Mit dem Start der neuen Streaming-Plattform des ZDF rücken die Video-Inhalte noch stärker ins Zentrum. Unabhängig von TV-Sendeplätzen und Fernsehformaten bekommen die Nutzenden ein vielfältiges Angebot – von packenden Krimifolgen bis hin zu informativen Dokus.

Die Streaming-Plattform bietet Inhalte für alle – aber nicht für alle gleich: Speziell auf jeden Nutzenden zugeschnittene und automatisierte Empfehlungen bieten an vielen Stellen auf der Streaming-Plattform einen schnellen Zugang zu den Inhalten, die den User wirklich interessieren.

Schon auf der Startseite gibt es personalisierte Bänder mit Inhalten, die sich an dem vorherigen Nutzungsverhalten des einzelnen Plattform-Besuchers orientieren. Auch auf der Suchergebnis-Seite werden personalisierte Inhalt ausgespielt.
Damit die Vorschläge schnell angezeigt werden können, werden die Nutzenden in Gruppen eingeteilt und mit passenden Inhalten versorgt. Um das Angebot möglichst vielfältig zu machen, schlägt der Algorithmus auch immer wieder neue Inhalte vor – werden die gut genutzt, erhöht sich die Wahrscheinlichkeit, dass sie beim nächsten Mal wieder ausgespielt werden. So lernt der Algorithmus immer weiter - für ein immer besseres Angebot.
Anders funktioniert die Empfehlung beim Next Video-Vorschlag: Hier wird nicht berücksichtigt, was Nutzende vorher geschaut haben. Nur das aktuelle Video wird als Anknüpfungspunkt für die Berechnung genutzt. Der Algorithmus versucht, möglichst passende Inhalte zum gerade gesehenen Video vorzuschlagen, etwa die nächste Folge einer Serie.

Neu im Angebot der ZDF-Streaming-Plattform sind die Meta-Collections. Hier kann man schnell Inhalte zu einem Thema finden. Eine automatische Sortierung hilft dabei, schnell spannende Inhalte zu entdecken.
Welche Logik steckt hinter den Empfehlungen? Nach welchen Regeln spielt der Algorithmus Inhalte aus? Infos dazu gibt es in gut verständlicher Form unter algorithmen.zdf.de. Wir beschreiben hier die neuen Anwendungsfälle und Model Cards, erklären, wie die Streaming-Plattform des ZDF zu einem personalisierten Erlebnis wird.

Im ZDF verwenden wir derzeit das SASRec-Modell („Self-Attention Based Sequential Recommendation“), um personalisierte Empfehlungen zu erzeugen. SASRec wird genutzt für verschiedene Anwendungsfälle wie „Das könnte Dich interessieren“ (DKDI), „Next-Video” und „Weil Du ... geschaut hast”. Unter der Annahme, dass Nutzende verschiedener Geräte ein unterschiedliches Nutzungsverhalten im ZDF aufweisen, haben wir in der Vergangenheit für die drei Geräte-Kategorien TV, mobile Apps und Webbrowser jeweils ein separates Modell trainiert. Dabei wurden für das jeweilige Modell nur die Nutzungsdaten der entsprechenden Geräte verwendet. Für die drei separaten SASRec-Modelle waren insgesamt 18 Trainings pro Tag mit einer Gesamtlänge von ca. 14 Stunden erforderlich.

Um die Qualität der Empfehlungen zu verbessern und zusätzlich die Trainingsaufwände und damit verbunden Zeit, Kosten und Energieverbrauch zu reduzieren, haben wir unsere frühere Annahme in Frage gestellt und experimentell evaluiert, ob ein einziges gemeinsames SASRec-Modell, das die Daten aller Geräte nutzt, besser als die drei separaten Modelle performen kann. Das neue gemeinsame Modell wurde vorher mittels Tuning so verbessert, dass es zu möglichst guten Ergebnissen führen sollte. Das eine gemeinsame Modell kommt mit 6 Trainings pro Tag in einer Gesamtlänge von unter 8,5 Stunden aus.

Anschließend haben wir in einem Zeitraum von einem Monat einen A/B-Test durchgeführt, bei dem das eine gemeinsame Modell mit den drei separaten Modellen in den Anwendungsfällen DKDI und Next-Video verglichen wurde.

Die A/B-Testergebnisse zeigen, dass das gemeinsame Modell sowohl bei DKDI als auch bei Next-Video die drei separaten Modelle in den drei Leistungsmetriken “Klicks”, “Sehvolumen” und “Popularity” übertrifft. (Wichtig zum Verständnis: Wie aus dem letzten Blog-Artikel „Neuer Algorithmus für ‘Das könnte Dich interessieren’“ beschreibt, dass es wichtig ist, die Popularity zu senken, um nicht nur sehr populäre Inhalte zu empfehlen, sondern möglichst die, die für den jeweiligen Nutzenden am besten passen.)

