Что посмотреть рекомендации яндекс
Как мы учились рекомендовать фильмы и почему не стоит полагаться только на оценки
Представьте, что вы хотите провести вечер за просмотром фильма, но не знаете, какой выбрать. Пользователи Яндекса часто оказываются в такой же ситуации, поэтому наша команда разрабатывает рекомендации, которые можно встретить в Поиске и Эфире. Казалось бы, что тут сложного: берём оценки пользователей, с их помощью обучаем машину находить фильмы, которым с высокой вероятностью поставят 5 баллов, получаем готовый список фильмов. Но этот подход не работает. Почему? Вот об этом я сегодня и расскажу вам.
Немного истории. В далёком 2006 году Netflix запустила конкурс по машинному обучению Netflix Prize. Если вы вдруг забыли, тогда компания ещё не занималась стримингом в интернете, а сдавала в прокат фильмы на DVD. Но уже тогда ей было важно предугадывать оценку пользователя, чтобы что-то рекомендовать ему. Итак, суть конкурса: предсказать оценки зрителей на 10% лучше (по метрике RMSE), чем Cinematch, рекомендательная система Netflix. Это было одно из первых массовых соревнований такого рода. Интерес подогревал огромный датасет (больше 100 миллионов оценок), а также приз в 1 млн долларов.
Конкурс закончился в 2009 году. Команды BellKor’s Pragmatic Chaos и The Ensemble пришли к финишу с одинаковым результатом (RMSE = 0,8567), но The Ensemble заняла второе место, потому что отправила решение на 20 минут позже конкурентов. Результаты и работы можно найти тут. Но самое интересное в другом. Если верить неоднократным рассказам на профильных конференциях, алгоритмы-победители так и не оказались в продакшене в запущенном вскоре сервисе видеостриминга. Я не могу говорить о причинах чужих решений, но расскажу, почему мы поступили аналогичным образом.
Персональный рейтинг
Уже достаточно давно пользователи Яндекса могут оценивать просмотренные фильмы. Причём не только на КиноПоиске, но и в результатах поиска. Со временем у нас накопились сотни миллионов оценок десятков миллионов людей. В какой-то момент мы решили воспользоваться этими данными, чтобы помочь пользователям понять, насколько тот или иной фильм им понравится. По сути, мы решали ту же задачу, что и на конкурсе Netflix Prize, то есть предсказывали, какую оценку пользователь поставит фильму. На тот момент уже существовали рейтинги КиноПоиска и IMDB, которые строились на основе оценок людей. Мы же строили персональный рейтинг, поэтому решили использовать отдельную шкалу в процентах, чтобы избежать визуального сходства и путаницы.
Кстати, необходимость соотнести балльную шкалу и процентную — это отдельная неочевидная головная боль, поэтому коротко расскажу и о ней. Казалось бы, для 10-балльной шкалы возьмите по 10% на каждый балл — и дело в шляпе. Но нет. Причина в психологии и привычках. Например, с точки зрения пользователей, оценка 8/10 — это сильно лучше, чем 80%. Как такое соотнести? С помощью краудсорсинга! Так мы и поступили: запустили задание в Толоке, в котором толокеры описывали ожидания от фильмов с определённым баллом или процентом персонального рейтинга. На основе такой разметки мы подобрали функцию, которая переводит предсказание оценки из балльной в процентную так, чтобы при этом сохранялись ожидания пользователей.
Предсказывать ожидания от фильма полезно, но хорошо бы ещё и рекомендации строить. То есть сразу показывать человеку список хороших фильмов. В этот момент многие из вас могли подумать: «А давайте просто отсортируем по персональному рейтингу те фильмы, которые пользователь ещё не смотрел». Мы тоже так подумали сначала. Но затем пришлось решать две проблемы.
Проблема инструмента
Когда пользователь ищет определённый фильм (или хочет взять конкретный DVD напрокат), то сервис должен предсказать оценку именно этого фильма. Ровно эта задача и решалась на конкурсе Netflix Prize, где использовалась метрика RMSE. Но в рекомендациях решается другая задача: нужно не угадать оценку, а найти фильм, который и будет в итоге просмотрен. И метрика RMSE плохо справляется с этой задачей. Например, штраф за предсказание оценки 2 вместо 1 точно такой же, как за 5 вместо 4. Но наша система вообще никогда не должна рекомендовать фильмы, которым пользователь поставит 2! Для решения этой задачи гораздо лучше подходят метрики на основе списка, например Precision@K, Recall@K, MRR или NDCG. Не могу не рассказать о них чуть подробнее (но если метрики вам неинтересны, то просто пропустите следующий абзац).
