devpony 18 фев 2019 в 17:16

Rekko Challenge

8 мин

6.2K

Блог компании OkkoСпортивное программирование*Data Mining*Big Data*Машинное обучение*

Rekko challenge

Сегодня мы запускаем Rekko Challenge 2019 — соревнование по машинному обучению от онлайн-кинотеатра Okko.

Мы предлагаем вам построить рекомендательную систему на реальных данных одного из крупнейших российских онлайн-кинотеатров. Уверены, что эта задача будет интересна и новичкам, и опытным специалистам. Мы постарались сохранить максимальный простор для творчества, при этом не перегружая вас гигабайтными датасетами с сотнями предварительно посчитанных признаков.

Подробнее про Okko, задачу, данные, призы и правила — ниже.

Задача

Вам доступны данные обо всех просмотрах, рейтингах и добавлениях в «Запомненное» фильмов и сериалов пользователем за некоторый период в N дней (N > 60), а также вся метаинформация о контенте. Необходимо предсказать, какие фильмы и сериалы пользователь купит или посмотрит по подписке за следующие 60 дней.

В следующем разделе мы попытались описать минимум того, что вам необходимо знать об онлайн-кинотеатрах, чтобы быстро разобраться в данных и приступить к их анализу. Если же эта информация для вас не актуальна, можете сразу переходить к описанию данных.

О нашем сервисе

Если пользователь хочет легально смотреть кино в интернете, у него есть три основных пути.

Первый путь — смотреть бесплатно, постоянно прерываясь на рекламные ролики (AVOD, Advertising Video On Demand). Второй — купить фильм к себе в коллекцию или арендовать (TVOD, Transactional Video On Demand). Третий — оформить подписку на определённый период (SVOD, Subscription Video On Demand).

Okko работает только по моделям TVOD и SVOD. В нашем сервисе совсем нет рекламы.

Всего в сервисе чуть больше 10 тысяч фильмов и сериалов, около 6 тысяч из них доступны по подписке, остальные только для покупки или аренды. При этом, почти любой подписной контент можно купить. Исключение составляют, например, сериалы Amediateka, их можно смотреть только по подписке.

Распределение количества контента в зависимости от модели потребления

По какой модели будет доступен фильм, во многом зависит от студии, владеющей правами. Они заключают с онлайн-кинотеатрами контракт, в котором оговорено, в какие сроки и по каким правам фильм будет доступен. Как правило, условия одинаковы для всех игроков рынка, но иногда студии идут на уступки некоторым кинотеатрам или предлагают более выгодные условия за бо́льшие деньги. Так появляются эксклюзивы.

Например, крупные мировые новинки попадают в подписку не сразу, а только спустя 2-3 месяца после появления в сервисе. Более того, в первые несколько недель их нельзя даже взять в аренду, доступна только возможность покупки навсегда. А вот российские фильмы могут быть доступны по подписке сразу после выхода и иногда даже одновременно со стартом проката в оффлайн-кинотеатрах.

Когда контракт истекает, фильм становится недоступен — до пролонгирования истекшего контракта или заключения нового.

Пример карточки недоступного фильма

Периоды отсутствия прав на контент хорошо заметны на графиках количества просмотров. Ниже, например, представлен такой график для фильма «Джон Уик 2». Первым делом может показаться, что хадуп прилёг отдохнуть на пару месяцев, но нет: закончились права.

График числа просмотров фильма "Джон Уик 2"

Самый высокий пик на графике выше (отмечен вертикальной линией) совпадает с датой добавления фильма в подписку: это весьма характерное поведение для громких новинок. В нашем сервисе 12 подписок:

Восемь тематических,
Сериалы Amediateka,
Сериалы ABC,
Российские фильмы и сериалы от сервиса «START»,
Фильмы в 4K.

И два пакета подписок: «Оптимальный», который включает все тематические подписки, и «Оптимальный + Amediateka».

Интерфейс подписок

Самыми популярными, естественно, являются мета-пакеты. Из тематических подписок пользователи предпочитают «Мировое кино» и «Наше кино».

Немногие пользователи смотрят кино только по подписке, большинство либо только покупает фильмы, либо докупает в дополнение к подписке.

Чаще всего пользователи выбирают для покупки новинки текущего проката и крупные премьеры прошлого года.

Самый популярный источник покупок в приложении — раздел «Рекомендации», следом за ним идут «Поиск», «Новинки» и «Каталог». Часть фильмов пользователи покупают из «Похожих» и «Запомненных».

Одна из главных проблем, с которыми мы в Okko активно боремся, — проблема выбора пользователями контента. Если посмотреть на график вероятности совершения покупки от времени нахождения в сервисе (данные за прошлый год), станет видно, что пользователи готовы выбрать и купить фильм в течении первых 10 минут, затем вероятность покупки стремительно падает. При этом остаётся достаточно большая часть пользователей, которые проводят в сервисе от получаса до часа и не могут выбрать подходящий для себя контент.

