本文详细介绍了YouTube视频推荐系统中的多任务排序模型，利用Multi-gate Mixture-of-Experts (MMoE)框架解决位置偏置问题，通过多任务学习预测用户点击、观看时长和满意度。模型包括召回和精排阶段，精排阶段采用深度神经网络，结合用户行为作为排序目标，并通过多任务模型进行训练和预测。
本文介绍的文章是：《Recommending What Video to Watch Next: A Multitask Ranking System》
在上一篇文章中，我们介绍了一种多任务学习的模型Multi-gate Mixture-of-Experts (MMoE)，而本文介绍的youtube视频推荐模型，就用到了这种多任务学习的框架。除此之外，本文还介绍了如何消除推荐系统中常见的位置偏置因素以及在应用深度学习模型中的一些实践经验，一起来学习一下。
1、背景
视频推荐的任务可以描述为根据用户当前所观看的视频，来预测用户下一个可能观看的视频。传统的推荐系统往往是两阶段的设计模式，即召回和精排阶段。本文主要介绍精排阶段的模型。
设计和部署一个大型的视频推荐系统充满了许多挑战，比如以下几条：位置偏置问题。
为了解决以上的挑战，youtube采用了一种多任务学习框架，该框架基于Multi-gate Mixture-of-Experts (MMoE)，一起来学习一下吧。
2、模型介绍
2.1 视频推荐问题描述
构建一个视频推荐框架，除在上一节中介绍的一些挑战外，还有其他一些因素需要考虑：Multimodal feature space：视频推荐模型需要考虑特征众多
最低0.47元/天 解锁文章
25万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