Начнём с метрики MRR (mean reciprocal rank). Будем смотреть, на какой позиции в ранжировании окажется фильм, с которым пользователь взаимодействовал (например, посмотрел или высоко оценил) в тестовом периоде. Метрика MRR — это усреднённая по пользователям обратная позиция такого фильма. То есть 
. Такая метрика, в отличие от RMSE, оценивает список целиком, но, к сожалению, смотрит только на первый угаданный элемент. Впрочем, легко модифицировать метрику, чтобы избавиться от этого недостатка. Мы можем посчитать сумму обратных позиций всех фильмов, с которыми взаимодействовал пользователь. Такая метрика называется Average Reciprocal Hit Rank. Такая метрика учитывает все угаданные фильмы в выдаче. Заметим, что позиция k в выдаче получает вес 1/k за угаданный фильм и вес 0 за другой фильм. Часто вместо 1/k используют 1/log(k): это лучше соответствует вероятности, что пользователь доскроллит выдачу до k позиции. Получится метрика DCG (discounted cumulative gain) 
. Но вклад разных пользователей в метрику разный: для кого-то мы угадали все фильмы, для кого-то не угадали ничего. Поэтому, как правило, эту метрику нормируют. Поделим DCG каждого пользователя на DCG наилучшего ранжирования для этого пользователя. Полученная метрика называется NDCG (normalized discounted cumulative gain). Она широко используется для оценки качества ранжирования.
Итак, каждой задаче — своя метрика. А вот следующая проблема уже не такая очевидная.
Проблема выбора
Её достаточно трудно описать, но я попробую. Оказывается, люди ставят высокие оценки не тем фильмам, которые обычно смотрят. Высшие оценки получают редкие киношедевры, классика, артхаус, но это не мешает людям вечером после работы с удовольствием посмотреть неплохую комедию, новый боевичок или эффектную космооперу. Добавьте к этому, что пользователи оценили в Яндексе далеко не все фильмы, которые когда-то и где-то уже посмотрели. И если ориентироваться только на высшие оценки, то мы рискуем получить ленту рекомендованных фильмов, которая будет выглядеть логично, пользователи могут даже признать её качество, но смотреть в итоге ничего не станут.
Например, вот так могла бы выглядеть моя лента фильмов, если бы мы отранжировали её по персональному рейтингу и ничего не знали о моих просмотрах в прошлом. Отличные фильмы. Но пересматривать сегодня я их не хочу.
Получается, что в условиях разрозненности оценок и дефицита фильмов с высоким рейтингом стоит смотреть не только на рейтинг. Хорошо, тогда обучим машину предсказывать просмотр рекомендованного фильма, а не оценку. Казалось бы, логично, ведь пользователь этого и хочет. Что же может пойти не так? Проблема в том, что лента заполнится фильмами, каждый из которых вполне подойдёт для лёгкого времяпровождения вечером, но их персональный рейтинг будет невысок. Пользователи, конечно же, обратят внимание на то, что в ленте нет «шедевров», а значит, доверие к рекомендациям будет подорвано, они не станут смотреть то, что в иных условиях посмотрели бы.
В итоге мы пришли к пониманию, что необходим баланс между двумя крайностями. Нужно обучать машину так, чтобы учитывался и потенциал для просмотра, и восприятие рекомендации человеком.
Как работают наши рекомендации
Наша система — часть Поиска, так что нам нужно строить рекомендации очень быстро: время ответа сервиса должно быть меньше 100 миллисекунд. Поэтому мы стараемся как можно больше тяжёлых операций выполнять в офлайне, на этапе подготовки данных. Все фильмы и пользователи в рекомендательной системе представлены профилями (важно не путать с аккаунтом), которые включают в себя ключи объекта, счётчики и эмбеддинги (проще говоря, векторы в некотором пространстве). Профили фильмов каждый день готовятся на YT (читается как «Ыть») и загружаются в оперативную память машин, которые отвечают на запросы. А вот с пользователями всё немного сложнее.
