什么是视频内容推荐引擎？(3)

Netflix 的用户界面显示了与你正在观看的电影类似的电影
太好了，我们已经简单了解了为了推荐所需要收集的数据。现在，我们需要暂停，并思考一下数据的两个重要方面：质量和数量。
数据质量和数量也很重要
为推荐引擎提供正确质量和数量的数据进行推荐十分重要。如果你的数据错误或者数据量不够，那么你的预测和推荐将不准确，并导致糟糕的用户体验。
假设一个用户喜欢观看 “战争” 和 “枪战” 电影，但是却被推荐了爱情片，你觉得他的用户体验如何呢？肯定很差。
人们对于糟糕推荐的恐惧也是创建、管理、收集和清洗数据对于推荐引擎愈加重要的原因。
内容提供商需要与电影公司和内容创造者一起协作获取每部电影的正确元数据。
为了获取用户和用户观看模式信息，他们需要将视频分析系统集成到自己的基础设施。
当然，还要创建可以将这些不同信息源组合在一起的工具，这些工具可以清洗数据并将数据以正确的格式提供给 ML/AI 引擎。
除此之外，工程团队需要确保通过可扩展的 API 进行推荐，后端能够处理任何传入的负载，并且他们的系统可以被各类视频平台（如桌面、Android、iOS 和 Roku 等）以及公司的其他部门（如营销部门和广告部门）所使用。
将电影信息和用户观看模式信息组合使用将使推荐变得更加强大，从而促进互动以及内容被更多人发现。
好的，现在这里为你准备了一个问题。
当你拥有大量电影信息而毫无用户信息时，该如何进行推荐？这种情况下，你会怎么做？
让我们在下文揭晓。
内容推荐中的 “冷启动” 问题
推荐引擎通常非常善于将内容推荐给已经在平台存在一段时间的用户，因为它已经获得了这些用户的大量信息。
但是，如果一个用户第一次注册平台呢？即平台新用户。平台没有任何关于用户、用户偏好等信息，所以很难立即就推荐内容。
这种情况被称为推荐引擎中的 “冷启动问题”。 如何向一个你对其一无所知的用户推荐？又推荐什么内容？
一种规避此类问题的方法是通过使用 IP 定位用户的地理位置，并提供该地理位置内受欢迎的内容。或者，如果你的平台在注册阶段收集了用户性别、年龄、语言偏好等，你可以使用这些信息进行一般性的推荐，并且随着用户与平台互动而不断学习。
这与 Netflix 的操作很相似。他们有一个 “今日印度前 10” 排名，而且没有很复杂，这对于冷启动问题是一个很好的解决方法。