10 минут — не так уж и много. За это время пользователь чисто физически не может подробно изучить каталог и выбрать тот контент, который ему по душе.

Тут в дело вступает Rekko — внутренняя рекомендательная система онлайн-кинотеатра Okko. Rekko в данный момент работает в двух разделах сервиса — «Рекомендации» и «Похожие».

Раздел рекомендации на TV

Похожие на TV

Чтобы оценить удовлетворенность пользователя контентом, мы анализируем факт покупки, просмотры по подписке, время просмотра, добавление в «Запомненные» и пользовательский рейтинг.

Шкала оценок в Okko представлена пятью звездочками с половинными делениями: она принимает целые значения от 0 до 10.

Интерфейс постановки рейтинга

Пользователь может поставить фильму оценку в любой момент независимо от факта покупки или просмотра. Оценку можно изменить неограниченное число раз, но нельзя отменить.

«Запомнить» фильм можно в любой момент, тогда он появится в «запомненных» в профиле пользователя. Точно так же его можно оттуда удалить.

Интерфейс запоминания

Запомненные фильмы в профиле

Работы над Rekko начались ровно год назад и на данный момент по данным A/B тестов она позволила нам увеличить среднее число покупок на 4%, транзакционную выручку на 3%, конверсию в подписку на 5%, а пользователи стали выбирать фильмы на 18% быстрее.

Данные

Все данные, кроме времени просмотра и рейтингов, анонимизированны либо искажены. Время выражено в абстрактных единицах, для которых сохранены отношение порядка и расстояние.

transactions.csv

Записи обо всех транзакциях и просмотрах контента по ним за тренировочный период. Транзакцией здесь считается покупка фильма навсегда либо в аренду или инициация просмотра по подписке.

element_uid	user_uid	consumption_mode	ts	watched_time	device_manufacturer
3336	5177	S	44305181.2180206	4282	50
481	593316	S	44305180.606027626	2989	11
4128	262355	S	44305180.41444582	833	50

element_uid — идентификатор элемента
user_uid — идентификатор пользователя
consumption_mode — тип потребления (P — покупка, R — аренда, S — просмотр по подписке)
ts — время совершения транзакции
watched_time — число просмотренных пользователем по данной транзакции секунд
device_type — анонимизированный тип устройства, с которого была совершена транзакция
device_manufacturer — анонимизированный производитель устройства, с которого была совершена транзакция

Распределение watched_time

ratings.csv

Сведения о поставленных пользователями оценках за тренировочный период. Информация агрегированная, т.е. если пользователь менял свою оценку, в таблице будет представлено только последнее значение.

user_uid	element_uid	rating	ts
571252	1364	10	44305174.26309871
63140	3037	10	44305139.28281821
443817	4363	8	44305136.20584908

element_uid — идентификатор элемента
user_uid — идентификатор пользователя
rating — поставленный пользователем рейтинг (от 0 до 10)
ts — время постановки рейтинга

Распределение рейтингов

bookmarks.csv

Факты добавления пользователями фильма в «запомненные». Информация агрегированная, т.е. если пользователь удалил фильм из «Запомненных», записи о добавлении его туда в таблице не будет.

user_uid	element_uid	ts
301135	7185	44305161.30743926
301135	4083	44305160.01187332
301135	10158	44305157.74463292

element_uid — идентификатор элемента
user_uid — идентификатор пользователя
ts — время добавления фильма в «запомненные»

catalogue.json

Метаинформация обо всех рекомендуемых элементах: фильмах, сериалах и многосерийных фильмах.

{
  "1983": {
    "type": "movie",
    "availability": ["purchase", "rent", "subscription"],
    "duration": 140,
    "feature_1": 1657223.396513469,
    "feature_2": 0.7536096584,
    "feature_3": 39,
    "feature_4": 1.1194091265,
    "feature_5": 0.0,
    "attributes": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, ...]
  },
  "2166": {
    "type": "movie",
    "availability": ["purchase", "rent"],
    "duration": 110,
    "feature_1": 36764165.87817783,
    "feature_2": 0.7360206399,
    "feature_3": 11,
    "feature_4": 1.1386044027,
    "feature_5": 0.6547073468,
    "attributes": [16738, 13697, 1066, 1089, 7, 5318, 308, 54, 170, 33, ...]
  },
...
}

type — принимает значения movie, multipart_movie или series
duration — длительность в минутах, округлённая до десятков (продолжительность серии для сериалов и многосерийных фильмов)
availability — доступные права на контент (может содержать значения purchase, rent и subscription)
attributes — мешок некоторых анонимизированных атрибутов
feature_1..5 — пять анонимизированных вещественных и порядковых признаков

Доступные права указаны на момент окончания тренировочного периода и начала тестового.

