电视屏推荐系统如何设计?这里有个详细的方案

零基础学产品,BAT产品总监带,2天线下集训+1年在线课程,全面掌握优秀产品经理必备技能。了解详情

传统广电运营商面临IPTV、OTT的强力竞争,传统广电运营商对于推荐系统的需求非常迫切,推荐系统能让家庭影音更加智能,对视频进行个性化推送,有助于增加用户黏度,拓展市场。

一、背景

1.1 产品意义

随着我国文化影视事业快速发展,视频资源越来越丰富,不少视频网站宣称拥有的视频资源足够用户看几亿小时。视频资源的极大丰富随之带来的问题是信息的过载,互联网视频网站往往通过推荐系统解决信息过载的问题,但在电视屏上,推荐系统却并没有很好的用起来。

传统的视频分类模式下,用户在海量的视频中,很难快速找到自身感兴趣或者对其有用的视频资源。广电运营商也只能将大量的流量集中在少量的头部视频资源上,而大量的非头部的内容提供由于宣传资源的不足,难于获得用户的关注和收看。对观众而言,无法获得更好的观看体验,这也不利于广电运营商业务的运营。

在三网融合的大背景下,传统广电运营商面临IPTV、OTT的强力竞争,后者在技术和用户体验上发力越来越大,传统广电运营商对于推荐系统的需求非常迫切,推荐系统能让家庭影音更加智能,对视频进行个性化推送,有助于增加用户黏度,拓展市场,对传统广电运营商有着举足轻重的战略意义。

1.2 场景分析

(1)内地目前有2400多电视频道,但每个用户真正观看的频道往往比较固定且数量不多,喜爱看的电视频道还有可能是散乱在各处的,需要切换想看的频道比较困难。

目前方法:要换频道只能按顺序一个一个换,比较费力,中间需要跳过太多的不感兴趣的频道;或者只能一个个记住频道号,要看哪个频道就通过输入频道号找到,但要记住大量的频道号不是一件容易的事;稍微好点的办法是需要把感兴趣的频道手动集中起来,但如果兴趣变了,要重新集中,操作非常困难。

优化诉求:可以根据用户观看时长次数等,自动把用户感兴趣的频道集中在一个地方,用户可直接通过简单的操作选择自己想看的频道。

(2)用户时间的越来越碎片化,不仅仅是家庭中的上班族,老人小孩等因各种事情影响,也往往需要聚合几个有一定间隔的时间段才能看完一个视频。

目前方法:需要用户记住观看的视频名称,通过分类筛选或者通过关键词搜索寻找,找到后从头开始观看,或者通过进度条大概拖到原进度。

优化诉求:希望智能电视能记住用户未看完的视频和观看进度,用户可以在一个地方查看未看完的视频,在原进度上进行播放。

(3)对于比较经典的影视作品,不少的观众会在间隔一定时间后,多次反复观看,但多数的推荐系统并不会推荐已经观看过的视频。

目前方法:通过分类筛选或者通过关键词搜索寻找,有时记错了分类,有可能会找不出来,只能放弃观看。

优化诉求:希望推荐系统,可以把用户周期性观看的视频,作为推荐的内容,在恰当的时候推荐给自己。

(4)整部电视剧是一个完整的故事,电视剧分集之间有很强内容相关性,观看了某一分集,有较强烈的需求观看下一集的视频内容。

目前方法:一般都会把整部电视剧的分集链接集中起来,方便用户任意选择分集进行观看。

优化诉求:目前方法可满足用户需求,可沿用。

(5)影视综艺内容因演员或导演的不同,内容质量、观众定位、话题数量会出现很大的不同,对于偏爱某一演员或某一类演员的观看,有较强烈的需求观看同一演员或同一类演员的作品。

目前方法:部分智能电视会设立明星演员或导演的专区,可以在专区中集中观看某一明星或导演的影视作品,但需要通过大量的返回和操作切换到专区。

优化诉求:可以在观看某一演员或导演作品的同时或观看后,推荐系统可以把作品中演员或导演的代表作品或最新作品推荐出来,在看任意一部演员或导演作品的时候,都可以轻松的观看该演员或导演的主要作品,了解演员或导演的演艺过程。

