Netflix
Netflix, Inc.
(Nasdaq: NFLX) Netflix是世界上最大的在线影片租赁提供商，向它的670万名顾客提供超过85，000部DVD电影的租赁服务，而且能向顾客提供4000多部影片或者电视剧的在线观看服务。公司的成功源自于能够提供超大数量的DVD，而且能够让顾客快速方便的挑选影片，同时免费递送。Netflix已经连续五次被评为顾客最满意的网站。
Netflix大奖援引路透社纽约 9月21日消息： 来自186个国家的四万多个团队经过近三年的较量，世界最大的在线影片租赁服务商Netflix 今天宣布，一个由工程师，统计学家，研究专家组成的团队夺得了Netflix大奖，该团队成功的将Netflix的影片推荐引擎的推荐效率提高了10％。Netflix大奖的参赛者们不断改进了影片推荐效率，Netflix的客户已经为此获益。
随着一百万美金大奖的颁发，Netflix很快宣布了第二个百万美金大奖，希望世界上的计算机专家和机器学习专家们能够继续改进推荐引擎的效率。
获奖团队BPC（BellKor's Pragmatic Chaos），由原本是竞争对手的三个的团队重新组团而成，今天获得了由Netflix的创始人兼首席执行官哈庭斯颁发的一百万奖金。团队的七个成员分别是来自奥地利、加拿大、以色列和美国的电脑专家、统计专家和人工智能专家。七个成员今天都参加了颁奖仪式，这也是这七个成员第一次碰面。这一百万奖金如何分配将由团队自行决定。
首席执行官哈庭斯说：“我们经历了一次非常激烈的比赛，参赛团队开始时候独立作战，后来协同作战，终于将影片推荐效率提高到了10％以上。在接近比赛截止日期时，还有新的参赛作品不断快速的提交上来，让整个比赛过程变得非常的曲折和惊心动魄。“
Netflix说，BPC团队最终险胜另一个团队the Ensemble，该团队也是由多个前参赛团队组成的新的团队。 最终，这两个团队的影片推荐效率非常接近。由来自Netflix的专家和大学教授组成的评委会用了几周的时间来评选出最终优胜者。加州大学圣地亚哥分校的艾尔坎教授和加州大学尔湾分校的史密斯教授参加了比赛评委会。
比赛规则要求获胜团队公开他们采用的推荐算法，这样很多商业都能从中获益。获胜的参赛作品和参赛选手评级方法将被公布在加州大学尔湾分校的机器学习杂志上。
Netflix大奖赛从2006年10月份开始，Netflix公开了大约1亿个1－5的匿名影片评级，这是迄今为止公开的最大的数据集。所有个人信息都被从评级数据里面被删除，所以数据集仅包含了影片名称，评价星级和评级日期，没有任何文本评价的内容。比赛要求参赛者预测Netflix的客户分别喜欢什么影片，要把预测的效率提高10％以上。这个效率提高的目标是来自NETFLIX的科学家们在过去的十年里面都没有办法逾越的障碍。
Netflix的产品总监杭特博士解释说,“成功的预测客户分别喜欢那些影片是我们服务中一个非常关键的环节. 个性化推荐的极端的例子是你进入了一间有着10万部影片的商店，那些你最感兴趣的影片马上就能你的面前排成了一排。我们用猜测来为顾客推荐影片，相信我们的顾客一定会非常享受这项服务”。
下一个百万大奖第一个Netflix大奖成功的解决了一个巨大的挑战，为提供了50个以上评级的观众准确的预测他们的口味。下一个百万大奖目标是，为那些不经常做影片评级或者根本不做评级的顾客推荐影片，要求使用一些隐藏着观众口味的地理数据和行为数据来进行预测。同样，获胜者需要公开他们的算法。如果能解决这个问题，Netflix就能够很快开始向新客户推荐影片，而不需要等待客户提供大量的评级数据后才能做出推荐。
新的比赛用数据集有1亿条数据，包括评级数据，顾客年龄，性别，居住地区邮编，和以前观看过的影片。所有的数据都是匿名的，没有办法关联到netflix的任何一个顾客。
与第一个大奖赛不同，这次比赛没有设定比赛目标。50万美金首先奖励给6个月内取得领先的团队，另外50万美金奖励给18个月后取得领先的团队。
推荐引擎是Netflix公司的一个关键服务，1千多万顾客都能在一个个性化网页上对影片做出1－5的评级。Netflix将这些评级放在一个巨大的数据集里，该数据集容量超过了30亿条。Netflix使用推荐算法和软件来标识具有相似品味的观众对影片可能做出的评级。两年来，Netflix 已经使用参赛选手的方法提高了影片推荐的效率，这已经得到了很多影片评论家和用户的好评。
百分点推荐引擎的首席执行官柏林森评论道，“网络正从一个搜索时代进入一个发现时代，推荐引擎无所不在，它能为你推荐看什么电影，读什么文章，听什么音乐，买什么商品等等。当你并不十分清楚需要某个东西存在，或者不完全清楚自己的具体需求的时候，比如我要看一部惊悚片但是并不知道哪部电影更适合我，推荐引擎能帮你发现你所需要的东西。 这就是Netflix影片推荐引擎的成功所在”。
Strands推荐引擎的首席科学家里克·汉加特纳博士写道：“在短期内，搜索引擎将会越来越多地加入简单的推荐技术，以处理接近的查询词（例如，“您要找的是这个，根据类似查询/其他人的搜索，你可能要寻找的是这个。”）但从长期来说，而比起搜索行业和搜索技术，推荐技术会更加地无孔不入。”