这篇论文是YouTube团队发表于16年RecSys上关于推荐系统在DNN上的尝试。虽然在这过去的两年内，DNN相关的推荐系统模型层出不穷，但这篇文章依旧具有极强的尤其是在工程上的学习意义。
系统概况
文章首先介绍了在YouTube视频推荐场景的三个挑战：数据量极大，适用于小场景的模型不一定有效；更新速率快，每秒有小时级别的视频更新量，需要实现新视频的及时推荐；用户历史数据稀疏，没有标准的用户满意度的ground truth，视频数据本身非结构化，因此噪声高，需要系统具有较强鲁棒性。
整个系统结构如图所示，总体上分为用于“召回”的candidate generation模块与用于“排序”的ranking模块。首先，根据用户历史行为（包括观看记录、搜索记录、用户注册信息等），从视频库中选取数百个较为相关的视频，之后再结合视频具体信息、用户信息等更加详细的信息，对召回的数百个视频进行精确排序后作为推荐结果。
召回
召回部分需要从数百万视频中选取数百相关视频，因此对单个视频计算开销要求较高，通常选用各种协同过滤方法如i2i、u2u等。本文中将该问题建模为一个超大规模的多分类问题，使用softmax分类器，表达式为
P ( w t = i ∣ U , C ) = e v i u ∑ j ∈ V e v j u P(w_t=i|U,C)=\frac{e^{v_iu}}{\sum_{j\in V}e^{v_j u}} P(wt=i∣U,C)=∑j∈Vevj
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
