Embedded Files
Οι αλγόριθμοι προτάσεων με απλά λόγια:
Οι αλγόριθμοι προτάσεων με απλά λόγια:
Πώς το Netflix & το YouTube «μαντεύουν» τι θα σου αρέσει και πώς κρατάς εσύ το τιμόνι
Πώς το Netflix & το YouTube «μαντεύουν» τι θα σου αρέσει και πώς κρατάς εσύ το τιμόνι
Χρήσιμοι όροι :
Χρήσιμοι όροι :
Βασικά & δεδομένα
Βασικά & δεδομένα
Σύστημα προτάσεων: λογισμικό που προβλέπει τι πιθανότατα θα σου αρέσει.
Προσωποποίηση (personalization): προσαρμογή περιεχομένου στα δικά σου γούστα/συνήθειες.
Σήματα (signals): ίχνη χρήσης (τι είδες, πόσο, likes, αναζητήσεις, αγνοήσεις).
Ιστορικό προβολών: λίστα με ό,τι έχεις δει/ακούσει· τροφοδοτεί τον αλγόριθμο.
Χρόνος θέασης (Watch time): συνολικός χρόνος που βλέπεις ένα βίντεο/τίτλο.
Ποσοστό ολοκλήρωσης (Completion rate): ποσοστό ολοκλήρωσης ενός βίντεο/επεισοδίου.
Αλληλεπίδραση (Engagement): αλληλεπιδράσεις όπως like, σχόλιο, κοινοποίηση, subscribe.
Σήματα ικανοποίησης: ρητό «Μου αρέσει/Δεν με ενδιαφέρει», αξιολόγηση, αφαίρεση από λίστα.
Αλγόριθμοι & αναπαραστάσεις
Αλγόριθμοι & αναπαραστάσεις
Συνεργατικό φιλτράρισμα (collaborative filtering): «άρεσε σε χρήστες σαν εσένα → ίσως αρέσει και σε σένα».
Περιεχομενοκεντρικές μέθοδοι (content-based): προτείνουν βάσει χαρακτηριστικών του ίδιου του περιεχομένου (είδος, περιγραφή).
Υβριδικό μοντέλο: συνδυασμός συνεργατικού + περιεχομενοκεντρικού για πιο σταθερές προτάσεις.
Ενσωματώσεις (embeddings): αριθμητικοί «χάρτες» που κωδικοποιούν γούστα/χαρακτηριστικά ώστε παρόμοια να είναι κοντά.
Διπλός πύργος (Two-tower): αρχιτεκτονική νευρωνικών δικτύων που μαθαίνει embeddings για χρήστες και για αντικείμενα.
Ανάκτηση υποψηφίων (candidate retrieval): γρήγορο φιλτράρισμα εκατομμυρίων επιλογών σε ~100–500 πιθανούς τίτλους.
Κατάταξη (ranking): πιο «βαρύ» μοντέλο που βάζει σε σειρά τους υποψηφίους με πολλαπλά κριτήρια.
Ομοιότητα (similarity): μέτρο εγγύτητας μεταξύ αντικειμένων/χρηστών, π.χ. συνημίτονο γωνίας (cosine).
Session-based προτάσεις: προτάσεις που βασίζονται στη συμπεριφορά αυτής της συνεδρίας (όχι μόνο στο μακρινό παρελθόν).
Ψυχρή εκκίνηση (cold start): πρόβλημα όταν υπάρχει νέος χρήστης/νέο περιεχόμενο χωρίς ιστορικό.
Εξερεύνηση vs εκμετάλλευση: ισορροπία ανάμεσα σε «δοκιμάζω κάτι νέο» και «δίνω αυτό που σίγουρα θ’ αρέσει».
Μετρικές & στόχοι
Μετρικές & στόχοι
CTR (click-through rate): πόσοι πάτησαν πάνω σε μια πρόταση από όσους την είδαν.
Retention (διατήρηση): παραμονή/επιστροφή του χρήστη στην πλατφόρμα σε βάθος χρόνου.
Watch time per session: χρόνος θέασης ανά επίσκεψη.
Satisfaction score: εκτίμηση ευχαρίστησης από ρητά σήματα ή έμμεσους δείκτες.
Multi-objective optimization: ταυτόχρονη βελτιστοποίηση πολλών στόχων (π.χ. κλικ + ικανοποίηση + ποικιλία).
Diversity (ποικιλία): να μην «κολλάει» μονοθεματικά το feed· μείγμα ειδών/πηγών.
