Youtube2016推荐召回算法细节及最终实现（离线服务）——完整版

训练的数据采用的是观看的隐式反馈，当用户完成一个视频的观看则是正例，言外之意，其他为负例（包括没有观看的都是负例，那么对于新用户而言则都是负例了，这样是否合适？？【目前来说对于没有观看记录的用户不做推荐，这个没办法，只能用其他方法来推，同样没有任何人点击的item也是没法整的，这两种冷启动这里是没办法做的】）

对应的paper中的话为：

we use the implicit feedback [16] of watches to train the model, where a user completing a video is a positive example.

为啥这个论文没有什么开源的代码？有几个github，但都没有什么star，还是论文说的不够清晰明了，很多细节问题没有说到位，google也不给个开源的版本，工程问题很多。

关于loss的问题，有几个版本均是采用的nce_loss,Noise-contrastive estimation

这个是针对非正态分布模型的估计的loss，直接翻译为噪声对比估计损失函数，鉴于工程方面的问题说教毫无意义，因此将简单复现论文，开发中的github在此：https://github.com/rcdnn/Youtube-Recommendation