Table of Contents

Netflix的建議如何真正可行

在您使用算法來尋找新的動畫前, 您需要理解您看到的每排建議的動力。 Netflix 不依赖于单一的公式。 而是混合了多個機器學習方法, 每個方法都旨在表達您觀察的標題。 系統的核心是使用合作過滤、內容過滤和潛伏的參數模型的搭配, 但是這些技術术语會轉換成屏幕上簡單的東西 : “ 因為您看 [[FLT: 0]] 、 “ Top Picks for You ” 、 以及日益特別的“ Grity Anime with a Star Female Lead ” 。

合作過滤镜與相似性分數

合作過關是Netflix個人化的支柱。 算法將你的觀察歷史和評分模式與數百萬其他成員的樣式作比。 如果有類似你習慣的觀眾群組一直享受 和 維蘭德薩加, 以及 朱蘇凱森, 而你只看過其中一個, 系統會將另一個推進你的建議中。 它不需要知道關於圖案、 動畫 樣或流派的什麼, 只需要看到行為上的重複。 建議的力度取决于你的品味質和群組的總成份之間的「 相似分數 ” 。 你和動畫名的交接越多( 觀看、 評分或加入我的名單) , 調合越緊。

內容基於內容的建議與標籤

合作過關最適合流行的標題, 但與新的發表或特殊動畫相關, 缺乏大觀看歷史。 Netflix 保持了一個巨大的標籤系統。 每一個標題都手動或自動標籤有以下屬性: 流派、 心情、 主题、 人物類型、 故事線, 甚至視覺標籤。 對於動畫, 這些標籤可能非常微小 : “ Shounen 、 ” 、 “ Mecha 、 ” 、 “ Isekai 、 low Burn Romance 、 ” 、 “ Gore 、 家庭 、 時代 、 數代 等 。 當您看 [ [FLT: 0]] 時, 算法會將您對像「 劍游戲 、 惡魔 、 和 姊妹邦德 的標籤的標籤與同為相關。

慢因子和「因為你觀察」一行

直接出現在您完成一集後的行──「 更像這,」 「因為你觀察了」 和「 風景也喜歡」──不僅是標籤匹配。Netflix的潛在因子模型會發現沒有人會明确標籤的隱形連結。 例如,算法可能會學會那些喜歡慢速的大气間距 Mushishi 的觀眾也對 Natsume的友書[ 做出強烈的回應,即使他們的表面標籤不同。這些潛在連接點上是來自高維空間嵌入的使用者偏好向量的几何數學。 你用這些排程來,就积极把系統引向相似的潛在群組上。

為何Anime 發現在Netflix上不同

動漫不是一個单一的流派,而是具有重叠子文化的廣泛媒體。 Netflix的建議算法對動漫的處理和活體功能的內容沒有不同,但平台的分类和標記特殊性使得動漫的發現成為一個截然不同的挑戰。 了解這些微小的分別會幫助你更有效地使用系統。

微金列的崛起

Netflix 名為使用逾 27 000 個微流派來將其文庫分類。 對於動畫, 您可以看到像 “ Action Sci- Fi Anime ” 、 “ Feel- Good Romance Anime ” 或 “ Gritty Thriller Anime ” 的列。 這些微流派是用標籤和觀光模式相结合的算法產生的。 您可以點擊微流派列, 瀏覽所有列出的標題, 可以在您主頁上出現的第一小縮圖之外再探索。 然而, 很多隱藏的精靈只會在外觀的微流派中存在, 只有您看到歷史對它們開示的訊息, 才能從中看到。 如果您的檔案從未觸及過運動的動, “ 体育與競爭 anime ” 列可能會被掩埋。

Dubbed 的問題對子首选项

Netflix 使用獨立的影像資產來對同名的子版和子版。 對於算法, [[FLT: 0]] Hunter x Hunter(英文 Dub) [[FLT: 1] 和 [[[FLT: 2] Hunter x Hunter(日文) 是不同的項目。 如果您一直看下位版, 建議引擎會學會优先排序這些。 但是, 這也可能造成分裂: 您可能因為Dub 版本在您的相似群中更受歡迎而錯過一系列的建議 。 要將系統訓練到您所喜歡的格式, 總是選擇並定級您真正享受的音軌, 並在探索新音體時會特地為「 原日文」 。

