Netflixは、アートワークやビデオプレビューのようなパーソナライズされたビジュアルアセットを通じて、メンバーが愛するコンテンツと繋がることを目指しています。新しいタイトルが登場する際、十分なインタラクションデータがないために効果的なパーソナライゼーションができないという大きな課題が生じます。これはコールドスタート問題として知られています。従来、モデルはアセットを不透明なIDとして扱い、十分なデータが蓄積されるまで人気度ヒューリスティックに依存していました。これは、新しいコンテンツのパーソナライゼーションが遅れ、発見体験に影響を与えることを意味していました。Netflixの解決策は、マルチモーダル埋め込みを使用して、モデルがアセットを「見て」「聞く」ことを可能にすることです。事前学習済みの画像テキストモデルであるCLIPでアートワークをエンコードすることにより、アセットは視覚的な理解を獲得します。このCLIP埋め込みは、アセットのID埋め込みと連結され、視覚的なテーマや才能を捉えたより豊かな表現を作成します。これにより、アセットがインタラクション履歴を持つ前でも、メンバーの視覚スタイルへの好みに基づいたパーソナライゼーションが可能になり、タイトル間の知識転送を促進します。このアプローチは、異なるアートワークキャンバス用の個別のモデルを単一の統合モデルにマージするモデル統合も可能にします。CLIP埋め込みはクロッピングやリサイズに対してほとんど不変であるため、ほぼ同一のアートワークレンダリングは類似のベクトルにマッピングされます。特にデータ量の少ないキャンバスに利益をもたらす、キャンバス全体でのインタラクション信号のこのプーリングにより、単一のモデルがすべてのアートワーク配置をパーソナライズできます。キャンバス間のデータ不均衡に対処するために、印象数ではなく長期的な価値に基づいたインタラクションを優先する、報酬ベースの重み付けが使用されます。このアプローチの有効性は、逆確率重み付けスコアリングを使用したオフライン評価と大規模なA/Bテストによって検証されました。画像埋め込みと統合モデル（V3）を組み合わせたものは、これらの改善のいずれかのみを持つモデルを大幅に上回りました。この組み合わせアプローチは、最小限の履歴データを持つ主要なキャンバスが導入された、Netflixのホーム画面の大規模な再設計中に重要であることが証明されました。CLIP埋め込みを備えた統合モデルは、この新しいレイアウトのコンテンツを正常にパーソナライズし、発見指標とストリーミング時間の統計的に有意な増加を示し、コールドスタート問題を克服するためのマルチモーダル埋め込みの力を強調しました。