Die wichtigsten Ergebnisse zusammengefasst:

• Die Popularity des einen gemeinsamen Modells ist geringer (und damit besser) als die der separaten Modelle.
• Die Klicks und das Sehvolumen des gemeinsamen Modells sind höher als bei den drei separaten Modellen.

Für beide Anwendungsfälle DKDI und das Next-Video wurde außerdem ein T-Test durchgeführt (um die Signifikanz zu prüfen). Anhand der Testergebnisse sehen wir, dass das gemeinsame Modell hinsichtlich aller Leistungsmetriken signifikant (mit p < 0,05) besser ist als die drei separaten Modelle.

Aus diesen Gründen haben wir uns dazu entschieden, das eine gemeinsame SASRec-Modell für die Anwendungsfälle DKDI, Next-Video und auch "Weil Du ...” zu verwenden und somit die Qualität der Empfehlungen zu verbessern und gleichzeitig die Trainingsaufwände und damit die Kosten und den Energieverbrauch zu reduzieren.

Wir optimieren und entwickeln unsere Algorithmen und Modelle ständig weiter, um bestmögliche Empfehlungen zu generieren. Im Empfehlungs-Band „Das könnte Dich interessieren“ (DKDI) wird derzeit das sogenannte Sequential Model (SEQ) für Empfehlungen verwendet. Dieses basiert auf Recurrent Neural Networks (RNN), nachzulesen in der technischen Beschreibung unter „ModelCard“. Zusätzlich wird Popularity Sampling eingesetzt, um Inhalte auch abseits von Trends zu empfehlen.

Um sowohl die Nutzererfahrung, als auch die beiden wichtigsten Leistungsmetriken Klicks und Sehvolumen zu verbessern, haben wir einen Empfehlungsalgorithmus basierend auf dem sogenannten „Self-Attention Based Sequential Recommendation Model“ (SASRec) für DKDI entwickelt. Wie dieser funktionier ist unter der „ModelCard“ beschrieben. Die Grundlagen und Details zum Basis-Algorithmus sind im folgendem Artikel zu finden.

Um das neue Modell zu testen, haben wir es in Bezug auf die Leistungsmetriken mit dem momentan eingesetzten Algorithmus verglichen. Im Folgenden werden die Unterschiede zwischen dem neuen SASRec Modell und dem bestehenden SEQ mit Popularity Sampling für DKDI dargestellt.

Das ZDF hat zentrale Teile des Quellcodes seines Empfehlungssystems auf GitHub veröffentlicht. So geht das ZDF einen weiteren Schritt, um Algorithmen transparent weiterzuentwickeln. Damit will der Sender die Entwicklung innovativer Medientechnologien fördern und unterstützen.

Andreas Grün, Leiter der Abteilung Technologie Digitale Medien im ZDF: "Wir ermuntern alle, Expertinnen und Experten, NGOs und andere Medienunternehmen, den Quellcode einzusehen und uns Verbesserungsvorschläge zukommen zu lassen. Wir sind überzeugt davon, dass dies ein wichtiger Punkt für mehr Offenheit ist und zur Weiterentwicklung der Medientechnologie beitragen wird. "

Der Quellcode ist unter diesem Link abrufbar:
https://github.com/zdf-opensource/recommendations-pa-base

Im Rahmen des gemeinsamen Streaming-Netzwerks zwischen ARD und ZDF ist es bereits seit März möglich innerhalb des ZDF auch ARD-Inhalte zu schauen. In unserem „Auch Interessant“ Anwendungsfall spielen wir seitdem gemischte Empfehlungen aus ZDF- und ARD-Inhalten in den Bereichen Dokumentation und Kultur aus.

Seit Anfang Oktober wurde das Streaming-Netzwerk im Anwendungsfall „Auch Interessant“ auf weitere Rubriken erweitert. Nun umfassen gemeinsame Empfehlungen von ZDF- und ARD-Inhalten neben Kultur und Dokumentationen, auch die Bereiche Filme, Serien, Kinder und eine gemischte Rubrik mit Inhalten zu Themen aus der Gesellschaft, Comedy und Show. Damit ist nun unter den meisten Videos ein „Auch Interessant“ Empfehlungsband, was sich direkt in einem starken Anstieg des Sehvolumens widerspiegelt:

Die Public Value Metriken für die „Auch Interessant“ Empfehlungen variieren sehr stark, je nachdem welche Rubriken angezeigt werden. Im Vergleich zu den anderen Anwendungsfällen wie „Weil Du“ oder „Next-Video“ sind die Serendipity-Werte sehr hoch, insbesondere für die gemischten Empfehlungen bei Gesellschaft, Comedy und Show. Die Einführung der weiteren Rubriken hat auch dazu geführt, dass die Serendipity-Werte für andere bestehenden Anwendungsfälle im Durchschnitt etwas gefallen sind. Dies spricht dafür, dass die „Auch Interessant“ Empfehlungen auf den einzelnen Beitragsseiten die Neugier und Interesse der Nutzenden wecken, neue Rubriken anzuschauen und insgesamt zu einem vielfältigeren Sehverhalten führen.