YouTubeDNN模型

召回：

总结：

• 塔输入全是用户特征。
• 输入特征对 搜索词、观看记录进行item的mean-pooling。
• 双塔也有连续向量，对连续向量进行了x直接入和x²输入，扩大特征的变化。
• item向量和用户观看历史的item也可以用一个Embedding矩阵。
• 样本构建：在导出user向量时，一般都是取用户最近一条的特征。 

排序：

损失函数采用加权逻辑回归，把完播率当做视频的权重。进一步优化后续转化。