Каждый день мы также строим основной профиль пользователя на YT и отправляем в хранилище Яндекса, из которого можно получать профиль за пару десятков миллисекунд. Но данные быстро устаревают, если человек активно смотрит и оценивает видео. Нехорошо, если рекомендации начнут отставать. Поэтому мы читаем поток событий пользователя и формируем динамическую часть профиля. Когда человек вводит запрос, мы объединяем профиль из хранилища с динамическим профилем и получаем единый профиль, который всего на несколько секунд может отставать от реальности.
Это происходит в офлайне (то есть заранее), а теперь переходим непосредственно к рантайму. Здесь рекомендательная система состоит из двух шагов. Ранжировать всю базу фильмов слишком долго, поэтому на первом шаге мы просто отбираем несколько сотен кандидатов, то есть находим фильмы, которые могут быть интересны зрителю. Сюда попадают как популярные картины, так и близкие к пользователю по некоторым эмбеддингам. Существует несколько алгоритмов для быстрого нахождения ближайших соседей, мы используем HNSW (Hierarchical Navigable Small World). С его помощью мы находим ближайшие к пользователю фильмы всего за несколько миллисекунд.
На втором шаге мы извлекаем фичи (иногда их ещё называют факторами) по фильмам, пользователю и паре пользователь/фильм и ранжируем кандидатов с помощью CatBoost. Напомню: мы уже поняли, что нужно ориентироваться не только на просмотры, но и на другие характеристики качества рекомендаций, поэтому для ранжирования мы пришли к комбинации нескольких моделей CatBoost, обученных на различные таргеты.
Чтобы находить кандидатов, мы используем эмбеддинги из нескольких матричных разложений: от классического варианта ALS, который предсказывает оценку, до более сложных вариаций на базе SVD++. В качестве фич для ранжирования используются как простые счётчики событий пользователя и фильмы, CTR’ы по разным событиям, так и более сложные предобученные модели. Например, предсказание ALS тоже выступает в роли фичи. Одна из наиболее полезных моделей — нейросеть Recommender DSSM, о которой я, пожалуй, расскажу чуть подробнее.
Recommender DSSM
DSSM — это нейросеть из двух башен. Каждая башня строит свой эмбеддинг, затем между эмбеддингами считается косинусное расстояние, это число — выход сети. То есть сеть учится оценивать близость объектов в левой и правой башне. Подобные нейросети используются, например, в веб-поиске, чтобы находить релевантные запросу документы. Для задачи поиска в одну из башен подаётся запрос, в другую — документ. Для нашей сети роль запроса играет пользователь, а в качестве документов выступают фильмы.
Башня фильма строит эмбеддинг на основе данных о фильме: это заголовок, описание, жанр, страна, актёры и т. д. Эта часть сети достаточно сильно похожа на поисковую. Однако для зрителя мы хотим использовать его историю. Чтобы это сделать, мы агрегируем эмбеддинги фильмов из истории с затуханием по времени с момента события. Затем поверх суммарного эмбеддинга применяем несколько слоёв сети и в итоге получаем эмбеддинг размера 400.
Если учитывать сразу всю историю пользователя в эмбеддинге, то это сильно замедлит обучение. Поэтому идём на хитрость и учим сеть в два этапа. Сначала учится более простой InnerDSSM. На вход он получает только последние 50 событий из истории пользователя без разделения на типы событий (просмотры, оценки. ). Затем мы переобучаем полученный InnerDSSM на всей истории пользователя, но уже с разбиением на типы событий. Так получаем OuterDSSM, который и используется в рантайме.
Применение сети в рантайме в лоб требует довольно много вычислительных ресурсов. Поэтому мы сохраняем эмбеддинги из башни фильмов в базе, а эмбеддинги по истории пользователя обновляем near real-time. Таким образом, во время обработки запроса нужно применить только небольшую часть OuterDSSM и посчитать косинусы, это не занимает много времени.
