baidu_28610773的博客

网上关于YouTubeDNN的介绍有很多，这里就不详细介绍1.把推荐看做多分类问题可以把推荐当作一个多分类问题，把每一个视频当作一个分类，则给定用户U和上下文C的条件下，在时间t观看第i个video（第i类）的概率为：其中u是用户的向量表示(embedding)，v表示video的向量表示(embedding)。在模型中，利用用户历史和上下文来学习用户的embedding，利用用户的embedding对每个用户进行视频推荐；类似于Word2vec,模型在训练过程中可以利用负采样进行优..

目前工业界常用的召回排序模型主要有：召回模型（1）基于内容的召回使用item之间的相似性来推荐与用户喜欢的item相似的item。（2）基于协同过滤的召回协同过滤主要可以分为基于用户的协同过滤、 基于物品的协同过滤、基于模型的协同过滤（如矩阵分解als、svd、svd++等等）。（3）基于关联规则召回基于关联规则召回通常有频繁模式挖掘，如Apriori、Fpgrowth等模型（4）基于深度学习模型的召回基于深度学习模型的召回也称之为embedding向量召回(每个user

1.背景根据物品或内容的元数据，发现物品或内容的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品，如图所示：上图给出了基于内容推荐的一个典型的例子，电影推荐系统，首先我们需要对电影的元数据有一个建模,这里只简单的描述了一下电影的类型；然后通过电影的元数据发现电影间的相似度,因为类型都是“爱情，浪漫”电影 A 和 C 被认为是相似的电影（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等）；最后实现推荐，对于用户 A，他喜欢看电影 A，那么系统就可以给他推荐类似.