《暗黑》（Dark）网站备案国内看netflix的vps，德剧，科幻迷，悬疑片爱好者可以考虑。国内看netflix的vps，netflix出品的非美剧有哪些暗黑是是Baran bo Odar和 Jantje Friese共同创作的德国惊悚科幻片，“成人版”《怪奇物语》。IMBD评价8.7/10，豆瓣8.6/10。全篇有一种很压抑和严肃的宿命感，但又包含着命运的黑色幽默。《暗黑》主要讲述了一个德国小镇，小镇上的三代人之间有着秘密的联系。某一天，小镇上的一个男孩消失了，大家开始感到不安，仿佛有一只无形的手在操控小镇的命运。剧情大部分发生在昏暗的房间和车库，森林中的一个昏暗的洞穴中，隐藏着时空的迷宫。这个世界的道德已经败坏，出轨的配偶，沉默的杀戮，家族的密室，一方面它的风格是如此怪诞压抑，和大卫·林奇早期的《双峰》风格相像；一方面剧情又不断刺激你的想象，人物如此沉稳，但又如此荒谬。这部剧适合在深夜观看。一旦你对片中的时空穿越产生兴趣，几乎难以停下来。我花了一个通宵看这部剧，觉得它很像《前目的地》和《死亡幻觉》，让我找到了2000年左右科幻叙事的风格，与现在普遍乐观向上的科幻电影不同，它深度地探讨了人性，命运，可能性，历史以及罪恶，颇有德国哲学的遗风。挺期待《暗黑》第二季的，也许有更多可能。编剧埋了许多大坑没填，如果编剧脑洞够大，这个剧能做出《迷失》（《迷失》后两季有大量时空穿越的戏，非常有趣，非常过瘾）的感觉。了解更多硅谷前沿深度讯息请看 硅发布 微信公众号。奈飞，奈飞，奈何非我鱼与熊掌===============================================毋庸置疑Netflix模式就是未来。很久很久以前，有一家公司叫Blockbuster，称霸租碟业许多年。某个叫Reed Hastings的哥们在那里租了个碟，结果由于超期归还被黑走“一大笔”逾期费（大概40美元），怒了。然后他忿忿地去健身，发觉健身房商业模式甚是美哉，不管你去得多还是少，会员费半毛钱也不能少交。很不巧，Hastings是一个动不动就要改变世界的软件工程师，想法来了就要干，更不巧的是他当时已经非常有钱。于是愤怒之余他创办了Netflix，也是做租碟生意，没有逾期费并且搞会员制。十三年后Netflix把Blockbuster干到了破产保护，大仇得报。这个故事告诉我们两个道理：1.客户服务一定要做好，不该薅的羊毛就别死命薅，不然你就是逼羊为虎。2. 工程师惹不起。当然不能说Blockbuster命衰，事实上她是代表了过去输给了未来，而显然Netflix就是未来。但Blockbuster也并非一下子就溃不成军，具体而言她遭到了Netflix商业模式二重进化的长期又残酷的折磨。在1.0 进化的伊始Netflix只对Blockbuster模式做了两个改变 1. 轻资产化，无店面，网上运营。2. 邮碟到户。用户在网上订碟，Netflix用隔夜快递邮寄给客户，客户看完邮寄回Netflix。相较于Blockbuster，如此操作的直接比较优势是1. O2O，可以不出门，省腿。2. 选择多，你Blockbuster再一脸苦逼地去根据人口数据调整藏碟，也架不住别人线上选择的琳琅满目。Netflix商业模式2.0用1.0逆袭成新盟主之后，Netflix无论做什么都开始琢磨另一个问题：怎样才能让用户体验比从Netflix租碟更好？我们来到了2006年，这一年是Netflix流媒体（streaming）的元年，在这一年之前Netflix的订阅人数是420万，基本服务月费降至17.99美元。你说流媒体这个点子在当时十分性感新颖吗，其实也谈不上，1995年就有人尝试搞流媒体的生意，但问题是技术实在跟不上灵感，下个片几百个钟头小白菜等成老泡菜。这也说明了新概念能赚钱的前提一定是技术到位，而不是vice versa，想想现在的AI（人工智能）和VR（虚拟现实）。=====================================================================Netflix的推荐策略一直是行业内的标杆，数据显示，Netflix的用户75%的观影动力来自于推荐，也就是说75%的用户进入Netflix的首页不用做任何操作就能找到自己感兴趣的节目。这一令人吃惊的数据显示了Netflix推荐系统的强大和精准。Netflix主张：「推荐系统帮助Netflix赢得关键时刻」。当一个会员访问Netflix，他们希望能够帮助用户在几秒钟之内就找到他感兴趣的影片，以免用户去寻找别的乐子。 