Что смотреть: 55 лучших фильмов на любой вкус
Пандемия коронавируса оставила нас без десятков крупных премьер и удовольствия походов в кино, и мы усиленно взялись за Netflix и другие стриминг-сервисы. Единственная проблема в этой ситуации — муки выбора, ведь от бесконечного скроллинга фильмов действительно можно устать — и включить по привычке уже заученных «Друзей», «Теорию большого взрыва» или «Офис».
Мы решили облегчить эту задачу и выбрали 55 фильмов на любой вкус, которые скрасят ваш киновечер, — от маленьких неизвестных шедевров до номинантов на «Оскар», документальных и научно-фантастических фильмов, боевиков, романтических комедий и многого другого. Все эти фильмы можно найти в библиотеке Netflix.
Неограненные драгоценности / Uncut Gems
Адам Сэндлер когда-нибудь получит премию «Оскар», которую он заслуживает? «Неогранённые драгоценности», вероятно, приближают его к этому. Играя умного и изобретательного нью-йоркского ювелира, Сэндлер погружается в мир грязных азартных игр в надежде заработать большие деньги и спасти себя и свою семью от финансового краха. К моменту, когда он оказывается в гуще событий, он понимает, что игра, возможно, не стоит свеч.
Пятеро одной крови / Da 5 Bloods
В продолжение оскароносного «Черного клановца», Спайк Ли отправляет четырех ветеранов вьетнамской войны обратно в эту страну — и там начинается новое приключение. Они ищут тело своего бывшего лидера, погибшего во время миссии, и захороненный ими клад с золотом. Фильм с мощной игрой Делроя Линдо — потрясающий ответ всем фильмам о Вьетнаме, где о черных героях ни слова.
Молчание ягнят / Silence of the Lambs
О, Клариса. Ты в опасности, девочка. Джоди Фостер играет агента ФБР Кларису Старлинг, которая допрашивает безумного психиатра и людоеда Ганнибала Лектера и оказывается вовлеченной в его психологическую игру. Чем дольше Клариса продолжает допрос, тем больше она подвергает опасности свою собственную жизнь … возможно, больше, чем она предполагает.
Смерч / Twister
Это типичная американская трагедия, снятая в разгар 1990-х. Фильм о том, как двое ученых во время стихийного бедствия отправляются на смертельную миссию — запустить в торнадо специальный датчик, который позволит им лучше понять природу смерчей и лучше их отслеживать.
Леди Берд / Lady Bird
За 26 лет жизни у Сирши Ронан было больше невероятных ролей, чем у большинства актеров за всю их карьеру. Одной из них стала роль Кристины МакФересон, девочки-тинейджера, которая предпочитает, чтобы ее называли «Божья Коровка». Фильм рассказывает о Леди Берд в период взросления и сложных отношений с матерью.
Социальная сеть / The Social Network
«Социальную сеть» часто называют одним из знаковых фильмов первого двадцатилетия 21-го века. Становление Марка Цукерберга и Facebook — захватывающее зрелище независимо от того, как часто вы пользуетесь этой соцсетью. Джесси Айзенберг погружается в роль Цукерберга и заставляет вас задаться вопросом, кто именно является проигравшим в этой истории.
Лабиринт Фавна / Pan’s Labyrinth
«Лабиринт Фавна» — это путь знаменитого режиссера Гильермо дель Торо к полной фантасмагории. Действие фильма происходит в Испании после Гражданской войны. Он рассказывает о молодой девушке, открывшей подземное царство, в котором она понимает, что может быть принцессой. Ничего необычного.
Лагерь калек / Crip Camp
Очень живая история лагеря «Дженед», известного как лагерь Калек. Расположенное в регионе Катскиллс, это место в в 1970-е годы было известно тем, что оно принимало подростков с нарушениями развития и давало им возможность почувствовать себя нормальными и свободными во времена, когда никакой речи о правах инвалидов и не шло.
Таксист / Taxi Driver
(Синефилы вошли в чат.) Молодые и красивые Роберт Де Ниро и Джоди Фостер в классической драме Мартина Скорсезе, которая рассказывает о бывшем морском пехотинце и его жизни в 1970-х годах в Нью-Йорке.
