Netflix Prize 是 Netflix 在 2006 年至 2009 年举办的机器学习竞赛，旨在提高其电影推荐算法的准确性。该挑战赛为第一个在 Netflix 现有系统 Cinematch 的基础上，通过均方根误差 (RMSE) 衡量，实现 10% 改进的团队提供 100 万美元的奖金。参赛者获得了一个包含超过 1 亿个匿名电影评分的数据集，任务是预测用户如何评价他们尚未看过的电影。比赛吸引了全球数千个团队参加，促进了推荐算法的协作和创新。
Netflix Prize 极大地推进了协同过滤，这是推荐系统中的一项核心技术。协同过滤分析用户与项目的交互（如电影评分），以发现模式并预测偏好。团队尝试了矩阵分解方法，例如奇异值分解 (SVD)，该方法降低了数据的维度以揭示潜在因素（例如，类型或用户品味）。例如，获胜团队 BellKor’s Pragmatic Chaos 使用集成方法组合了 100 多个模型，将矩阵分解与基于邻域的方法和基于时间的调整相结合。这种混合策略展示了结合多种技术来提高预测准确性的力量，这一原则至今仍被广泛使用。
该竞赛的遗产在于其对研究和工业的影响。它推广了基准数据集和开放竞赛，以此作为创新的驱动力，鼓励透明度和协作。虽然 Netflix 从未完全部署获胜解决方案，因为工程复杂性问题，但其中的见解影响了现代推荐系统。例如，用于优化分解模型的随机梯度下降 (SGD) 等技术以及对处理稀疏数据的强调已成为标准。如今，平台使用类似的原则进行个性化推荐，尽管它们通常优先考虑可扩展性和实时更新，而不是纯粹的 RMSE 优化。Netflix Prize 仍然是平衡算法精度与实际实施约束的基础案例研究。