摘要
在本指南中，我们将探讨交互式视频和音乐推荐系统及其在Netflix和Spotify的应用（例如[1,6,3,2]）。交互式推荐系统使用户可以通过与系统的显式交互，将接收到的推荐转向所需的方向。在本指南中，我们概述了对于实现平稳有效的用户体验至关重要的各个部分。特别地，我们将通过几个AB测试展示我们的见解。该指南将帮助RecSys社区的研究人员和从业人员更深入地了解在线视频和音乐娱乐业务中推荐系统应用的挑战。
1. 简介
在网站上使用的较大的推荐系统中，交互式推荐系统位于用户的轻量化推荐体验与对特定内容的主动搜索之间。他们基于即时的显式反馈来适应用户当前的兴趣，将推荐转向用户想要的方向，或者在目录的特定细分市场中发现新内容。
在本指南中，我们将讨论对交互式推荐器系统特别重要的几个方面，包括：用户界面的设计以及与后端算法的紧密集成；推荐算法的计算效率；以及在利用用户的反馈提供相关推荐，和使用户能够探索目录并将推荐引导到期望的方向之间作出适当的平衡。
特别地，我们将在Netflix和Spotify上探索交互式视频和音乐推荐的领域及其应用。我们概述了一些用户体验，并讨论了为解决交互式推荐的各个方面而采取的方法。我们将讨论从用户研究和AB测试中学到的经验教训。
2. 挑战
在本指南中，我们将首先讨论特定于构建交互式推荐系统的挑战。
2.1 清晰透明的用户指导
在交互式设置中，推荐根据用户的反馈进行调整，这很容易使用户感到困惑，使他们无法清楚地了解推荐的变化和原因。我们将以直观的方式讨论交互式体验以指导用户的不同转变。
2.2 探索与利用
尽管交互式系统必须通过利用用户的反馈来产生相关的推荐，但是提供的推荐允许用户探索并以交互的方式将推荐推向想要的方向，也同样重要。为了确保可探索性，必须根据用户的操作顺序连续调整推荐列表中的多样性以及推荐物品的受欢迎程度。
与相关性推荐相反，多样性程度（例如[8]）根据用户的操作顺序而有所不同。从种类繁多的集合开始，只要用户继续放大相似物品的特定位置，就可以减少多样性。相反，当用户的动作序列表明其打算从某个特定位置探索时，或者从一个特定位置探索到其他位置时，该算法必须自动增加多样性。
此外，流行度与物品相似度之间的平衡(如[7])也因用户的行为而异:当用户缩放到小众区域时，流行度可能会降低。当算法探索到一个无聊的区域或一个完全不同的类型时，推荐更流行的内容是有帮助的。
3. 解决方案
在本指南的第二部分中，我们将讨论上述挑战对用户界面的影响以及交互式推荐系统的推荐算法。我们将基于已构建的两个系统来说明各个要点。
3.1 用户界面
用户界面（UI）有几个重要属性。首先，它必须易于使用和直观，需要用户付出最少的努力。而且，UI必须与后端的推荐算法紧密集成。UI必须允许用户向算法提供信息反馈数据，同时反过来，UI必须允许算法对推荐进行即时更新，同时使这些更新透明且易于理解。例如，当用户界面缓慢地更新推荐时，我们发现用户对推荐的疑惑较小，从而可以理解并接受推荐。了解访问网站的用户对喜好，以及确定何时以及如何邀请用户以交互方式提供反馈也至关重要。
3.2 算法
针对交互式设置中使用的算法，我们将讨论以下重要属性。
尽管用户在交互设置中提供了明确的显式反馈，但我们发现在隐式反馈数据上训练算法很有用，因为这些数据可以更好地反映用户实际喜欢播放的视频（而不是他们认为自己喜欢的视频）。
推荐算法必须具有灵活性，以便在不同程度上结合相关性，受欢迎程度和多样性，以捕获用户的喜好，使他们乐于接收有用的推荐，同时还能够同时进行有效的探索。例如，通过矩阵化（例如[5，4]），可以以隐变量的形式导出目录中每个物品的紧凑表示。向量的方向反映了相似性，而其范数则反映了物品的受欢迎程度。这些重要的属性可用于导出评分函数，从而可以对向量的范式进行动态修改，并结合基于物品相似性的多样性概念。除了推荐算法之外，我们还使用了第二种算法，根据用户的操作顺序来预测相关性，受欢迎程度和多样性之间的最佳平衡（即权重）。
此外，交互式推荐系统的算法必须足够有效，才能根据用户当前的操作实时计算推荐。
3.3 音乐领域
Spotify的广播服务允许用户交互式的从艺术家、曲目、专辑、流派或播放列表冷启动，然后Spotify将播放类似的音乐。另外，电台服务为用户提供了使用正面和负面按钮显式“调谐”其电台的机会。支持电台服务的基础推荐引擎基于用户提供的显式反馈，基于相似性、艺术家和专辑多样性、用户喜好个性化以及电台个性化进行了联合优化。需要注意的是，音乐和电影领域之间的区别在于，音乐的消费速度更快，对推荐的评价也较少。这意味着可以更快地收集明确的交互反馈，并且探索新内容以收集用户喜好的成本更小。
3.4 视频领域
交互式推荐可以帮助用户找到在Netflix主页或搜索未充分涵盖的视频。例如，用户可能喜欢在收看视频之前主动探索Netflix目录中电影或电视节目的某些子流派。为此，我们构建了两种用户交互模式。在第一种交互模式中，一次显示一部电影，用户可以用肯定和否定的按钮探索到下一部电影。在第二种交互模式中，同时显示了几个相关但多样的电影，用户可以选择感兴趣的部分。基于所选电影，系统将刷新推荐，这使用户能够优化体验，从而探索其他部分。我们进行了一些用户研究以及AB测试，在其中我们尝试了各种用户界面以及以不同方式调整的算法。
5.参考文献
[1] S. Bostandjiev, J. O’Donovan, and T. Höllerer.
Tasteweights: A visual interactive hybrid recommender system. In ACM Conference on Recommender Systems (RecSys), 2012.
[2] N. Hariri, B. Mobasher, and R. Burke. Context Adaptation in Interactive Recommender Systems. In ACM Conference on Recommender Systems (RecSys), 2014.
[3] E. Gansner, Y. Hu, S. Kobourov, and C. Volinsky.
Putting recommendations on the map – visualizing clusters and relations, 2009. AT&T Technical Report.
[4] C. Johnson. Logistic Matrix Factorization for Implicit Feedback Data. In NIPS Workshop on Distributed Matrix Computations, 2014.
[5] Y. Koren, R. Bell, and C. Volinsky. Matrix factorization techniques for recommender systems.
IEEE Computer, pages 30–7, 2009.
[6] B. N. Miller, I. Albert, S. K. Lam, J. A. Konstan, and J. Riedl. MovieLens unplugged: Experiences with an occasionally connected recommender system. In International Conference on Intelligent User Interfaces (IUI), 2003.
[7] H. Steck. Item popularity and recommendation accuracy. In ACM Conference on Recommender Systems (RecSys), 2011.
[8] S. Vargas, L. B. , A. Karatzoglou, and P. Castells.
Coverage, redundancy and size-awareness in genre diversity for recommender systems. In ACM Conference on Recommender Systems (RecSys), 2014