Проект Флорида / The Florida Project
Фильм замечательной инди-студии A24. Великолепные цвета, искусно выполненные кадры, хорошо прописанные персонажи, в особенности, герой Уиллема Дефо. Действия происходят в Орландо, штат Флорида, в мотеле, расположенном прямо перед выездом на автомагистраль, ведущей к Disney World. «Проект Флорида» — это зарисовки детства маленькой девочки Муни в ярких и теплых цветах, но не всегда в благоприятной обстановке.
Мой парень — псих / Silver Linings Playbook
Горько-сладкая комедия Дэвида О. Рассела о психических заболеваниях — одна из лучших за последнее десятилетие. Фильм рассказывает о борьбе с потерями, радости обретения новой любви и очень сложном пути поклонника Филадельфии Иглз.
Если твоя девушка — зомби / Life After Beth
На тот случай, если хочется жанрового кино. Это смешной фильм с незамысловатым сюжетом: девочка-подросток умирает от болезни и становится зомби. Они, как вы знаете, иногда похожи на людей, а иногда едят их.
Драйв / Drive
Мужская энергия и автомобили — в фильме «Драйв» Райан Гослинг играет каскадера и водителя. Он осмеливается отойти от своей обычной, если можно так сказать, жизни ради нового соседа, у которого больше проблем, чем предполагает ситуация.
Бархатная бензопила / Velvet Buzzsaw
«Бархатная бензопила» — великолепный киношный коктейль: отчасти гей-фантазия, отчасти сатира на арт-мир и отчасти хоррор. Фильм оказывается настолько неоднозначным и смешным, что это совершенно стоящее приключение. Бонус: Тони Коллетт идеальна.
Человек-паук: Через вселенные / Spider Man: Into the Spider-Verse
Да, в это трудно поверить, но лучший фильм франшизы «Человек-паук» за последне годы — это мультфильм. Именно анимации удалось вдохнуть новую жизнь в историю, которая уже неплохо себя зарекомендовала.
Истории семьи Майровиц / The Meyerowitz Stories (New and Selected)
Следует отметить: Адам Сэндлер может быть хорошим актером. Вокруг этого фильма был оскаровский шумок. Оскар. Для Адама Сэндлера.
Всем парням, которых я любила раньше / To All The Boys I’ve Loved Before
Netflix знает толк в романтических комедиях. Основанный на одноименной книге, этот фильм — идеальный образчик жанра ром-кома 2018 года.
Ты — моё сомнение / Always Be My Maybe
В этой романтической комедии двое возлюбленных детства встречаются после долгих лет и, как вы можете себе представить… между ними снова вспыхивают чувства. Но самое важное — в этом фильме появляется Киану Ривз… в роли Киану Ривза.
Безродные звери / Beasts of No Nation
Фильм о войне, выпущенный в 2015 году, был одним из первых серьезных попыток Netflix заявить о себе на кинопремиях. Потрясающая актерская игра Идриса Эльбы принесла значительную часть успеха как фильму, так и Netflix.
Барри / Barry
История Барака Обамы всегда приковывала внимание, и хотя о жизни президента вышло несколько фильмов, «Барри» является доказательством того, что Netflix может и умеет в жанр байопика.
Мисс Американа / Miss Americana
Документальный фильм Netflix показывает откровенную и уязвимую Тейлор Свифт в сложный и очень публичный период между созданием альбомов Reputation и 1989.
Таллула / Tallulah
Этот недооцененный фильм рассказывает о женщине, которая похищает ребенка у богатой, но равнодушной и безответственной матери, и воспитывает его как своего собственного.
Окча / Okja
Пожалуй, в некотором смысле «Окча» — первый хит Netflix, снятый режиссером Поном Джун-Хо еще до своего оскаровского триумфа с «Паразитами». Это история про экологию, про противопоставление большого бизнеса морали и ответственности за окружающую среду.
Меня зовут Долемайт / Dolemite is My Name
Было время, когда Эдди Мерфи был одним из самых известных актеров (если не самым) в мире. Потребовалось более десяти лет — и роль неудачливого стендапера с большим сердцем и отменным чувством юмора в «Меня зовут Долемайт», — чтобы мы вспомнили об этом.