區域表差距與全球味度設定檔

Netflix的動畫圖書庫因授權限制而大不相同。 如果您使用 VPN 存取不同的國家的目錄, 您的建議描述可能會變得混亂, 引來您家鄉地區沒有的標題的建議。 這會導致失敗。 更好的方法就是保留一個專屬您主區的描述文件, 建立一個单独的描述文件, 以探索其他的目錄, 只有在與該國家的伺服器連接時才使用。 雖然這需要人工管理, 但防止您主品味描述文件被無法存取的内容污染 。

訓練您的 Profile 更好的動畫介紹

您最強大的杠杆是回應環路。 Netflix 正在根据您發出的每個訊號繼續更新您的品味描述。 以下的策略會精确地塑造您的剖面, 將您的動畫主頁變成一個真正反映您進化中的兴趣的發現工具 。

使用縮圖上下衝擊

很多使用者忽略了最簡單的回應機制。 每次您用 [[FLT: 0]] thumbs up [FLT: 1] 的標題評分, 您就會加強與標籤、 潛伏因素和群組連結相關的權重。 A [[FLT: 2] thumbs down 也是同等值的, 因為它告訴了算法要壓抑什麼。 一個流行的shounen系列的一個負面評分不會移除所有動作動畫, 但是如果你持續下投票的 Isekai 標題, 系統會學著將它們过滤出來。 對於最精确的控制, 立刻把 anime [[FLT: 4] 評分 [FLT: 5] , 而經驗是新鮮的, 並且對您在幾分鐘後故意拋棄的標題做同樣的, —— 拋棄訊訊甚至比拇指更強。

使用「 我的清單」 作為訓練信號

新增一個標題到 [[FLT: 0]] My List [FLT: 1] 不只是一個書签; 它告訴 Netflix 您打算看它。 算法使用列表新增來完善建議, 通常會在您開始被儲存的節目之前顯示相似的標題 。 要將系統排入一個特定位址, 以相關的動畫群組填入我的清單 。 例如, 新增 [[FLT: 2] Paranoia Agent [[[FLT: 3] , [[FLT: 4]] 串列實驗 Lain [[FLT: 5]], 以及 [[[FLT: 6] Ergo Proxy [Proxy [FLT: 7] , 將您的建議向心理驚喜和范特小說故事。 但要小心, : 一個包含數十個不相關的清單會發出一個吵亮的訊號。 。 校對它像焦的收藏 。

完整系列及避免垂直跳過

觀察游戲的行為有巨大的分量。 當你觀看整個系列而沒有長時間的休息時, Netflix 推測出高度的接觸。 這說明了算法, 標籤和標題的潜在因素代表著強大的偏好。 另一方面, 反复開始一系列, 并在一兩集之後放下它會減輕你的品味描述。 如果您試著建議的動畫, 請使用 [ [FLT: 0] 的 “ 不感興趣” [[FLT: 1] 選項或拇指下方, 而不是簡單讓它坐著。 相似的, 跳過內部和跳入動作會發出一個浸泡的訊號, 使您對顯示的屬性更加親近 。

建立不同迷幻片的獨立設定檔

Netflix 允許每個帳號有最多五個設定, 每個都保持一個獨立的品味描述。 您不想要在輕心的片段和黑暗的心理恐怖之間保持一個設定。 您可以將設定描述專用于特定動態子類型。 您可能會有一個「 shounen & Action 」 的設定, 另一個「 Romance & Slic of Life 」 的設定, 第三个是「 Mecha & Sci-Fi 」 。 您會在專業描述中一直只觀察這個類型, 只能收到超焦點的建議 。 如果您想探究新的心情, 只需切換個設定。 這個技術在多數人分享帳號但有不同動量的家庭裡尤其有價值 。