Serendipity (ευτυχής ανακάλυψη): ευχάριστες, απρόσμενες προτάσεις που ταιριάζουν στο γούστο.
Novelty (πρωτοτυπία): πόσο «καινούριο» είναι αυτό που προτείνεται σε σχέση με όσα έχεις δει.
Long-tail: σπάνιο/λιγότερο δημοφιλές περιεχόμενο εκτός «πρωτοκλασάτων» τάσεων.
Έλεγχος χρήστη & ιδιωτικότητα
Έλεγχος χρήστη & ιδιωτικότητα
«Not interested / Don’t recommend»: κουμπιά που «διδάσκουν» στο σύστημα τι να μην προτείνει.
Καθαρισμός/παύση ιστορικού: μηχανισμός για «φρεσκάρισμα» ή προσωρινή μη-καταγραφή.
Προφίλ χρηστών: ξεχωριστές ταυτότητες μέσα στον ίδιο λογαριασμό για καθαρά γούστα.
Παιδικό προφίλ/εποπτευόμενη εμπειρία: λειτουργίες με φίλτρα ηλικίας και γονικούς ελέγχους.
Ρυθμίσεις εξατομίκευσης: διακόπτες για να περιορίσεις ή να απενεργοποιήσεις προσωποποίηση.
Ρυθμίσεις απορρήτου: ποια δεδομένα κρατούνται/διαγράφονται, από πού συλλέγονται (συσκευές, web/app).
Ρίσκα, προκαταλήψεις & καλές πρακτικές
Ρίσκα, προκαταλήψεις & καλές πρακτικές
Φυσαλίδα φίλτρων (filter bubble): όταν βλέπεις μόνο αυτά που ήδη σου αρέσουν → μειωμένη ποικιλία.
Βρόχος ανατροφοδότησης (feedback loop): οι ίδιες προτάσεις ενισχύονται επειδή λαμβάνουν περισσότερα σήματα.
Clickbait: τίτλοι/μικρογραφίες που κυνηγούν κλικ χωρίς αντίστοιχη αξία περιεχομένου.
Αλγοριθμική μεροληψία (bias): συστηματικές στρεβλώσεις λόγω δεδομένων ή σχεδίασης.
A/B test: δοκιμή δύο εκδοχών για να δούμε ποια βελτιώνει τη μέτρηση στόχου.
Explainability («Γιατί μου προτείνεται;»): απλή αιτιολόγηση μιας πρότασης.
Demotion/Downranking: υποβάθμιση κατηγοριών περιεχομένου που θεωρούνται ανεπιθύμητες ή χαμηλής ποιότητας.
Safety/Trust & Safety: πολιτικές/μηχανισμοί για περιορισμό παραπληροφόρησης, ακατάλληλου ή επιζήμιου περιεχομένου.
▼Geek corner (1′) — τι λέει η έρευνα
▼Geek corner (1′) — τι λέει η έρευνα
Τα μεγάλα συστήματα προτάσεων δουλεύουν σε δύο στάδια: πρώτα βρίσκουν γρήγορα μερικές εκατοντάδες «υποψήφιους» τίτλους από εκατομμύρια (ανάκτηση) και μετά τους βαθμολογούν με βαθιά νευρωνικά δίκτυα (κατάταξη) (Covington et al., 2016).
Το Netflix αναφέρει ότι οι συστάσεις επηρεάζουν σημαντικά το τι βλέπουμε και μειώνουν τη «τριβή» επιλογής∙ συνδυάζει συνεργατικά (τι άρεσε σε παρόμοιους χρήστες) και περιεχομενοκεντρικά σήματα (χαρακτηριστικά ταινιών/σειρών) (Gomez-Uribe & Hunt, 2015/2016).
Η βαθιά μάθηση έχει γίνει η κυρίαρχη τεχνολογία σε προτάσεις, επιτρέποντας την εκμάθηση «ενσωματώσεων» (embeddings) για χρήστες και αντικείμενα και τη βελτιστοποίηση πολλαπλών στόχων (π.χ. κλικ, χρόνος θέασης, ικανοποίηση) (Zhang et al., 2019; Ricci et al., 2022).
Το YouTube δηλώνει δημόσια ότι δίνει έμφαση σε ιστορικό προβολών και σήματα σχετικότητας/ικανοποίησης, με ρυθμίσεις για παύση ή διαγραφή ιστορικού από τον χρήστη (Google/YouTube, 2023).
Γιατί το Netflix ξέρει πάντα «κάτι στα μέτρα σου»; Γιατί το YouTube σου εμφανίζει ένα βίντεο που —χωρίς να το καταλάβεις— σε κρατάει άλλα 10 λεπτά; Σε αυτό το άρθρο θα δεις πώς λειτουργούν αυτά τα συστήματα προτάσεων, με καθαρή γλώσσα και χωρίς υπεραπλουστεύσεις. Θα μάθεις τι δεδομένα αξιοποιούν, γιατί «μαθαίνουν» με τον χρόνο, και πώς ρυθμίζεις εσύ το τι σου προτείνουν για σένα ή για τον έφηβο στο σπίτι.
Γιατί μας νοιάζει
Γιατί μας νοιάζει
Οι προτάσεις δεν είναι απλώς λίστες. Καθοδηγούν την προσοχή μας: τι θα δούμε τώρα, τι θα ανακαλύψουμε αύριο, ποιο νέο ενδιαφέρον θα ξεκινήσει ο έφηβος. Πλατφόρμες όπως το Netflix δηλώνουν ότι οι προτάσεις μειώνουν τον χρόνο αναζήτησης και αυξάνουν την ικανοποίηση γιατί ταιριάζουν προσφορά και γούστο (Gomez-Uribe & Hunt, 2015/2016).
Στο YouTube, οι προτάσεις στηρίζονται σε ιστορικό προβολών, συμπεριφορές όπως «παρακολούθηση μέχρι τέλους» και σήματα ικανοποίησης (π.χ. “Not interested”) — και αυτά μπορείς να τα ελέγχεις (Google/YouTube, 2023).
Για τους γονείς: οι προτάσεις δεν είναι «μαύρη μαγεία», είναι μοντέλα που προβλέπουν πιθανότητες. Αν ο έφηβος βλέπει συχνά εκπαιδευτικό περιεχόμενο φυσικής, θα εμφανιστούν περισσότερα τέτοια βίντεο. Αν αντίθετα «κολλάει» σε short μορφής gaming, το σύστημα ενισχύει αυτή τη ροή. Αυτό έχει καλά (ανακάλυψη) και ρίσκα (μονόπλευρη έκθεση). Η κατανόηση της λογικής του αλγορίθμου βοηθά να βάζουμε όρια.
Αν οι αλγόριθμοι μας μιλούσαν μαλλον θα μας έλεγαν:
Κάνω συνεργατικό φιλτράρισμα: «άρεσε σε ανθρώπους σαν εσένα, μάλλον θα αρέσει και σε σένα».
Προτείνω νέα βίντεο με περιεχομενοκεντρικό τρόπο: χρησιμοποιώ χαρακτηριστικά του ίδιου του τίτλου/βίντεο (είδος, περιγραφή).
Μισό λεπτό να σε θυμηθώ μέσα από embeddings (ενσωματώσεις): αριθμητικοί «χάρτες» που κωδικοποιούν γούστα/χαρακτηριστικά ώστε παρόμοια πράγματα να είναι κοντά.
Καλύτερα να σου προτείνω μέσα από δύο στάδια για να περιορίσουμε τις προτάσεις: γρήγορη ανάκτηση υποψηφίων και πιο αργή, έξυπνη κατάταξη (Covington et al., 2016).
Πώς δουλεύει, βήμα-βήμα
Πώς δουλεύει, βήμα-βήμα
1) Συλλογή σημάτων
Οι πλατφόρμες συλλέγουν σήματα όπως τι είδες, για πόσο, αν πάτησες like, αν έκανες αναζήτηση, τι αγνόησες. Κάποια σήματα έχουν μεγαλύτερο βάρος (π.χ. χρόνος θέασης στο YouTube) γιατί σχετίζονται καλύτερα με την πραγματική ικανοποίηση (Google/YouTube, 2023).
2) Μάθηση προτιμήσεων
Με τη βοήθεια νευρωνικών δικτύων, το σύστημα μαθαίνει μοτίβα: χρήστες με παρόμοια «ίχνη» τείνουν να βλέπουν παρόμοια πράγματα. Τα embeddings για χρήστες και τίτλους «ζωγραφίζουν» ένα αόρατο χάρτη γούστων — αν δεις τρία ντοκιμαντέρ για διάστημα, το επόμενο πιθανό μάλλον σε περιμένει (Zhang et al., 2019; Ricci et al., 2022).
3) Δύο στάδια στην πράξη
Ανάκτηση: από εκατομμύρια βίντεο/τίτλους βρίσκονται γρήγορα 200-500 υποψήφιοι που «ταιριάζουν» στο προφίλ σου.
Κατάταξη: ένα πιο σύνθετο μοντέλο αξιολογεί κάθε υποψήφιο με πολλαπλά κριτήρια (πιθανότητα κλικ, ολοκλήρωση θέασης, ικανοποίηση) και φτιάχνει την τελική σειρά (Covington et al., 2016; Zhao et al., 2019).
4) Πολλοί στόχοι, όχι μόνο «καλάθι με κλικ»
Τα σύγχρονα συστήματα δεν βελτιστοποιούν μόνο τα κλικ. Συχνά χρησιμοποιούν πολυ-αντικειμενική βελτιστοποίηση (π.χ. κλικ + χρόνος θέασης και ικανοποίηση που δηλώνεις) — ένα «πολυεργαλείο» που ισορροπεί στόχους ώστε η εμπειρία να είναι πιο ποιοτική και όχι «clicky» (Zhao et al., 2019).
5) Δύσκολα σημεία
Ψυχρή εκκίνηση: νέος χρήστης ή νέο βίντεο/τίτλος χωρίς ιστορικό. Λύση: περισσότερο βάρος σε στοιχεία σχετικά με το περιεχόμενο και γενικές τάσεις (Ricci et al., 2022).
Εξερεύνηση vs. Εκμετάλλευση: το σύστημα μερικές φορές «πειραματίζεται» προτείνοντας κάτι έξω από τα συνηθισμένα για να μάθει (Zhang et al., 2019).
«Φυσαλίδες φίλτρων»: αν δίνουμε μόνο πολύ ισχυρά σήματα μιας κατηγορίας, η ποικιλία μικραίνει. Γι’ αυτό υπάρχουν ρυθμίσεις ελέγχου και μηχανισμοί διαφοροποίησης (Google/YouTube, 2023; Ricci et al., 2022).
Μικρό καθημερινό σενάριο
Βλέπεις 2-3 τρέιλερ μυστηρίου στο Netflix και τα ολοκληρώνεις. Το σύστημα «καταλαβαίνει» ότι προτιμάς ρυθμό/ατμόσφαιρα συγκεκριμένου είδους, ανασύρει 300 παρόμοιους τίτλους, τους «βαθμολογεί» με βάση το ιστορικό σου και εμφανίζει 10. Αν αρχίσεις να αγνοείς προτάσεις μιας υποκατηγορίας, αυτή υποχωρεί στις λίστες (Gomez-Uribe & Hunt, 2015/2016).
Κράτα τον έλεγχο (και για τους εφήβους)
Κράτα τον έλεγχο (και για τους εφήβους)
Πηδάλιο χρήστη — άμεσες κινήσεις
Καθάρισε ή πάγωσε το ιστορικό όταν –π.χ.– θες «καθαρή» αρχική σελίδα ή ψάχνεις προσωρινά ένα θέμα (π.χ. δουλειά/σχολείο) ώστε να μη «μολύνει» τις προτάσεις (Google/YouTube, 2023).
Χρησιμοποίησε “Not interested / Don’t recommend channel” και thumbs up/down. Είναι εκπαιδευτικά σήματα για το μοντέλο. (Google/YouTube, 2023).
Δημιούργησε ξεχωριστά προφίλ (Netflix) ή λογαριασμούς/λειτουργίες για παιδιά. Αποφεύγει την «ανάμιξη» γούστων ενηλίκων-εφήβων (Gomez-Uribe & Hunt, 2015/2016).
Ενθάρρυνε ποικιλία: πες στο παιδί «πάτα επίτηδες κάτι διαφορετικό» μία-δύο φορές την εβδομάδα. Το σύστημα θα «ανοίξει» τον ορίζοντα (Zhang et al., 2019).
Mini scripts διαλόγου για γονείς-εφήβους
Γονιός: «Ας δοκιμάσουμε να πατήσουμε “Not interested” σε ό,τι σε κουράζει. Να δούμε αν αλλάξει το feed.»
Έφηβος: «Οκ, κι εγώ θέλω περισσότερα science-tech.»
Γονιός: «Τέλειο, και πάμε να φτιάξουμε δικό σου προφίλ/λογαριασμό, για να μη μπερδεύονται οι προτάσεις.»