Я потеряла свое тело / I Lost My Body
«Я потеряла свое тело» — это история о… расчлененной руке. Номинация этой картины на премию «Оскар» за лучшую анимацию оказалось приятным сюрпризом. Даже несмотря на то, что фильм не получил заветную статуэту (требуются титанические усилия, чтобы свергнуть «Историю игрушек»), эта странная и блестящая история заслуживает внимания.
Ирландец / The Irishman
Да, мы знаем, что «Ирландец» слишком длинный. Но если вы все же настроены посмотреть его, то знайте, что перед вами — святой Грааль актерского мастерства Роберта Де Ниро, Аль Пачино и Джо Пески, которых собрал на одном экране Мартин Скорсезе.
Два Папы / The Two Popes
Есть несколько причин, которые делают этот фильм обязательной к просмотру версией сложных (реальных) отношений между папой Бенедиктом и папой Франциском. И актерский состав, включая Энтони Хопкинса и Джонатана Прайса в качестве бывших (и нынешних) лидеров католической церкви, — одна из них.
Брачная история / Marriage Story
В этом трогательном фильме, написанном и снятом режиссером Ноа Баумбахом, Скарлетт Йоханссон и Адам Драйвер играют актрису и режиссера, переживающих изнурительный развод, который заставляет их столкнуться с давними накопившимися обидами. Сострадательная, смешная и оглушающе-искренняя «Брачная история» — это картина о том, как брак меняет нас с течением времени, и как развод, увы, открывает в нас худшие стороны.
Баллада Бастера Скраггса / The Ballad of Buster Scruggs
Этот киноальманах братьев Коэн состоит из шести вестерн-историй, полных преступников, женщин-первопроходцев и одного поющего ковбоя.
Валентинка / Blue Valentine
Душераздирающая драма о паре, которую играют Райан Гослинг и Мишель Уильямс. Их отношения показаны со всех сторон, а реалистичные сексуальные сцены почти принесли фильму рейтинг NC-17.
Прослушивание на роль ДжонБене / Casting JonBenet
Спустя десятилетия после все еще нераскрытого убийства 6-летней победительницы детских конкурсов красоты Джонбенет Рэмси режиссер Китти Грин отправляется в Боулдер, штат Колорадо, чтобы снять местных жителей в своем документальном фильме — и для того, чтобы узнать, как убийство маленькой девочки повлияло на их жизнь.
Далласский клуб покупателей / Dallas Buyers Club
Почти семнадцать / The Edge of Seventeen
Хейли Стейнфельд играет эмоциональную девочку-подростка, которая пытается закончить среднюю школу — задача усложняется, когда ее лучшая подруга начинает встречаться с ее старшим братом.
Из машины / Ex Machina
Этот сногсшибательный научно-фантастический триллер рассказывает историю программиста, которого босс приглашает в уединенный загородный дом, чтобы он протестировал интеллект человекоподобного робота (его играет Алисия Викандер).
Милая Фрэнсис / Frances Ha
Еще один фильм режиссера Ноа Баумбаха в подборке (на этот раз черно-белый): Грета Гервиг появляется в нем в роли молодой жительницы Нью-Йорка, которая пытается привести в порядок свою жизнь через год после окончания колледжа.
Зеленая комната / Green Room
Панк-группа дает концерт в баре в Мэриленде и обнаруживает, что клиенты заведения неравнодушны к неонацистам. Музыканты становятся свидетелями убийства — и оказываются в комнате за сценой наедине с жестокими преступниками, которые пытаются скрыть то, что они сделали.
Усадьба Хауардс-Энд / Howards End
Экранизация классического романа Э. М. Форстера — две семьи с противоположным мировоззрением сближаются, когда их дети влюбляются друг в друга.
Бесславные ублюдки / Inglorious Basterds
Лента «Бесславные ублюдки» Квентина Тарантино показывает Вторую мировую войну и развивается в совершенно ином направлении, чем это отражено в учебниках истории. Так, Брэд Питт играет крутого теннессийца, который не берет пленных в своей ожесточенной борьбе против нацистов.
Бей и кричи / Kicking and Screaming
И снова Ной Баумбах: фильм рассказывает о группе друзей, которые только закончили колледж. Они застряли в своем студенческом городке, пытаясь избежать взрослой жизни.
