Netflix 調整推薦系統以留存率為準，而非星級評分準確度

Netflix 的訂閱經濟成敗取決於流失率：找不到今晚值得一看內容的會員，終究會取消訂閱。轉向串流後，片庫規模遠超任何會員所能瀏覽的範圍，因此個人化探索必須承擔大部分的觀看量。2015 年，負責 Netflix 推薦與產品工作的主管 Carlos Gomez-Uribe 與 Neil Hunt 在《ACM Transactions on Management Information Systems》上發表了對已部署系統的首份完整說明。

該論文對系統的闡述圍繞商業目的組織。整體而言，個人化影響了 Netflix 約 80% 串流時數的選擇，形塑首頁出現哪些橫列、片名如何排序、以哪張圖像代表片名，甚至搜尋結果如何個人化。團隊並非以優化評分預測準確度——即著名的 Netflix Prize 的目標——來評估演算法變更，而是以聚焦會員留存與中期參與度的 A/B 測試來評估，並輔以基於歷史參與度資料的離線實驗。

目標的轉換正是其低調的天才之處。評分準確度只是代理指標；訂閱是逐月依據會員是否持續找到價值而付費。Netflix 讓留存率成為推薦系統變更必須通過的測試，使其最大的工程投入與營收模式一致，而 2015 年的論文也成為生產環境推薦系統商業價值的標準參考。

讓推薦系統以留存率而非評分準確度為優化目標

流失率是訂閱制影音服務的硬性約束，因此留存率——而非評分 RMSE——才是推薦系統真正必須推動的數字。

以真實會員進行的 A/B 測試彌合了離線準確度與實際行為之間的落差：會員評分什麼與什麼使他們留下是兩回事，Netflix Prize 的經驗已證明了這點。

個人化在每個介面環節上層層疊加——橫列、排序、圖像、搜尋——因此每次曝光都讓服務顯得更貼合個人，在無需新增內容支出的情況下提升每次造訪的價值。

將搜尋視為推薦問題，使整個探索體驗統一在單一優化目標之下，而非彼此競爭的目標。

當代理指標不再能預測業務成果時，把系統重新對準成果本身：Netflix 讓留存率而非評分準確度成為每項推薦系統變更必須通過的測試。

2015 年的論文成為生產環境推薦系統被引用最多的說明之一，並確立「以業務指標為優化目標」為業界標準做法。Netflix 隨後進一步為每位會員個人化圖像，並將品味社群打造成全球化、具語言感知的概念。更廣泛的業界也跟隨了留存與參與度的框架，這後來促成了關於高度優化參與度的資訊流如何形塑人們觀看內容的公開討論。