Важно: в json ключами словаря могут быть только строки, так что не забудьте привести их к числу, если считываете идентификаторы в таблицах как числа (делайте так для экономии памяти).

Распределение признаков в каталоге

Метрика

В качестве метрики мы используем Mean Average Precision (MAP) для 20 элементов, но немного модифицированный. За тестовый период пользователь мог потребить меньше 20 фильмов. Если в таком случае считать честный MAP, верхняя граница метрики будет меньше единицы, а значения маленькие. Поэтому, если пользователь потребил меньше 20 элементов, нормируем мы на их количество, а не на 20.

$\mbox{MNAP@20} = \frac{1}{\lvert U \rvert} \sum_{u \in U} \frac{1}{\min(n_u, 20)} \sum_{i=1}^{20} r_u(i) p_u@i$

$p_u@k = \frac{1}{k} \sum_{i=1}^{k}r_u(i)$

$inline$ — находится ли $inline$ -ый предсказанный элемент в множестве потреблённых за тестовый период элементов пользователем $inline$ , $inline$ — размер этого множества. Если вдруг подзабыли метрики качества ранжирования, на хабре про них есть отличная статья.

Код метрики на Cython

def average_precision(
        dict data_true,
        dict data_predicted,
        const unsigned long int k
) -> float:
    cdef:
        unsigned long int n_items_predicted
        unsigned long int n_items_true
        unsigned long int n_correct_items
        unsigned long int item_idx

        double average_precision_sum
        double precision

        set items_true
        list items_predicted

    if not data_true:
        raise ValueError('data_true is empty')

    average_precision_sum = 0.0

    for key, items_true in data_true.items():
        items_predicted = data_predicted.get(key, [])

        n_items_true = len(items_true)
        n_items_predicted = min(len(items_predicted), k)

        if n_items_true == 0 or n_items_predicted == 0:
            continue

        n_correct_items = 0
        precision = 0.0

        for item_idx in range(n_items_predicted):
            if items_predicted[item_idx] in items_true:
                n_correct_items += 1
                precision += <double>n_correct_items / <double>(item_idx + 1)

        average_precision_sum += <double>precision / <double>min(n_items_true, k)

    return average_precision_sum / <double>len(data_true)

def metric(true_data, predicted_data, k=20):
    true_data_set = {k: set(v) for k, v in true_data.items()}

    return average_precision(true_data_set, predicted_data, k=k)

Призы и правила

Призовой фонд составляет 600 тысяч рублей:

300 тысяч получит победитель,
200 тысяч — участник на втором месте,
100 тысяч — участник на третьем месте.

Правила стандартные: не нарушать работу платформы, использовать только один аккаунт, избегать приватного обмена кодом с другими участниками и не быть сотрудником Okko и Rambler.

Как начать

Начать участвовать в соревновании может быть трудно даже для опытных специалистов: необходимо быстро разобраться в новой доменной области, понять и проанализировать данные, разобраться в новых библиотеках.

Надеемся, что в данной статье мы смогли погрузить вас в тематику онлайн-кинотеатра и достаточно подробно описать данные. В архиве с задачей вы найдёте файл baseline.ipynb, который содержит код для загрузки данных и пример простого решения с помощью алгоритма K ближайших соседей.

Если какие-то моменты из описания данных и доменной области остались непонятными, мы с радостью ответим на ваши вопросы в комментариях. Задать вопросы можно также в телеграм-канале @boosterspro — там будет проходить основное обсуждение соревнования.

Итак, как начать:

Зарегистрируйтесь на boosters.pro и вступите в @boosterspro;
Скачайте данные на странице соревнования или здесь;
Откройте baseline.ipynb, установите нужные пакеты, исполните весь код и загрузите ваше первое решение;
Попытайтесь изменить baseline, чтобы улучшить показатели;
Экспериментируйте!

Rekko Challenge стартует сегодня, 18 февраля. Решения принимаются до 18 апреля 23:59:59 по московскому времени.

Ждём всех и желаем удачи!

Кстати, мы ищем сотрудников. В том числе и разработчика рекомендательных систем.

UPD 26.02.2019: Нашли баг в формировании тестовых данных, заменили их и файл test_users.json. Всем участникам предоставлены дополнительные попытки.

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.

Пользуетесь Okko?

25% Да9

5.56% Теперь буду2

69.44% Нет25

Проголосовали 36 пользователей. Воздержались 4 пользователя.

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.

Будете участвовать?

51.85% Да14

25.93% Нет, нет времени7

0% Нет, задача неинтересная0

11.11% Нет, призовые маленькие3

11.11% Нет, другая причина3

Проголосовали 27 пользователей. Воздержались 7 пользователей.

Теги:

Хабы: