Model Card:

„Das könnte Dich interessieren“

Die Model Card beschreibt sowohl den fachlichen Anwendungsfall als auch seine technische Implementierung. Model Cards dienen vor allem der Transparenz für Entwickler:innen, Redakteur:innen und für Nutzer:innen der ZDFmediathek.

Zielsetzung

Der Nutzer:in werden Inhalte angeboten, die ihren Nutzungsinteressen in der ZDFmediathek entsprechen.

Inhalte und Regeln

• Inhalte: Alle ZDF-Inhalte mit Video-on-Demand (VoD), davon ausgeschlossen:
  • Partnerinhalte
  • Nachrichten und Sport älter als 24 Stunden (außer ZDF-Sportreportage, Sport Archiv und Extremsport-Reisen)
  • Einzelinhalte für Serien, Comedy, Kinder (stattdessen nur Sendungsbereiche)
  • Sendungsbereiche, die nicht über Einzelinhalte mit Video verfügen
  • Von der Nutzer:in bereits gesehene Einzelinhalte
• Ausblenden, wenn:
  • weniger als 10 Ergebnisse enthalten wären
  • Nutzer:innen keine Historie haben
  • Nutzer:innen in CMP nicht Personalisierung zugestimmt haben

Personalisierung

• Individuell (keine gruppenbasierte Empfehlungen)
• Mit und ohne Login

Kontext

• Gerät (Mapping auf Endgeräteklasse)
• Nutzungshistorie
• Aktuelle Seite (konkret: Startseite)

KPIs

• Sehvolumen
• Vielfalt ("unterschiedliche Inhalte")

Algorithmus:

• Basis-Algorithmus:
  • Sequence Base Recommendation:
    • Paper: Session-based Recommendations with Recurrent Neural Networks (Hidasi et al.)
    • Implementierung: Open source 3rd party Basis-Framework "spotlight"
    • Derzeit nur Sequence-Based, aber potentiell auch mehrere Algorithmen im Test parallel
  • Postprocessing:
    • Filterung bereits gesehener Videos
    • Ersetzen von Einzelbeiträgen aus Serien, Comedy, Kinder durch die entsprechenden Übersichtsseiten (Sendungbereiche), damit die Programmmarken statt einzelner Episoden empfohlen werden
    • "post-series-next": Nächste ungesehene Folge für serielle Inhalte, die nicht als SB dargestellt werden
  • Model Deployment:
    • Deployment erfolgt automatisch beim Start der Instanzen mit dem aktuellesten Modell

Daten Training:

• Nutzungsdaten: 30 Tage (ZDFtracking, alle Nutzer:innen), pro Geräteklasse, nur Plays mit mindestens 35% Nutzung des Videos, Denoising (Videos mindestens 20x gesehen über alle Nutzer:innen hinweg)
• Metadaten: aus redaktionellem Content Management System (zur Filterung von Inhalten)
• Bias (qualitativ): Recency (nur letzte 30 Tage Nutzungsdaten), Popularity (30 Tage Nutzungsdaten, keine ungenutzten Inhalte, Denoising) und Exposure (nur genutzte Inhalte)

Daten Inferenz:

• Nutzungshistorie:
  • Alle plays (Sichtungen) mit mehr als 30 Sekunden Abspielfortschritt
  • Wenn dies zu leeren plays führen würde: alle plays ohne Filterung
  • Wenn plays insgesamt leer sind: alle views (Klicks)
  • Wenn keine Historie mitgeschickt wird: Login-Token zum serverseitigem Abruf der Abspiel-Historie (plays)
  • Wenn keine Authentication mitgeschickt wird: neueste Episode jeder gemerkten Sendung als Historie
• Angebotsseite:
  • aktuelle Seite
• Geräteklasse:
  • z.B: Mobile / Tablet

Weiterentwicklung / Tests:

• reines Offline-Training, alle 4 Stunden
• A/B-Testing fortlaufend
• Kein Auto ML nach A/B-Tests, keine automatische Hyperparameter-Optimierung

Hinweise allgemein / Known Issues:

• Modell-Qualität weitgehend unabhängig von der Qualität der Metadaten