null的专栏

Keep your eyes open and your feet moving forward. You'll find what you need.

论文阅读——YouTube的视频推荐系统

《The YouTube video recommendation system》是一篇详细介绍YouTube视频推荐的论文,在整个系统中没有复杂的算法,使用了一些简单有效的策略,这也符合工业界的应用,在工业界,为了考虑算法复杂度,数据量,可维护性等等一些因素,在工业界中,通常会选择一些简单有效的方法。


以下是论文的核心内容:

目标

帮助用户找到高质量且符合用户兴趣的视频,最终实现的是Top-N推荐。

总的思想

利用用户的互动行为数据,推荐与互动过视频相似的视频。

相似视频的挖掘

1、概念

相似视频指的是:当给定视频vi后,用户更有可能观看的视频组成的集合Ri,公式如下所示:

Ri=f(vi)

其中:

  • vi:种子视频
  • Ri:与视频vi相似的视频的集合

2、方法

关联规则(Association Rule)

计算与给定的种子视频一起被观看的概率,概率越大,相似性越高。

3、相似性的计算

计算的方法:

r(vi,vj)=cijf(vi,vj)

其中,f(vi,vj)称为正则化函数,通常可以取为:f(vi,vj)=vivj

计算出所有的与视频vi相似的视频,根据相似性的值r(vi,vj)从候选集Ri中找到Top-N的相似视频。

(vi,vj)可以表示成一个有向图,其中,权重为r(vi,vj),如下所示:

这里写图片描述

生成推荐的候选

1、一级

假设种子集合为S,由上述的相似性的方法挖掘出一些候选:

C1(S)=viSRi

这里写图片描述

这样的方法容易产生narrow recommendations,即推荐的视频与种子视频相似度极高,这对推荐来说不能满足多样性的要求。

2、二级

以一级产生的候选C1作为种子,产生C2

C2(S)=viCn1Ri

这里写图片描述

3、多级

上述的结论推广至多级,形成最终的推荐结果为:

Cfinal=(i=0NCi)S

Ranking

ranking的指标主要有:

  • 视频质量
  • 用户特性

其他

  • 评价的方法:线上A/B Test
  • 评价的指标:CTR

参考文献

  • Davidson J, Liebald B, Liu J, et al. The YouTube video recommendation system[C]//Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010: 293-296.
阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/google19890102/article/details/52883653
文章标签: 视频推荐 推荐
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

论文阅读——YouTube的视频推荐系统

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