(6)一户家庭中,往往有多个家庭成员角色,不同家庭成员角色间因年龄、性别不同,兴趣爱好差距较大,对所有成员观看时使用同一套推荐,不能满足所有家庭成员中推荐需求,甚至出现完全不感兴趣的推荐。

目前方法:如果家庭成员比较复杂,不同时段的观看内容差异较大,推荐系统容易人格分裂,不同兴趣爱好的视频内容出现在同一套推荐系统中或者推荐过于偏向于某一家庭成员偏好。

优化诉求:不同的家庭成员作为主要观众时,推荐系统可以推荐该家庭成员感兴趣的内容。

(7)影视剧的不同分类,解决不同年龄段、境况、观看目的、文化层次的需求,某一时段内,观从偏向于观看同一类型的视频。

目前方法:部分推荐系统可以根据用户喜好推荐用户感兴趣的内容,并考虑了兴趣的时间衰减因素。

优化诉求:基本上可以解决用户兴趣变化的影响,可以沿用。

(8)对于经典的剧本,不同的年代都会有不同的演绎,会出现多部作品;用户在观看时,会有兴趣了解一下其它版本。

目前方法:部分推荐系统会加重同一剧本的内容相似性权重。

优化诉求:可加重同一剧本的内容相似性权重,因为这是明确的相似性比较内容。

(9)在一定的时间段内,用户往往会迷上同一类的影视作品;用户在观看后,感觉意犹未尽,希望看更多同一类的影视综艺作品。

目前方法:多数推荐系统会在视频的详情页提供猜你喜欢功能,推荐类似的影视作品。但当用户兴趣爱好变化时,部分推荐系统不能及时调整。

优化诉求:推荐系统需要考虑时间衰减的因素,根据用户的兴趣变化及时调整推荐内容,保持对用户兴趣挖掘的敏感性。

(10)需要知道别人或者周围的人都在关注什么内容,以判定自己有没有赶上潮流,或者融入到主流中去,对于选择困难症用户,可以以最小的时间精力成本观看大众认可的精彩视频内容。

目前方法:部分推荐系统已有热播榜,但对于周边的人在观看什么,目前没此功能。

优化诉求:对于热搜榜,由于视频种类繁多,不同的人群观看的视频类型差异较大,对于不同类型的视频统一排行,既没有比对价值,也没有参考价值,所以有必要进行分类排行。推荐系统可以增加附近的人在看功能,既解决用户一定的窥探心理,也方便以后智能电视可进行社交的布局。

(11)用户在长期观看某一种视频后,往往后陷入无法自拔的境况,大部分时间集中在相似的视频上,容易在精神上营养不良,甚至影响身心健康。

目前方法:部分推荐系统有看过的人还看过功能,可以沿用。

优化诉求:推荐系统不仅仅只是满足用户的需求,还应该站在提升用户、超越服务的角度,从视频多样化、新颖性、教育意义等角度推荐更多不同的有营养价值的内容给观众。

(12)有时明确想要观看某一视频时,通过分类筛选难于找到或者有限的推荐的视频并不能找到。

目前方法:多数智能电视都提供搜索功能,供用户直达明确的想要观看的视频,但部分搜索功能比较难用,输入比较困难或多次输入仍不能找到视频。

优化诉求:需要优化用户的搜索体验,尽可能减少输入,比如提供历史搜索、热门搜索、联想搜索等。

二、设计思路

2.1 产品价值

提高用户的黏度和观看时间的同时提升用户的影视观看享受,将更多的视频内容,特别是长尾内容结合用户兴趣偏好分发出去,提高广电运营商的服务水平和市场竞争力。

2.2 产品定位

推荐系统的价值在于通过技术手段,根据用户喜欢把用户想看的视频聚合起来,无须用户进行繁锁的筛选,便可直接看到想要看在视频内容或者可以接受的内容,在简化用户的操作路径、满足用户的观看需求的同时,运营商也享受提升服务带来的收益。

由于视频观看的断续和可重复观看,用户历史观看和收藏记录本身,作为用户明确表达喜好的内容,也是用户想要观看内容的重要一种,更应该作为一种强需求。历史记录可以归纳为推荐的一种形式,而推荐是观看记录的广义拓展。用户在查看到历史记录的同时,推荐更多感兴趣的视频,是一种超出用户期望的体验。

