Разработали систему ранжирования видео по интересам пользователей

Канадская компания владеет платформой с контентом для взрослых. Компания не снимает собственные видео, а собирает видеоролики с сайтов-источников.

Когда посетитель кликает на превью ролика, открывается новая вкладка — агрегатор перенаправляет его на сайт владельца контента. Там пользователь выполняет целевые действия: переходит по ссылкам, смотрит ролики и рекламу. Платформа получает за это вознаграждение.

Чем более качественные и интересные ролики предлагает платформа, тем дольше остается посетитель на сайте-источнике и тем больше рекламы он успевает посмотреть. Чтобы предлагать пользователям самый лучший контент, нужна система ранжирования, которая будет сортировать ролики на сайте по популярности.

Компания настроила систему сбора big data, которая фиксирует информацию о пользователях: например, из каких стран они заходят на платформу, какие ролики система им предлагает, какие из них люди смотрят. На основе этих данных компания построила систему ранжирования.

После анализа выяснилось, что в топе выдачи оказывались не самые качественные и интересные ролики: посетители видели их, но не кликали. Если пользователи не смотрят видео, они не выполняют рекламные действия и прибыль компании снижается.

Компания обратилась в OrbitSoft, чтобы мы улучшили выдачу контента на платформе. Если система ранжирования будет предлагать первыми самые интересные видео, просмотров и прибыли с рекламы у заказчика будет больше.

Нам предстояло выяснить, почему старая система ранжирования не выполняла своих задач, и разработать новую систему: использовать собранную статистику, чтобы обучить AI выбирать ролики, которые зрители захотят посмотреть.

Чтобы разобраться, почему старая система ранжирования выдавала плохой результат, мы решили воспроизвести ее работу. Для этого взяли доверительный интервал Вильсона — это алгоритм, который применяют для сортировки контента на основе оценок пользователей.

Зрители контента для взрослых обычно не ставят оценки, поэтому мы доработали формулу с учетом той статистики, которая была у заказчика: показы и клики. Если пользователь кликнул на ролик, считаем это положительной оценкой. В расчет мы брали только те ролики, которые набрали 500 показов либо 2 клика.

Результаты оказались такими же, как у старой системы ранжирования. Алгоритм присуждал высокий рейтинг роликам плохого качества. Причем чем дольше брали временной интервал для исследования, тем больше появлялось необъяснимых результатов.

Мы проанализировали возможные причины и обнаружили несколько проблем:

• Часть аудитории не заинтересована. Платформа размещает рекламу на внешних ресурсах, чтобы привлечь посетителей. Однако не всегда такая реклама приводит заинтересованную аудиторию. Например, одна референсная ссылка вела с интернет-магазина средств по борьбе с насекомыми. Люди переходили оттуда на сайт со взрослым контентом и сразу закрывали его. Система ранжирования засчитывала показы видеороликов, но кликов по ним не было.
• Поведение аудитории непредсказуемо. Зрители контента для взрослых ведут себя иначе, чем те же самые люди при просмотре видео на других развлекательных ресурсах вроде YouTube или TikTok. В их поведении трудно установить закономерности. Так, по времени посещения, регионам и странам были периоды как частых посещений, так и нулевых. Также мы отметили много необъяснимых случаев роста рейтинга. Например, ролик очень плохого качества вдруг набирал 90 000 кликов.
• Статистика неполная. В базу данных поступало только 70% информации. Ошибочных данных не было, но некоторые действия пользователей не фиксировались. Например, платформа показала посетителю 30 роликов, а в статистику попали только 5.

Мы сделали вывод, что учитывать только клики и просмотры для ранжирования видео недостаточно. Нужно учитывать больше параметров, например страну расположения пользователя, разделы, в которых он ищет видео.

Внедрение data science, решения для big data, обучение AI

• Оптимизация работы с большими базами данных, рекламными платформами.
• Разработка информационных систем с использованием искусственного интеллекта, блокчейн-сервисов, систем и приложений.
• Внедрение смарт-контрактов, систем безопасного обмена данными.
• Технические консультации и сопровождение команды разработчиков на аутсорсе.

Получить бесплатную консультацию

Новая система ранжирования внедрена в код платформы и работает совместно с другими решениями и сторонней системой сбора данных. Заказчик отметил рост просматриваемости видеороликов.

Система ранжирования работает так:

• На главной странице платформы ролики ранжируются в зависимости от региона. Для человека из США список видео будет один, для человека из Китая — другой. Если пользователь заходит через VPN, ему показывают ролики в порядке глобального рейтинга. Он учитывает сумму всех мест в рейтинге по каждой стране с учетом показов, кликов и других параметров.
• Когда пользователь начинает набирать слово в поисковой строке, система предлагает ему видео с совпадающими названиями и тоже сортирует их по популярности.
• Рейтинги рассчитываются отдельно по разделам: категориям видео, актерам и каналам. Каждому ролику присваивается несколько URL-адресов, чтобы определить, как пользователь нашел его на сайте. Например, пользователь искал в разделе «Актеры», кликнул на ролик и посмотрел его — в адресе ролика сохраняется этот путь. Теперь для расчета формулы по актерам берутся не все показы этого ролика, а только в связке с параметром «Актеры».

Для удобства заказчика мы разработали дашборд — интерфейс, в котором можно следить за результатами работы системы.