解鎖隱藏的動畫, 使用 Netflix 密碼

動畫發現最未被充分利用的技術之一是Netflix的數值流派代碼系統。 每個微流派和子類別都有一個獨特的代碼, 您可以直接輸入網址或電視應用程式的搜尋條目。 這可以绕過個人化的主頁, 揭示Netflix 的每一個標題, 不管算法是否認為你喜歡它。

基本動畫代碼到書签

動畫迷們最有用的密碼如下。 您可以透過 https://www. netflix. com/ browse/ genre/ CODE[ [[FLT: 1]] (用數字取代CODE) 加入Netflix網頁介面 :

  • 7424 – anime(一般)
  • 3063 — Anime喜劇
  • 2729 – 動畫劇
  • 10695 — 動畫
  • 452 — 動漫幻想
  • 11146 — Anime Sci-Fi
  • 10771 – Anime 恐怖
  • 6721 – 動畫系列
  • 2653 — Anime Movies

因為Netflix定期更新其目錄, 以碼回的標題可能隨時間而變化。 每月檢查這些以碼为基础的頁面可以顯示算法沒有推進您的主頁。 對於更廣的密碼列表, 第三方數據庫如 [[FLT: 0]] Netflix- Codes.com[[[FLT: 1]] 提供定期更新的索引 。

将編碼與配置檔訓練相结合

當你用密碼來觀察你通常的舒适區外的動畫時, 真正的力量就出現了, 然後會想通地評估這些標題。 假設你的動作重的描述忽略了片段的建議。 參觀「Anime Comedies」 代碼(3063 ) 、 觀察 [[FLT: 0]] 、 Kumi Cant Compucate [[[FLT: 1] , 并用拇指指把新的標籤子加進你的品味檔中。 算法會開始交叉估計: 你可能看到像「 微弱社會的驚喜劇集」 或「 Heartfelt Comedy 系列 」 的排隊。 這有意的交叉訓練會拓宽你的建議, 而不會削弱你的核心偏好。

壓取更多數值來自「 更像此 」 和其他列

您的Netflix 主頁上的行不是隨機的。 每行都符合一個特定的建議策略, 并且知道它們意味著什麼 幫助您從策略上瀏覽它們 。

更像這樣, 是一個基于內容的網關

當您開啟任何動畫的詳細頁面並滚动到「 更像這」 區域時, Netflix 顯示與該特定展覽相近的標籤。 這列是理想的發現同樣的心情、 叙事結構或動畫工作室的動畫。 如果您愛 [[FLT: 0] Violet Evergarden [[FLT: 1], 類似片段可能會包括其他有驚人的視線的情感共鸣劇, 例如 [[FLT: 2] A Silotent Voice [[[FLT: 3] 或 [[[FLT: :4]] Maquia: 當所承諾的花花 花苗[[[FLT: 5] 。 在完成一列後使用此列來尋找直接的代號, 而不是等待主頁來猜測 。

加入合作信號

這列作品是由使用者行為所推动的。 它顯示了那些喜歡你所觀賞的人們所觀看和享受的標題。 建議可能令人驚奇。 它們有時會完全因為觀眾的相關性來自共同的美學品味而不是叙事相似。 如果 [[FLT: 0]] 牛仔貝波[[FLT: 1] 粉絲們也向 [[FLT: 2] 薩穆萊·香波 (同樣的導演) 和 [ 黑拉古[ (同音), 這種連結會在此出現。 當您在列中遇到一個音節時, 把它加入我的清單, 表示您也屬於那一個行為群組。

重看資料

重看系列或特定集會發出一個強烈的關注訊息。 Netflix可能會推廣其他具有相同潛在因素的動畫, 讓重看這個片名。 如果您在四月定期重看 [[FLT: 0] 的謊言, 因為它會造成情感上的關注, 系統會得知音樂導演的悲劇和人物導演對你來說是高價值的情感觸發。 您可以利用這個功能, 故意重看一些關鍵的動畫面, 以便模仿算法, 然后再檢查主頁, 以了解新的建議 。