本推荐系统,正是基于用户历史观看和收藏记录,结合用户观看偏好和相似用户的关联偏好,建立推荐模型,对用户喜好进行预测,向用户推荐感兴趣有价值的内容。同时,作为智能电视和互联网不同在于,智能电视不仅需要推荐视频节目,也需要推荐电视直播节目。因此,本系统在推荐视频的同时,也推荐直播频道。

2.3 产品特色

在常规推荐(排行榜、看过的也喜欢、剧中演员、猜你喜欢)的基础上,加入更多特色功能,比如:细分用户家庭成员进行推荐,在常规视频推荐算法(基于用户偏好、基于内容、基于用户协同、基于内容协同)的基础上,加入特色算法(基于时段、基于地域),满足用户各种场景需求。

同时推荐系统综合搜索、分类、推荐多管齐下,让用户更方便的采用喜欢的方式选择视频资源,同时让更多的长尾视频通过多种分发方式推送出去。

(1)区分家庭成员推荐

实现:分时间段推送不同内容,通过时间分段,满足家庭成员单独个性化需求。

(2)推荐加上地域,推送附近的人在看的内容

附近的观看这功能,是挖掘出了人喜欢窥探别人隐私或寻求跟随主流的需求,作为电视用户,可以通过附近的观看了解附近的人都在看什么电视,了解周边人群的爱好,或者大家一起看同一总影视作品让自己更合群,平时碰到能有聊的话题。

对于动漫类视频,家中的小朋友可以了解到附近的小朋友在观看什么内容,可让小朋友之间的沟通话题等。

(3)历史记录(最近、经典、未看完的)直接推荐

根据用户观看经典视频的周期或者其它人观看的周期,进行周期性重复推送,实现经典再现功能。

(4)解决冷启动问题

包括用户冷启动和物品冷启动,当新用户到来时,系统中并为产生用户行为数据,所以无法根据用户的历史行为预测用户兴趣,从而无法给用户做推荐。

本产品采用的方法为基于统计学和基于用户特征分解方法,在用户第一次登陆系统时,让用户选择一些用户喜欢的特征,或者用户喜欢的物品类型,系统根据这些特征为新用户进行推荐行为。

物品冷启动,主要解决如何将新物品推荐,给可能对它感兴趣的用户的问题,本产品解决办法为利用物品的内容信息计算物品相关表,并且频繁地更新相关表。

(5)考虑时间衰减

一个好的推荐系统在获知用户的联合推荐信息后,在进行推荐时应该相应地改变推荐结果。系统在联合推荐中,找出用户跟这些联合推荐信息的关联程度十分重要,并且这种关联程度在很大程度上受到时间因素的影响,具有很强的动态性。

(6)根据用户的观影行为,将视频标签转换成用户标签,基于计算好的视频相似度和用户标签,设定多种推荐策略。多套算法并用,高覆盖率,长尾视频推送给用户,保证推荐的多样性和新颖性,拓展用户观看视频的视野,提升用户体验。

(7)楼梯式导航设计,易操作、学习成本低,减少用户输入,增加搜索提示、联想等,输入时实时反馈搜索结果。

三、详细设计

3.1 功能算法

(1)推荐内容:主要针对直播、电视剧、电影、综艺、动漫类视频进行推荐。

(2)数据处理

电视不同于其他媒体,用户没有对内容的显示反馈。因此,用户对节目的偏好模型只能从用户的历史记录中得到。从用户历史记录的内容来看,包括用户访问的电视台名称、节目名称、访问时间、访问长度等信息,是对用户访问内容和行为的记录。

从记录的时间范围来看,包括对用户短期行为描述和长期行为描述,用户在不同时间范围内的行为也是用户兴趣的反映,影响着推荐时其它相关节目对用户的价值。

本产品主要使用数据如下:

  1. 用户观看行为数据,历史、收藏、搜索;
  2. 观看视频内容分析(内容、时长);
  3. 用户基本信息、偏好数据;
  4. 微信、微博、豆瓣等的影评数据。

用户行为数据清洗、分析首先清洗用户行为日志,合并对同个节目的观看记录,剔除观看时间少于30秒的记录,将周期性节目(电视剧、综艺节目等)和非周期性节目(电影等)分类。根据分类后的信息,分别计算用户对周期性以及非周期性节目的偏好度。最后,将周期性以及非周期性节目的偏好度归一到同一量级。

