[论文解读] Challenges in Search on Streaming Services: Netflix Case Study

Sudarshan Lamkhede, Sudeep Das|arXiv (Cornell University)|Mar 11, 2019

Mobile Crowdsensing and Crowdsourcing参考文献 7被引用 4

一句话总结

本文研究了在Netflix等流媒体平台构建搜索系统所面临的独特挑战，强调将推荐系统整合到搜索中，以支持内容发现、处理不可用内容，并实现在全球多语言用户群体中跨设备的即时搜索。论文提出了一种混合搜索-推荐框架，结合词法匹配与行为信号，以超越传统信息检索模型，提升用户满意度和内容发现能力。

ABSTRACT

We discuss salient challenges of building a search experience for a streaming media service such as Netflix. We provide an overview of the role of recommendations within the search context to aid content discovery and support searches for unavailable (out-of-catalog) entities. We also stress the importance of keystroke-level instant search experience, and the technical challenges associated with implementing it across different devices and languages for a global audience.

研究动机与目标

• 解决传统信息检索在流媒体搜索中的局限性，即用户不仅寻找特定内容，还希望实现内容发现和偶然性推荐。
• 理解并支持三种不同的用户搜索心智模型：获取（Fetch，特定项目）、寻找（Find，相关项目）和探索（Explore，广泛的内容领域），每种模型均需不同的系统行为。
• 设计一种可无缝集成推荐与词法搜索的搜索系统，以处理不可用内容并提升用户参与度。
• 实现在多种设备和输入方式下、低延迟的逐键输入级即时搜索，尤其在韩语等多语言语境下（如韩文输入）。
• 确保在22种以上本地化语言中实现高质量、可扩展的搜索与推荐性能，适应不同的内容偏好和查询模式。

提出的方法

• 系统结合词法搜索（基于标题和元数据匹配）与协同过滤及行为信号，为可用和不可用内容生成推荐。
• 实现一种实时、增量式的搜索界面，每输入一个字符即更新结果，降低用户交互成本并提升感知响应速度。
• 采用语言特定的索引机制（例如，韩语的音节级索引）以减少输入字符数，提升非拉丁字母脚本的输入效率。
• 通过从美式英语模型迁移学习，将搜索与推荐模型本地化至新市场，适配区域内容偏好和查询模式。
• 在搜索管道的多个层级整合推荐功能——包括搜索结果中、不可用实体的处理以及查询理解阶段——以引导用户完成内容探索。
• 通过A/B测试和用户研究评估不同使用场景和本地化环境下的搜索质量、交互效率和用户满意度。

实验结果

研究问题

• RQ1 流媒体平台的搜索系统如何有效支持那些并非在寻找特定标题，而是希望探索或发现内容的用户？
• RQ2 当用户查询的内容在流媒体上不可用时，推荐在搜索结果中应扮演何种角色？
• RQ3 如何在多种设备和输入方式下高效实现即时搜索，特别是针对韩语等复杂脚本语言？
• RQ4 如何联合优化搜索与推荐系统，在降低用户交互成本的同时提升内容发现能力？
• RQ5 全球流媒体平台与传统网络搜索在搜索行为和系统需求方面存在哪些关键差异？

主要发现

• 超过20%的Netflix内容发现通过搜索完成，凸显其在内容发现中的核心作用，而不仅限于信息检索。
• 大多数搜索（约75%）针对特定标题（获取模式），但仍有相当大比例涉及更广泛意图（寻找与探索模式），需整合推荐功能。
• 用户经常搜索不可用内容（例如，搜索‘Jaws’以寻找鲨鱼电影），系统必须展示相关推荐以维持用户参与度。
• 逐键输入级即时搜索可降低用户操作负担，但因产生大量短查询且在不稳定网络下错误率更高，显著增加了系统复杂性。
• 语言特定的索引（如韩语音节级索引）相比字符级输入可将所需输入字符数减少高达60%，显著提升输入效率。
• 标题本地化（如将‘La Casa de Papel’本地化为‘Money Heist’）会导致用户查询与索引内容之间出现不匹配，需依赖强大的跨标题匹配与推荐策略。