使用外部工具來補充 In- App 探索

Netflix的內部算法很強大, 但一些值得信任的第三方工具可以幫助您找到系統可能掩埋的動畫, 尤其是如果您的檔案描述是新鮮或少數的。 這些工具讀取Netflix的公用目錄資料, 并用官方介面不使用的方式顯示它 。

uNoGS( 非正式的Netflix Online 全球搜尋)

uNoGS [[FLT: 1]] 允許您用高级過程搜尋Netflix 的全全球圖書館: 流派、 发布年、 音效語言, 甚至 IMDb 評分範圍。 對於 動畫 發現, 您可以使用 AIME 流派標籤, 并按使用者的評分排序 , 以尋找您所在的地區中可使用的重要的受歡迎的系列。 您也可以看到, 標題排在Netflix 的預期中, 幫助您在隱藏的宝石消失前优先排序 。

看著點,裏爾古德

總結器, 如 [[ FLT: 0] ] 只需觀察 [[ FLT: 1] , 讓您完全為Netflix anime 过滤, 然后按子流派、 年和流體質目瀏覽 。 雖然這些工具不與您的Netflix 味素描述相通, 但它們非常出色, 它們可以直接搜尋這些名目, 將結果反馈到Netflix 。 您在Netflix 上所做的每次手動搜尋都發出一個行為訊號, 可以轉移未來的建議 。

重設與重建您的動畫味道設定檔

有時最有力的行動是新的開始。 如果你的建議已經滿滿了一個你不喜歡的動畫的單個賓格觀察的建議, 或者如果你一直和一個品味與你的味道相衝的人分享一個剖面, 重置就可能會改變。

清除部分重置的檢視歷史

Netflix 允許您在 帳號 > Profile > 檢視活動下刪除您檢視歷史中的特定標題。 移除一項顯示立即從您的建議中移除其影響 。 如果一個不明智的表淹沒了您的頁面, 您不喜歡的流派, 移除此項目可以在24小時內恢復平衡 。 這是切除器方法, 而不是大锤 。

建立完整重置的品牌新設定檔

最透彻的方法是建立新的設定檔, 從零開始 。 在初始設定中, Netflix 要求您選擇您喜歡的幾個標題 。 仔细選擇 。 這些選種會大大影響第一波建議。 選擇至少三個真正代表您想要看的內容的動量, 跨越不同的子流派, 或是在您想要雷射焦點的种子時將它們紧密地組成團體 。

導航季動畫與授權波

Netflix 的季性動畫方法已進化。 和 Crunchyroll 不同, Crunchyroll 的周刊不同, Netflix 常常一次發行整張相關的回放, 或是跟隨一個延遲的批次排程。 這會影響到可發現性, 因為一場演出可能會在平台上坐了好幾周而不完全理解其觀眾的重複。 您可以提前看新版。 您的早期參與有助于定義此類似群, 进而加强了它與您所愛的舊目錄的關聯。 此外, 當Netflix 授權使用像 [ [[FLT: 0] 或 [[FLT: 2] Hunter x Hunter 的回放時, 算法會暫時將它推動當作我的名, 即使您不立即看計划, 也將增加您的檔案的關聯合。

自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動自動

數據機一旦訓練完, 就會成為自我進步的發現引擎。 為了保持它健康, 應用這些維持習慣 :

  • 每周至少收3個標題, 酌情上下混合拇指 。
  • 每兩個月,清除你的我的名單 你不再想看。
  • 定期瀏覽密碼來試驗你忽略的流派
  • 網友們在回應「你還在看嗎?
  • 除非你們想讓這些流派侵入你們的建議,

Netflix的推荐算法不是靜態的過程,而是动态的對話。 你發出的訊息越是刻意,就越能揭示出被困在角落的廣泛的動畫世界 — — 你可能會發現你所喜歡的下一個系列,只是因為機器終於完全明白你要找的東西。