用户行为数据清洗的关键是去除噪声数据,由于用户对节目的爱好是隐式获取的,其中不可避免有很多干扰信息。由于用户在观看电视时,通常会频繁地切换频道,在切换频道时短暂的观看记录在本文中被认作是噪声数据。

因此,在前期的数据清洗阶段,会清洗掉用户行为日志中观看时间低于一定时间的记录。同时,在电视节目中经常会插播广告,许多用户可能会切换节目,在过一段时间之后切回继续观看。

因此,用户日志中很可能存在用户对同一节目的多个观看行为,在前期的数据清洗阶段,我们会将对于同一节目多条记录的观看时间累计合并成一条记录。

(3)评测标准

推荐系统担负着向用户推荐用户更加感兴趣的资源的任务,而目前多数的推荐系统,着重关注着推荐系统能否推荐出准确率高,也就是符合用户兴趣偏好的资源,这在一定程度上略显被动。

而在某些业务系统中,需要向用户推荐一些资源,而这些资源可能在用户已有的历史记录中并没有很强的相似性,即对于用户历史数据来讲,这些资源非常的新颖。

当这些资源推荐给用户时,用户可能会眼前一亮,甚至惊喜万分。这不仅有利于帮助用户发现新的兴趣点,同时更利于业务系统拓展资源接受面,增加营收。

推荐系统一般使用以下指标对推荐系统进行评测:准确度、召回率、覆盖率、多样性和新颖性等

准确度是推荐系统最常用的评测指标:正确率 = 提取出的正确信息条数 / 提取出的信息条数。在不同类型的推荐系统模型中,对于准确度的计算略有不同。

在目前最为流行的评分预测类推荐系统中,准确度的一个经典度量方法是,计算推荐系统的预测评分与用户实际评分的平均绝对差,top-N推荐和评分预测问题略有不同,它的目标是通过用户历史数据分析推荐前N个用户感兴趣的资源。

召回率是离线测试的另一个重要指标,它与准确率一起被合称为精确率,它描述的是用户测试数据集中的物品被推荐给用户的比例,召回率 = 提取出的正确信息条数 / 样本中的信息条数。

推荐系统的另外一个主要任务是解决长尾问题,即尽可能的将长尾中的资源推荐给用户。一个优秀的推荐系统,不仅仅是将目标用户满意的资源推荐给用户,更应该尽力保证整个系统中的资源都能有机会进入推荐列表,并且高质量合理的推荐给更多的用户。

因此,覆盖率评测指标,旨在度量推荐系统中能把多大比例的资源推荐给至少一个用户。

多样性即在推荐给目标用户的资源中,涵盖的面是否够广泛。和覆盖率不同,多样性是从用户得到的推荐结果来给出评测,而覆盖率是系统整体资源进入推荐列表的比例。

因此,对于单个用户有多样性,对于整个系统也存在多样性指标。多样性的计算通过用户得到的推荐资源的相似性来给出,相似性越大,说明多样性越差,而相似性越小,则说明多样性较好,即推荐给用户的资源中有多种类型的资源。

(4)特色算法说明

推荐系统融合了多种推荐技术以形成组合推荐系统,这可以克服多种单种推荐方法的不足。组合推荐系统通常都包含了基于内容的推荐和基于协同过滤的推荐,同时,还根据业务系统的实际需求加入人口统计学、社会化过滤、位置过滤等因素,从而扬长避短,得到更好的推荐效果。

根据对基于内容的推荐和基于协同过滤的推荐的融合程度,组合推荐系统可以分为如下几种:

  1. 分别实现基于内容的推荐和基于协同过滤的推荐,并将两种推荐方式产生的推荐结果融合起来。
  2. 将基于内容的推荐的某些特点融合到基于协同过滤的推荐系统中,以协同过滤为主。
  3. 将基于协同过滤的推荐的某些特点融合到基于内容的推荐系统中,以内容推荐为主。
  4. 构建基于内容推荐和协同过滤推荐的混合推荐模型,这样的模型既包含基于内容的推荐系统特性,也包含基于协同过滤的推荐系统特性。

