Davids masterprosjekt kan forbedre filmanbefalingssystemer
I sin masteroppgave, gjort i samarbeid med TV2 og MediaFutures, bruker David Kvasnes Olsen visuell analyse av filmer som en måte å forbedre filmanbefalingssystemer.
Hovedinnhold
- Personalisering av filmer og videoer har som mål å presentere medieinnhold som er relevant for brukerne. Algoritmebaserte anbefalinger kan også ha en bieffekt, og redusere mangfoldet ved å fremheve en film eller en serie framfor en annen og ved å eksponere seeren for mer av den samme typen innhold. Dette skjer bl.a. når en ny film med manglende metadata legges til i leverandørenes kataloger, sier masterstudent David Kvasnes Olsen.
Strømmetjenester har vokst i antall i de siste årene, og i dag har over 77 prosent av nordmenn mellom 12 og 65 år tilgang til minst en strømmetjeneste med TV og video-innhold.
Trenden med bruk av disse tjenestene forsterket seg under korona-pandemien, som har også medført hardere konkurranse blant strømmegigantene.
Kampen om vår oppmerksomhet og tid foran skjermen har tvunget aktørene til å forbedre sine digitale løsninger og utvide katalogene med nye filmer og serier. For å sortere de enorme mengdene av medieinnhold og tilby kundene den beste opplevelsen bruker strømmetjenester anbefalingssystemer.
For at algoritmebaserte anbefalingssystem skal matche riktig bruker med relevant innhold, kreves det en viss mengde av data, f.eks. i form av vurdereringer eller anmeldelser. Men hva om det er lite eller ingen slike data tilgjengelig? Hvordan kan man øke sjansen for at en film eller video som mangler tilstrekkelig informasjon vises i riktig anbefalingsfeed til riktig bruker? Svaret kan ligge i analyse av visuelle trekk i film.
Vanlig problem for medieplattformer
Til tross for betydelig fremgang i forskning på anbefalingssystemer de siste årene, er det noen utfordringer som fremdeles mangler løsninger, bl.a. det såkalte kaldstartproblemet som oppstår når det ikke foreligger tilstrekkelig data som algoritmene kan basere anbefalinger på.
Utfordringen vekket interessen til masterstudent David Kvasnes Olsen. Under veiledning av førsteamanuensis Mehdi Elahi ved SFI MediaFutures, og Lars Skjærven fra TV2, undersøkte Olsen i sin masteroppgave om analyse og automatisk uthenting av visuelle «stilistiske» trekk fra filmfiler kan brukes til å generere anbefalinger, og muligens hjelpe seere å oppdage mindre populært, men likevel relevant medieinnhold.
- I dag baserer de fleste strømmetjenester sine anbefalinger på to teknikker: kollaborativ filtering, som genererer anbefalinger basert på likhet mellom brukere, og innholdsbasert filtering som predikerer en brukers interesse for en film basert på denne filmens likhet med tidligere filmer likt av brukeren», forklarer Olsen og legger til:
- Begge teknikkene krever data enten om brukeren eller selve filmen. Problemet i dag er at mange filmer og videoer som lastes opp på ulike medieplattformer har ingen brukerinteraksjon, eller mangler metadata som en beskrivelse eller en sjangerbeskrivelse.
I masteroppgaven analyserer han low level visuelle utrykk i filmer som f.eks. farger eller lysstyrke. - Disse kan hentes automatisk fra filmfiler, og er ikke avhengig av en person for å generere dem. Løsningen er effektiv, og ikke minst billig, understreker Olsen.
Vellykket samarbeid med TV 2 og lovende resultater
TV 2 har spilt en avgjørende rolle i Olsens masteroppgaveprosjekt. Den norske kringkasteren forsynte studenten med filmplakater og trailere fra deres strømmetjeneste TV 2 Play for analyse. Takket være Lars Skjærven i TV 2 fikk Olsen også betydelig hjelp med å kode prosjektet sitt og implementere det inn i TV 2s infrastruktur.
- Det at vi får sjansen til å teste anbefalingssystemet vi har utviklet basert på uthenting av visuelle trekk på en plattform som tilhører en nasjonal kommersiell aktør er veldig spennende, og er noe som aldri har blitt gjort før, påpeker Olsen.
Masterprosjektet gir også gode resultater. Olsen utdyper:
- Etter å ha kjørt offline-evalueringer der vi sammenlignet ren innholdsbasert filtering med hybrid anbefalingssystem, kan vi se lovende resultater i forhold til nøyaktighet. Det hybride anbefalingssystemet med uthentet visuelle trykk ser ut til å overgå innholdsbasert filtering også når det gjelder anbefaling av mindre populære filmer i kaldstart-situasjoner.
Masteroppgaven til David, samt kodingen kan du finne i BORA - Bergen Open Research Archive.
Betydning for demokratiet
Mye makt ligger i evnen til å sortere og fremheve informasjon. Det har vært debatter rundt at personalisering av medieinnhold kan begrense mangfoldet og forårsake «ekkokammer» og «filterbobler» ved å eksponere brukeren kun til innholdet som bekrefter brukerens egne synspunkt. Denne forsterkningseffekten kan ha negativ effekt for den demokratiske åpenheten og diskursen.
MediaFutures forsknings- og innovasjonssenter er Norges første senter for ansvarlig medieteknologi. I samarbeid med andre høyt profilerte forskningsinstitusjoner og anerkjente medieteknologiselskaper og kringkastere, tar senteret for seg blant annet utvikling av ansvarlige anbefalingssystemer.