Предоставление пользователям наиболее релевантных фильмов и сериалов с учетом их истории просмотров и бизнес-требований.
В современных медиасервисах вовлечение пользователей напрямую зависит от точности подбора контента. Мы разработали персонализированную рекомендательную систему для стриминговой платформы, которая решает задачу удержания аудитории.
Система учитывает не только историю просмотров конкретного зрителя, но и бизнес-критерии, например, продвижение новинок контента или повышение времени сеанса.
На примере этого кейса мы доказали, что наша система работает: пользователи стали чаще взаимодействовать с платформой, за счет чего вырос средний Retention, а бизнес получил инструмент для устойчивого роста.
Архитектура построена на базе современных технологических подходов и распределенной инфраструктуры:
Используется подход на основе коллаборативной фильтрации с алгоритмом ALS (Alternating Least Squares). Этот выбор обеспечивает отличную производительность, стабильность и легко интерпретируемые результаты, что важно для контроля качества рекомендаций.
Apache Airflow автоматизирует запуск итераций обучения модели. Это позволяет системе регулярно обновлять веса и прогнозировать предпочтения на основе свежих данных.
Feature Store используется для хранения признаков и артефактов модели, что гарантирует быстрое восстановление и повышает общую надежность. ClickHouse выступает в качестве высокопроизводительного хранилища для мгновенной выдачи актуальных рекомендаций.
Запросы на выдачу рекомендаций обрабатываются быстрым сервером на Go. Laravel отвечает за маршрутизацию и прямое взаимодействие с конечными клиентами, обращаясь к Go-серверу по оптимизированным сетевым протоколам.
Оркестрация в Airflow упрощает управление процессами обучения, а Feature Store гарантирует быстрое восстановление работы в случае любых сбоев.
ClickHouse эффективно справляется с обработкой сотен гигабайт пользовательских интеракций, а Go гарантирует минимальную сетевую задержку (latency).
Настраиваемые бизнес-фильтры позволяют легко адаптировать автоматические рекомендации под текущие промо-кампании компании и стратегические цели бизнеса.
Apache Superset используется для непрерывного анализа входных логов, мониторинга качества работы ИИ-модели и контроля показателей всей системы.
Улучшение метрик: Регулярные эксперименты с гиперпараметрами и поступательное расширение набора фич (feature engineering).
Углубленный анализ: Использование дашбордов Superset для детальной оценки тонких паттернов пользовательского поведения.
Обратная связь от пользователей: Настройка сбора контекстных данных для оперативной корректировки выдачи.
Дополнительные фильтры: Расширение бизнес-логики и правил фильтрации для повышения релевантности и комфорта.
Вторая очередь фильтрации/ранжирования на основе персонализированного глубокого ML подхода.