(5)基于时间段的协同过滤推荐算法

在引用互联网常规算法的同时,根据智能电视的特性也采用独特算法,基于时间段的协同过滤推荐算法,根据不同年龄的家庭成员观看电视节目的时间段的不同进行划分,对不同的家庭成员进行针对性的视频推荐服务。

根据家庭家庭成员的组成,为每个用户设定特定的标签,划分不同的时间段(由于电视是面向所有家庭成员,每个家庭成员观看电视的时间不同、兴趣不同,判断其用户的身份)。

比如:

  • 退休族:8:00—17:00
  • 上学族:17:00—19:30
  • 上班族:19:30—0:00
  • 熬夜党:0:00—8:00

另外也可以让用户为家庭成员,配置观看时间段,或配置角色来实现基于家庭成员的推荐,或可根据每个家庭的观看记录,采用数据挖掘技术对每个家庭进行单独的时间段划分。

1)配置时间段

  • 默认配置,无须用户操作,但推荐不够精准,不针对单个家庭成员的定向;
  • 手动配置,家庭中一个成员来配置其它成员的观看时间段,选择角色给出默认时间段,可以修改。优点:一次配置永久使用;缺点:时间段和内容绑定死,不够灵活,首次配置需要花一定的时间,有可能引起用户反感。

2)选择角色,用户操作较少,但每次进入都需要选择角色。

  • 第一步,首次进入时,选择家庭性质——成员数;
  • 第二步,使用时,选择角色。

3)根据每户家庭各成员观看时间段和内容的关系,自动判断用户的家庭成员数和各角色使用时间段,在不同的时间段推荐不同的内容,可通过对推荐内容的点击情况,调整判断。

  • 优点:用户不需要做操作;
  • 缺点:判断有可能出现误差,实现起来有一定的技术难度。

(6)附近的观看

用户处于某一地理位置,算法将处于该位置周边的其它用户当前的观看与用户产生关联,该算法主要是基于位置的服务。

(7)冷启动

解决冷启动主要有以下解决方案,本产品综合使用以下方案,以达到最优化解决冷启动问题。

  1. 巧妙设计文案,制造选项,让用户选择自己感兴趣的点后,这样可以获得最开始的数据,即时生成粗粒度的推荐。这类做法会增加新用户使用产品的成本,太复杂的产品还可能吓跑新用户,文案的设计是成败的关键点。
  2. 系统离线自动生成分类热门结果,以及挖掘各种各样的榜单作为候选集,然后综合考虑推荐结果的新颖度、多样性、新鲜度等等多个维度,定制一个通用的推荐候选集。最后实时捕捉用户的点击反馈行为数据,不断迭代,逐渐生成符合用户个性化口味的结果。这种方法实现简单,但是对离线系统的时效性要求比较高。
  3. 基于人口统计信息来做推荐,如性别、文化程度、职业、民族、国籍、年龄等。基于人口统计学的推荐系统是一种易于实现的推荐方法,它根据用户的人口统计学特征,发现相似的用户,并将相似用户偏好的资源推荐给目标用户。

基于人口统计学的推荐方法的好处在于:不涉及当前用户对资源偏好的历史数据,因此,对于新用户来讲不会存在“冷启动”问题。不涉及资源本身的信息,因此在各个推荐领域都可以采用,即它是领域独立的。

但是这个方法的缺点也非常明显,它的推荐粒度太粗。比如:系统只有用户的年龄和性别数据,那么对于相同年龄和性别的用户都将获得相同的推荐,推荐系统的个性化特点不明显。

另外,在实际应用中,用户基本信息由用户自主填写,在网络日益复杂的今天,用户可能基于隐私考虑,不会给出真实的用户信息。

(8)考虑时间衰减因素

推荐系统应在获知用户的联合推荐信息后,在进行推荐时应该相应地改变推荐结果。系统在联合推荐中,找出用户跟这些联合推荐信息的关联程度十分重要,并且这种关联程度在很大程度上受到时间因素的影响,具有很强的动态性。

例如:要参加重大考试的考生,在复习阶段可能对专业类书籍有很大的需求,随着考试结束,考生对专业类的书籍可能不再需求甚至厌烦。系统应该及时对这种时效性很强的用户需求作出反应,调整推荐结果。

