1. 商业目标
商业目标：“演出和电影”的“生产商和渠道分发商”。
商业模式：收取会员费。
技术价值：认为个性化和推荐技术每年给NetFlix节省10亿美金。
2. 关注指标
总体指标：0.65亿会员、每天1亿小时的观影时长，也就是平均每个人观影时长超过1个小时。
优化指标：新客存留率、老客流失率、老客存留率。
3. 推荐策略
整体来说，推荐需要把握很重要的两点：推荐结果＋推荐理由。也就是找到觉得用户感兴趣的东西，而且要让用户明白为什么推荐给他。
3.1 Personalized Video Ranker：PVR
也就是我们常用的RTP。
3.2 Top-N Video Ranker
也就是热门视频，通常我们用做补足逻辑。
3.3 Trending Now
短暂的实时突发趋势，几分钟或者几天内的趋势。
3.4 Continue Watching
继续观看动作分解：1）接着观看，2）重看，3）不感兴趣。根据用户日志信息学习一个Continue Watching策略模型，将接着观看和重看的结果推荐给用户。
3.5 Video-Video Similarity
也就是看了又看，自解释性强。
3.6 Evidence
Netflix将推荐理由展示提高到了一个高度，使用一个evidence selection算法来进行UI展示，包括推荐展示文字和展示图片来吸引用户。
4. 多策略融合
在推荐系统里面，多策略需要融合是一个不争的事实，很多公司已经通过做多策略融合拿到了很好的效果。但是，多策略的融合问题至今为止一直没有一个公认的最优解法。如何在兼顾Recall、Precision和多样性（也是为了考虑Recall）的情况下将多个推荐策略融合在一起展示给用户。
参考文章：http://shiyanjun.cn/archives/1429.html
1. 加权的混合：用线性公式将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复试验，从而达到最好的推荐结果。
2. 切换的混合：其实对于不同的情况，推荐策略可能会有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制结果。
3. 分区的混合：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户。
4. 分层的混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。
在这篇文章里面，Netflix自己号称多年磨一剑，找到了一个Page Generation的算法。该算法自动的生成推荐页面，并且考虑推荐结果和用户的相关性以及整个页面的多样性，并且已经在2015年度完成了上线。
Page Generation算法内容且听下回分解。
http://techblog.netflix.com/2015_04_01_archive.html
5. 尚未解决的技术问题
Presentation Bias
会员冷启动问题
会员账号共享问题
Evidence Selection算法还不够好。
6. 其他有意思的点
在Netflix系统里面，推荐流量占比达到80%，而搜索仅占了20%。甚至，在搜索流量下也会出推荐结果，放在搜索展示结果后面供用户选择。
A/B测试时，会区分老客和新客分别做。因为考虑到老客对已有系统的习惯可能会抵触，而新客却没有这个问题，所以他们更加倾向于使用新客来做实验。但是，因为新客的数量和日志质量问题，新客的实验结果可能会存在统计意义上的问题。