Лобстер / The Lobster
Темная сатира Йоргоса Лантимоса. Колин Фаррелл играет одинокого мужчину, у которого есть 45 дней, чтобы найти новую жену — или же он превратится в животное (он склоняется к тому, чтобы превратиться в лобстера).
Монти Пайтон и священный Грааль / Monty Python and the Holy Grail
Легенда о короле Артуре получает пародийную трактовку в этой абсурдной и бесконечно цитируемой культовой классике комедии, где рыцари Круглого стола ищут легендарное сокровище.
Лунный свет / Moonlight
Фильм показывает, как сложно быть представителем квир-сообщества, если ты вынужден выживать среди уличных банд. Главный герой — молодой темнокожий человек, который достигает совершеннолетия и разбирается со своей сексуальной идентичностью и давлением, которое его мир оказывает на него.
Ферма «Мадбаунд» / Mudbound
В драме рассказывается о двух семьях времен Второй мировой — белой и темнокожей. Их связывает общая земля в Миссисипи, и все они сталкиваются с характерными расовыми проблемами эпохи.
Свой ребенок / Obvious Child
Девушка встречает молодого человека. Девушка обнаруживает, что забеременела. Может ли из неловкого поворота событий, часто ведущих к аборту, расцвести роман? Оставьте эту надежду.
Другие люди / Other People
Гомосексуал (Джесси Племонс) возвращается домой, чтобы побыть со своей больной раком мамой (Молли Шеннон). Это светлый комичный полуавтобиографический фильм, написанный и поставленный Крисом Келли.
Другая сторона ветра / The Other Side of the Wind
Печально известный незаконченный фильм Орсона Уэллса — сатира движения «Новый Голливуд» и легендарных режиссеров Джона Хьюстона и Питера Богдановича.
Индиана Джонс: В поисках утраченного ковчега / Raiders of the Lost Ark
Стивен Спилберг объединил усилия с Джорджем Лукасом, чтобы запустить одну из величайших франшиз в жанре приключенческого боевика в истории кино. И да, первый фильм с Харрисоном Фордом в роли Индианы Джонса так и остался самым лучшим.
Рома / Roma
Оскароносный фильм Альфонсо Куарона рассказывает о Клео — горничной в семье среднего класса из Мехико. На протяжении года ее жизнь и жизнь ее работодателей навсегда меняется.
Ей это нужно позарез / She’s Gotta Have It
Первый полнометражный фильм Спайка Ли — черно-белая комедия с Трейси Камиллой Джонс в роли девушки из Бруклина, которая жонглирует тремя потенциальными бойфрендами.
Любовь без обязательств / Sleeping With Other People
Джейсон Судейкис играет повесу. Элисон Бри играет мошенницу. Через дюжину лет после знакомства они встречаются и вступают в платонические отношения, но затем понимают, что влюбляются всерьез.
Стронг-Айленд / Strong Island
Фильм режиссера Янса Форда, номинированный на «Оскар», посвящен убийству его брата Уильяма в 1992 году и последующему расследованию, в ходе которого белый суд решил не предъявлять обвинения белому убийце.
Как отец / Like Father
Героиню Кристин Белл бросают прямо у алтаря. Поэтому она не придумывает ничего лучше, чем отправиться в круиз со своим отцом, которого толком не знала и которого ненавидит (его играет Келси Грэммер). Отличная семейная комедия о том, как непросто бывают устроены семьи.
Жаркое американское лето: 10 лет спустя / Wet Hot American Summer: 10 Years Later
Эта культовая классика сделала звезд из Элизабет Бэнкс, Эми Полер, Брэдли Купера и Пола Радда. Так что Netflix возродил фильм с полным оригинальным составом в двух дополнительных лентах.
Что случилось, мисс Симон? / What Happened, Miss Simone?
В этом фильме рассказывается о карьере Нины Симон, известной певицы, автора песен и активиста, чья бурная жизнь порой оказывалась слишком напряженной даже для нее самой.
И твою маму тоже / Y Tu Mamá También
Альфонсо Куарон получил первую номинацию на премию «Оскар» за этот фильм о двух друзьях (тогда еще неизвестных Диего Луне и Гаэле Гарсии Бернале), которые отправились в (романтическое?) путешествие со взрослой женщиной (Марибель Верду).