(9)主要功能

历史记录

记录用户的观看历史,从时间维度上分包括今天、昨天和七天之内的观看历史。内容包括电视剧分集、综艺、动漫分集、电影,按播放时间倒序排列。合并对同个节目的观看记录,观看时间少于30秒的记录不展示,对于未看完的视频的内容,提示最后的观看的进度。

结合观看的内容和时间段,把观看历史归入默认的或优化过的家庭成员名下,在属于该家庭成员的观看时间段内,默认展示属于该成员的观看历史,允许通过“换一批”操作切换属于其它家庭成员的观看记录,同时用户的操作记录被记录下来,不断更新调整推荐算法。

(10)收藏夹

收藏的内容包括影视、综艺、动漫,根据用户收藏的时间倒序排列,一行最多排20部视频海报,一屏展示5部视频海报,其后一部只展示部分海报,通过右方向键可滑屏进行选择。选中后点击确认,可取消收藏。

(11)附近热播

推荐内容包括直播、电视剧、电影、综艺、动漫。通过实时计算,用户附近区域的观众观看的视频作品的人数排名。

(12)热播榜

推荐内容包括直播、电视剧、电影、综艺、动漫,统计一段周期内视频的播放量,按视频作品的播放量进行分类排名。

(13)频道推荐

通过频道播放次数、播放时长、播放时段等的统计,考虑时间衰减因素,对直播频道喜爱度进行评分排名。用户可以不间断地观看频道里面的视频,播放的过程中系统不断收集用户对视频的反馈(喜欢、不喜欢、跳过、看完等)实时调整推荐列表,让用户看到越来越满意的结果。

(14)为您推荐

为您推荐是一种个性化推荐,根据用户所有的历史行为推断出用户的兴趣,并以此推荐用户最可能感兴趣的视频列表topN。

用户对某一视频的喜好的原因可概括的归纳为以下几个方面:

  1. 喜欢某导演的作品;
  2. 喜欢某演员的表演;
  3. 喜欢某种类型的视频。

这几方面都能直接表达用户对视频的兴趣源,这些因素加入到用户对视频的偏好计算中,能够更加明确的表达用户兴趣,使推荐更加个性化。

综合使用了用户的所有历史行为,包括观看、收藏、搜索等,而不仅仅是当前的单个浏览或观看行为,所以更准确反映出用户的兴趣。从历史行为中反映的用户兴趣也可能会多样化,展示结果按照相对独立的兴趣点(比如:类型等)进行聚合,用户也可以切换自己感兴趣的类型。

结果有很详细的视频内容信息以及最有用的用户评论信息,用户可以直接对推荐结果进行“已经看过”或者“感兴趣与否”的反馈,如果感兴趣还可以进一步收藏推荐结果或者直接进入观看页面等。

(15)搜索

搜索是根据用户输入关键词后进行推荐的一种广义推荐形式,为减少用户输入,在用户进入搜索页面之前,产品提供热搜词功能,对一定时间段内的搜索关键词搜索量进行统计实时排名,以词云形式滚动展示,不同的搜索量的关键词字体大小,背影大小不一样。

用户选中关键词,可直接搜索该关键词下的视频内容,内容包括电视剧、综艺、动漫分集、电影。

进入搜索页面时,页面同时按电视剧、综艺、动漫分集、电影分类,对热搜的视频进行推荐,用户选中后可进行收藏,或直接观看。用户在输入时,按用户输入逐字进行实时联想,包括联想可能想搜和搜索结果。同时,在搜索页面提供搜索历史记录功能,并且支持用户对历史记录进行删除、清空。

(16)相关剧集

仅在有分集的电视剧、综艺或动漫节目详情页提供些该推荐功能。在播放视频的某一分集时,分集的简介下方区域展示该视频的所有分集,并提示当前正在播放的分集,对于分集较长的,按20集的区间进行收纳设计。

(17)剧中演员

对影视、综艺节目提供该推荐功能。在视频作品的详情页列出作品中的主演或明星演员,根据是否主演,结合明星当前人气进行排序,可手动配置。当选中某一演员时,可查看该演员的代表作品和参演作品,选中其作品可进行收藏或直接观看。