Μικρή λίστα ελέγχου
Προφίλ/λογαριασμοί: χωριστά για κάθε μέλος.
Ιστορικό: καθάρισμα/παύση όταν χρειάζεται.
Σήματα: χρησιμοποίησε τα κουμπιά ανάδρασης.
Ποικιλία: προγραμματισμένη «εξερεύνηση».
Συζήτηση: τι βλέπουμε και γιατί μας προτείνεται.
Παραδείγματα & αναλογίες
Παραδείγματα & αναλογίες
Σκεφτείτε το σαν βιβλιοθήκη με δισεκατομμύρια βιβλία. Ο βιβλιοθηκονόμος (στάδιο ανάκτησης) φέρνει γρήγορα ράφια που μάλλον σου ταιριάζουν. Μετά έρχεται ο έμπειρος βιβλιόφιλος (στάδιο κατάταξης) και βάζει μπροστά-μπροστά 3-4 που πιθανότερα θα λατρέψεις, όχι γιατί «σε ξέρει», αλλά γιατί έχει δει μοτίβα σε χιλιάδες σαν εσένα (Covington et al., 2016).
Τι να θυμάστε
Τι να θυμάστε
Οι προτάσεις προβλέπουν πιθανότητες με βάση σήματα συμπεριφοράς, δεν «διαβάζουν μυαλά».
Δουλεύουν σε δύο στάδια (ανάκτηση, κατάταξη) με βαθιά μάθηση.
Μπορείς να εκπαιδεύσεις τον αλγόριθμο: ιστορικό, αξιολογήσεις, «όχι ενδιαφέρον».
Ξεχωριστά προφίλ και λίγη εξερεύνηση αυξάνουν την ποιότητα του feed.
Ρύθμισε ιδιωτικότητα & έλεγχο: παύση/διαγραφή ιστορικού, γονικοί έλεγχοι.
▼Για "αυτούς που κρατάνε σημειώσεις"
▼Για "αυτούς που κρατάνε σημειώσεις"
Άνοιξε ρυθμίσεις Ιστορικού και κάνε παύση για λίγες μέρες αν θες «reset». (YouTube)
Δημιούργησε/χώρισε προφίλ (Netflix) ή χρησιμοποίησε ξεχωριστούς λογαριασμούς.
Δώσε σαφή σήματα για μια εβδομάδα: likes σε ό,τι σου άρεσε πραγματικά, “Not interested” σε ό,τι δεν θες να ξαναδείς.
Κάνε στοχευμένες αναζητήσεις για θέματα που θες να «ανεβάσεις» στο feed (π.χ. science, ντοκιμαντέρ).
Προγραμμάτισε 1-2 «εξόδους από τη ζώνη άνεσης» (αναπαραγωγή διαφορετικού είδους) για να ενισχύσεις την ποικιλία (Zhang et al., 2019).
Έλεγξε μετά από 7 μέρες αν οι προτάσεις ευθυγραμμίζονται με τους στόχους σου.
Για εφήβους: γονικοί έλεγχοι και συζήτηση για το «γιατί» προτείνεται κάτι (Google/YouTube, 2023).
Επανάλαβε τον κύκλο ανά μήνα: μικρές διορθώσεις > μεγάλα «reset».
© 2025 Δημήτριος Κ. Μίχος — MichosLab.
Συντάχθηκε από τον/την Δημήτριο Κ. Μίχο με υποβοήθηση ΑΙ (ChatGPT) για οργάνωση και γλωσσική διατύπωση. Οι τελικές διατυπώσεις εγκρίθηκαν από τον/την συγγραφέα.
Άδεια: CC BY-NC-ND 4.0 — επιτρέπεται αναδημοσίευση ως έχει, μη εμπορικά, με αναφορά.
Αναφορά που ζητείται: «Δ. Κ. Μίχος - michoslab.gr (2025), [Οι αλγόριθμοι προτάσεων με απλά λόγια: Πώς το Netflix & το YouTube «μαντεύουν» τι θα σου αρέσει και πώς κρατάς εσύ το τιμόνι], www.michoslab.gr»
Όροι άδειας: https://creativecommons.org/licenses/by-nc-nd/4.0/ — Επικοινωνία: info@michoslab.gr
Σημ.: Τα λογότυπα και τυχόν εικόνες/γραφικά τρίτων εξαιρούνται και υπόκεινται στους δικούς τους όρους.
Page updated
Google Sites
Report abuse