《Deep Neural Networks for YouTube Recommendations》论文总结

最新推荐文章于 2022-04-07 14:36:05 发布

Ezail_xdu

最新推荐文章于 2022-04-07 14:36:05 发布

阅读量764

点赞数 4

CC 4.0 BY-SA版权

分类专栏：推荐系统论文阅读文章标签：推荐系统

本文链接：https://blog.youkuaiyun.com/weixin_38526306/article/details/89040382

本文总结了《Deep Neural Networks for YouTube Recommendations》论文，介绍了YouTube推荐系统的两层深度网络架构，包括Candidate Generation Model和Ranking Model。Candidate Generation Model通过word2vec训练的embedding和特征向量快速筛选候选视频，Ranking Model则进行精细化排序。论文还探讨了在线服务中的工程优化，如使用最近邻搜索和负采样策略，并讨论了如何处理新视频、用户观看历史、优化目标等问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近继续总结之前读过的经典论文，正好看到知乎王喆老师提出的关于youtube的十大工程问题，研究之后发现自己第一遍阅读还是读的太粗陋，遂再次阅读，这里记下自己这几次阅读的一些思考与总结。总的来说youtube的推荐系统架构已经是如今各个互联网公司的基本操作了，十分具有纪念意义，那我我们来一起看看youtube的前辈们如果解决这个问题的。

Youtube的用户推荐场景自不必多说，作为全球最大的UGC的视频网站，需要在百万量级的视频规模下进行个性化推荐。由于候选视频集合过大，考虑online系统延迟问题，不宜用复杂网络直接进行推荐，所以Youtube采取了两层深度网络完成整个推荐过程：

第一层是Candidate Generation Model完成候选视频的快速筛选，这一步候选视频集合由百万降低到了百的量级。
第二层是用Ranking Model完成几百个候选视频的精排

接下来我们先看看粗排的模型

我们自底而上看这个网络，最底层的输入是用户观看过的video的embedding向量，以及搜索词的embedding向量。至于这个embedding向量是怎么生成的，作者的原话是这样的：Inspired by continuous bag of words language models, we learn high dimensional embeddings for each video in a xed vocabulary and