(18)导演之路

对影视、综艺节目提供该推荐功能。在视频作品的详情页列出导演的其它作品,根据是作品的人气进行排序,选中其中作品可进行收藏或直接观看。

(19)猜你喜欢

猜你喜欢是一种结合当前视频内容对用户进行的一种基于相似内容的推荐,视频内容与用户当前观看的视频具有相似性或有某种关联关系,推荐算法通过相似内容或关联关系将用户与视频关联。

相似维度包括视频内容特征和视频社会反馈两类,视频内容特征包括:片名、片长、语言、演员、导演、编剧、流派、类型、题材、国别、年代等。社会反馈包括微信、微博、豆瓣反馈等。对相似性进行打分,对top10进行展示。

(20)看过这部片的还喜欢

看这这片的用户还喜欢是基于用户协同的一种推荐方式,是解决推荐覆盖率、多样性和新颖性的一种推荐方式。对观看过该视频的用户喜欢的其它视频集进行分析处理推荐出来,并且提供打分或者不感兴趣的选项来收集用户反馈。

3.2 界面设计

(1)UI设计

  1. 按EPG主色调进行设计,保证系统自带类应用风格的统一。
  2. 部分重点推荐采用视频和声音的形式展示推荐的结果,提高点击率。

业界一般认为用户界面设计在整个推荐系统中起决定性的作用,传统的推荐结果展示都是基于文本和图片形式的,信息量大但不够形象生动。

据国外实验证明:首次使用视频和声音的形式展示推荐的结果,使用效果类似于有个性化消息的电视预告片的海报形式,在实际使用中取得了较好的效果,平均意义上用户对同一个节目感兴趣的概率是传统方式的三倍。

(2)操作体验

  1. 通过还原用户操作流程,主要操作区域按操作顺序放在相近的位置,尽可能少的按键次数进行选择。
  2. 用户输入时逐字联想,并提供热门提示,尽可能减少用户输入内容。
  3. 推荐内容不影响用户操作主流程,比如:用户一进来先展示观看历史,视频详情页,在第二屏,第三屏展示推荐的视频,用户不下移,不影响观看体验。
  4. 界面收纳设计,保持主界面清爽,操作可视区域和文字大小满足远距离观看,收纳提示清晰易懂。
  5. 楼梯式导航设计,用户一个按键也可浏览完所有界面内容,无须多种方向复杂操作,减少操作路径重复。
  6. 操作及时反馈,获得焦点时,给出明确的选中提示,方便老人小孩理解。

3.3 迭代步骤

产品功能可以无限拓展,考虑到时间和经济效率,可采用快速上线、快速运营、快速试错、小步迭代的互联网思维来控制产品节奏,通过运营引导、用户反馈、数据反馈把握产品发展方向。

本产品初期拟按以下规划进行版本迭代:

  • 一期主要以解决用户强需求和收集用户偏好数据为主,主要功能包括观看历史、收藏,并提供热播榜和在视频详情页提供推荐,并且为解决用户搜索的体验,优先把用户体验更好的搜索功能放在一期中。
  • 二期要运营情况,主要是对功能进行优化,对推荐功能进一步细化,比如增加分类,优化算法等,增加推荐功能,比如为您推荐,加入对产品方向的探索,比如:附近热播。

 

本文由 @无名 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自 Pixabay,基于 CC0 协议

赞赏是对原创者的最大认可
5人打赏
评论
欢迎留言交流
  1. 内容还是不错的,就是没有表格化,图形化;内容没有主次层级划分,没有条理,看着很累

    回复
    1. 小编把我的章节结构打乱了

      回复
  2. 12个场景分析就这样依次排下来,没有重点,没有分类真是没有让人看下去的欲望
    至少从几个角度对场景分个类,三个大类别,分别有四个小场景会好很多

    每个场景描述你都有很规则的举例,目前方法,诉求,使用表格来显示不是更清晰?
    而且把你的解决方案中的重点应该加粗标出来

    之后的问题一样,字太多,太干

    回复
  3. 感觉偏离有点重,现在平常人家的需求哪有那么高,用户群体感觉还不明确,感觉针对的是专家型用户,追求技术!

    回复
  4. 建议能把这些优化的点梳理成一张图,这样读者看起来更加轻松,码字这么多也是不容易啊 :smile:

    回复
  5. 写的比较全面,赞一个

    回复