Netflix的数据来自于它全球的大量用户。数据维度非常精细，包括：影片基本数据：演员、导演、类型（微类型）、评论、评分；用户行为数据：每次的搜索，添加书签，正面或者负面的评分，播放时长、 设备数据、登录授权数据、再加上地理位置数据；还有第三方数据， 如尼尔森的收视数据，社交媒体分享数据；甚至包括交互细节数据：鼠标滚动、鼠标悬停、点击、以及在页面的停留时间，甚至可以针对某一帧画面进行内容分析，分析当时的观看习惯。画面内容数据可能包括音量， 颜色， 背景等等数据。这么多维度的数据，其中的每一个数据项Netflix都做得非常细致。比如影片类型，Netflix把可能影响影片分类的每个因素叫做基因，基因组成了影片的一个非常细致的类型，或者说是一种“微类型”。一个基因组成的微类型语法可能是这样：地区 形容词 类型（名词） 基于…… ……为背景 来自…… 关于…… 从 X 岁到 Y 岁（Region Adjectives Noun Genre Based On… Set In… From the… About… For Age X to Y） 也就是说，你喜欢看来自非洲的年轻女性成为超级英雄的电影，Netflix可以帮你找到。比如我自己，喜欢看失意的爸爸靠打拳击而拯救人生的电影，看起来非常具体，但其实这个类型的电影单我看过的就有：《铁甲钢拳》、《阿虎》、《铁拳》等。这样微类型的分类其实与好莱坞类型化高度成熟的现在，好莱坞故事的套路组合方式是非常一致的。影片这样的微类型Netflix有多少个呢？76897个。数据作为算法的基础，Netflix可以算将自己的数据挖掘到了最深处。====================================================================然而，在瓷器国，由于某菊的限制，奈飞可能永远也进不来，但我们也不乏这样的技术，乐视超级电视目前正在不断更新此技术。为什么这个算法偏偏用在了电视上呢？要从以下几点来分析：1. 需求：电视用户更加依赖推荐，这是我们在做电视的过程中感受到的。用户在电视端寻求的是休闲娱乐与陪伴，陷入沙发中的用户能动性降低，希望快速方便找到喜欢的节目并且尽快开始播放。电视操作的不易使寻找内容变得更困难，对推荐的依赖更加严重。一个理想的电视推荐系统，应该是可以连续播放用户喜欢的内容，甚至不需要用户再次寻找遥控器直起身子再次进行复杂的操作了。2. 问题：电视不同于PC、手机的是，电视是多人共同使用的智能设备，一家人的数据混杂在一起，给画像、推荐的准确性增加了很多的困难。其实Netflix也遇到了这个问题，由于付费观看，Netflix的用户也常常是一家人共用一个账号，在全家多个设备上面使用（所以Netflix会特别注重设备信息）。Netflix目前也在探索这个问题的解决方式，方式之一是让用户登陆后，手动选择一个角色，来直接区分不同用户的行为。3. 解决方案：手动选择角色的方式一定程度上可以解决多人共用设备的问题，但这个方案对于用户的门槛很高，不能强制用户每次使用都需要选择角色。而在电视端，很多时候是多人共同观看场景，甚至无法进行选择。通过数据分析，我们发现了另一种方式。与手机碎片化的使用时间不同，电视的使用时长基本都是大块的时段。我们发现，家庭生活一般是比较有规律的，老人早起，年轻人上班，很有规律。并且每个家庭自己的生活也一般比较有规律，反映到电视端的使用上，也就是电视的使用也会呈现分时段的规律。一个家庭的分时段电视使用规律可能是这样的：早上7点-9点，老人用信号源观看新闻；下午4点-6点，孩子点播观看动画；晚上8点-10点，全家人用信号源观看电视剧；10点-12点，爸爸点播观看体育节目。我们的数据调研显示，80%的用户家中有分时段的观看行为的差异。差异体现在两个维度：1. 场景偏好（使用轮播、点播、信号源、第三方app），2. 内容偏好。数据显示，早上偏好儿童节目的用户更多，晚上无明显偏好的用户更多。要说明的是，每个用户家庭的使用时段规律都是不同的，我们用智能化算法的方式可以找到每个家庭的使用规律。这样的研究结果可以用于优化电视端的推荐，我们首先找到每个家庭使用电视的分时段规律，然后横向比较相同的时段中的内容和行为数据，在每个时段给出相应的推荐结果。这个方案可以一定程度解决多人使用电视的问题，给出更精确的推荐结果。电视端的推荐，还有更多的问题等待我们提出，也会有更多的方案去解决。也期待和大家一起讨论与研究，为用户提供更好的推荐服务。可以达到不动一指，精彩持续的理想状态。