'un seul compte ménager créent une dynamique connexe mais distincte. Lorsque plusieurs personnes utilisent un profil plutôt que des profils individuels séparés, leur visionnage combiné est fusionné en une seule histoire comportementale, ce qui peut produire des recommandations qui reflètent une moyenne des goûts de plusieurs personnes plutôt que la préférence réelle d'une personne. C'est en partie pourquoi les plateformes ont poussé les configurations multi-profils, car la séparation des histoires de visionnage individuelles produit des recommandations plus claires et plus précises pour chaque personne qu'un profil unique fusionné ne le ferait.

Les fonctionnalités sociales autour du visionnage restent plus limitées sur les plateformes de streaming vidéo que sur les services de musique. Spotify $SPOT, par exemple, a intégré des couches sociales plus visibles dans son produit, y compris des fonctionnalités qui montrent ce que les amis écoutent et des listes de lecture construites autour d'une écoute partagée entre comptes connectés. Les plateformes vidéo ont généralement avancé plus prudemment dans ce domaine, traitant les données sociales explicites comme un signal supplémentaire plutôt qu'une entrée principale comme le fonctionnement des historiques de visionnage et des données de complétion.

Credit: Yan Krukau  /  Pexels

Malgré la forte dépendance aux modèles algorithmiques, les équipes éditoriales humaines continuent de façonner certaines parties d'une page d'accueil de streaming, en particulier les lignes construites autour de thèmes, de franchises ou de moments culturels opportuns plutôt que de simples prédictions de goût individuel. Ce mélange de jugement humain et de personnalisation algorithmique est souvent invisible pour les spectateurs, car les lignes curées apparaissent aux côtés des lignes personnalisées sans distinction évidente.

Une ligne construite autour d'une fête, d'une saison de récompenses ou d'un anniversaire de franchise spécifique reflète généralement des décisions éditoriales délibérées sur ce qu'il faut regrouper et comment l'encadrer, plutôt que d'émerger purement d'un modèle statistique. Les équipes éditoriales jouent également un rôle dans la manière dont les nouvelles sorties sont présentées, décidant quels titres sont mis en avant de manière proéminente dans les jours qui suivent immédiatement le lancement, avant que suffisamment de données comportementales n'existent pour que l'algorithme puisse faire seul des prédictions individuelles confiantes.

Cette couche humaine gère également les jugements qui posent problème aux données pures, comme reconnaître que deux documentaires couvrant le même événement historique ne devraient pas être recommandés consécutivement, peu importe à quel point leurs métadonnées se ressemblent, ou qu'une ligne légère ne devrait pas être placée directement à côté d'un contenu abordant un événement actuel sensible. Ce sont le genre de jugements contextuels qu'il est difficile d'encoder uniquement sous forme de règles ou de poids statistiques.

Les plateformes de streaming ont généralement décrit leur approche comme un mélange plutôt qu'un choix entre algorithme et curation humaine, les décisions éditoriales informant souvent ce que l'algorithme est même autorisé à considérer pour certains emplacements. À mesure que les catalogues et la personnalisation sont devenus plus sophistiqués, cette couche humaine s'est réduite à une plus petite part des recommandations totales, mais elle n'a pas disparu, notamment pour les emplacements importants qu'une plateforme souhaite contrôler directement plutôt que de laisser entièrement à la prédiction statistique.

Credit: Amar Preciado  /  Pexels

Les accords de licence déterminent quel contenu une plateforme de streaming est légalement autorisée à diffuser dans un pays ou une région donnée, et ces contraintes façonnent directement ce que le système de recommandation est même en mesure de suggérer, indépendamment de la façon dont un titre pourrait correspondre aux goûts d'un spectateur. Un programme peut être une forte correspondance statistique avec le profil de quelqu'un et ne jamais apparaître dans ses recommandations simplement parce que la plateforme ne détient pas les droits de diffusion dans le pays de cette personne.

C'est pourquoi le même compte peut voir un catalogue sensiblement différent, et donc des recommandations différentes, lorsqu'il est accessible depuis différents pays. Un titre produit directement par Netflix $NFLX, parfois appelé un original Netflix, est plus susceptible d'être disponible à l'échelle mondiale, puisque l'entreprise en détient les droits. Un titre sous licence, c'est-à-dire un contenu produit par un autre studio et concédé à la plateforme pour une période limitée, peut être disponible uniquement dans certaines régions ou pendant un temps limité, après quoi il peut disparaître complètement du catalogue de cette région, le retirant des recommandations quelles que soient les précédentes préférences des spectateurs.

Les périodes de licence expirent également et sont renouvelées selon des plannings qui n'ont rien à voir avec la demande des spectateurs, ce qui signifie qu'un titre fortement recommandé un mois peut disparaître le mois suivant si un accord de licence expire. Les plateformes ne peuvent généralement pas recommander du contenu qu'elles sont sur le point de perdre les droits pendant une longue période, car cela frustrerait les spectateurs qui cliquent sur quelque chose qui n'est plus disponible.

Cette contrainte se situe en amont de toute autre méthode de recommandation couverte dans cette liste. Le filtrage collaboratif, la correspondance de contenu et la modélisation du comportement fonctionnent tous uniquement dans le pool de titres qu'une plateforme est légalement autorisée à montrer à un compte donné, ce qui signifie que la licence agit comme un filtre rigide appliqué avant que l'une des techniques de personnalisation plus sophistiquées ait la chance de faire une recommandation.

Credit: Boris Pavlikovsky / Pexels

Les plateformes de streaming ajustent les recommandations autour d'événements calendaires spécifiques, de fêtes et de saisons, mettant en avant du contenu pertinent qui pourrait ne pas autrement se classer hautement en fonction du schéma de visionnage régulier d'un individu. Cette couche fonctionne quelque peu indépendamment de la modélisation des goûts personnalisés, priorisant l'opportunité sur la préférence historique pendant une période définie.

Le contenu à thème de vacances est l'exemple le plus clair, avec des plateformes promouvant visiblement des films et des programmes spéciaux pertinents dans les semaines entourant les fêtes majeures, que le spectateur ait montré ou non un fort intérêt pour ce genre auparavant. Il en va de même pour les saisons sportives, le calendrier des cérémonies de remise de prix et les périodes de rentrée scolaire, chacune influençant ce qu'une plateforme s'attend à ce que les spectateurs soient intéressés pendant cette fenêtre spécifique, indépendamment de ce que les données comportementales à long terme suggéreraient.

Cette couche saisonnière interagit également avec les différences régionales, car les fêtes et les moments culturels varient selon les pays. Une plateforme opérant à l'échelle mondiale doit gérer la promotion saisonnière séparément par région plutôt que d'appliquer un calendrier unique à l'ensemble de sa base d'utilisateurs, de la même manière que les données de tendance sont calculées régionalement plutôt qu'à l'échelle mondiale.

Les déclencheurs saisonniers ont tendance à être limités dans le temps par conception, apparaissant de manière proéminente pendant une fenêtre définie puis disparaissant une fois la période pertinente passée, distinguant cette couche des méthodes de personnalisation plus persistantes couvertes ailleurs dans cette liste. Un spectateur qui montre un intérêt soutenu et authentique pour le contenu des fêtes pendant une promotion saisonnière, mesuré par le visionnage réel et l'accomplissement plutôt que par une simple exposition, peut voir cet intérêt intégré dans son profil de goût à long terme à l'avenir, mais la promotion saisonnière initiale elle-même est dictée par le calendrier plutôt que personnalisée.

Credit: Ecliptic Graphic / Unsplash

Certaines des plus grandes plateformes de streaming et de vidéo utilisent l'apprentissage par renforcement, une approche d'apprentissage automatique qui optimise les décisions sur la base des résultats à long terme plutôt que le prochain clic immédiat, pour décider de ce qu'il faut recommander. YouTube a publié des recherches décrivant cette approche, expliquant que l'optimisation purement pour des clics immédiats a tendance à favoriser un contenu sensationnel ou trompeur qui est cliqué mais ne retient pas l'attention, tandis que l'optimisation pour des mesures à plus long terme comme le temps de visionnage et les visites de retour produit des recommandations différentes, généralement meilleures.

L'apprentissage par renforcement cadre le problème de recommandation comme une séquence de décisions dans le temps plutôt qu'une seule prédiction, où le système est récompensé non seulement pour un spectateur cliquant sur un titre suggéré mais pour ce spectateur restant engagé avec la plateforme au cours des sessions suivantes. Cela déplace l'incitation des astuces à court terme, comme une vignette trompeuse qui génère un clic mais conduit à un abandon rapide, vers des recommandations qui tiennent la route sur plusieurs sessions de visionnage.

Cette approche est plus exigeante sur le plan informatique que des méthodes plus simples comme la factorisation matricielle, car elle nécessite de modéliser comment une seule décision de recommandation affecte une chaîne beaucoup plus longue de comportements futurs plutôt que d'évaluer chaque recommandation isolément. Elle nécessite également d'énormes quantités de données pour être entraînée efficacement, ce qui explique en partie pourquoi la recommandation basée sur l'apprentissage par renforcement a été plus documentée publiquement sur des plateformes avec des bases d'utilisateurs et des volumes de visionnage extrêmement importants, comme YouTube, par rapport à des services de streaming plus petits.

L'effet pratique pour les spectateurs est un système de recommandation moins enclin à poursuivre les pics d'engagement à court terme au détriment de la satisfaction à long terme. Un titre qui génère de forts clics immédiats mais une mauvaise complétion et un faible engagement de retour sera généralement dépriorisé selon cette approche, même si un modèle simple optimisé pour les clics aurait continué à le recommander sur la base de sa performance initiale en termes de clics.