Youtube深度推荐模型解读

最新推荐文章于 2024-07-10 00:15:53 发布
最新推荐文章于 2024-07-10 00:15:53 发布
阅读量555 收藏
点赞数 1
分类专栏： 推荐算法 文章标签： 深度学习 机器学习 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shangpairen/article/details/104887221
版权
本文详细介绍了YouTube推荐系统的架构，包括召回阶段和精排阶段。召回阶段通过user vector和video vector计算用户对视频的兴趣，而精排阶段则利用DNN预测视频的平均观看时长。此外，文章还分享了训练技巧，如样本平衡、特征表示和连续特征处理等。
摘要由CSDN通过智能技术生成

本人微信公众号为“推荐算法学习笔记”，定期推出经典推荐算法文章，欢迎关注。

本文介绍的是YouTube的经典深度推荐算法论文《Deep Neural Networks for YouTube Recommendations》，论文地址https://static.googleusercontent.com/media/research.google.com/zh-CN//pubs/archive/45530.pdf

一. Youtube推荐系统架构
youtube推荐系统架构图如下所示

在这里插入图片描述
可以看到YouTube的推荐系统分为了两个阶段

阶段1：召回阶段（candidate generation），负责从海量的视频当中挑选出用户可能感兴趣的候选视频，一般几十到几百不等

阶段2：精排阶段（ranking），对阶段1生成的候选视频进行排序，最终返回topK视频给用户

下面分别对召回阶段和精排阶段进行详细介绍

二.召回阶段

召回阶段的模型如下所示
在这里插入图片描述
召回阶段的目标是为每个用户生成1个user vector和为每个视频生成1个video vector。然后利用公式
在这里插入图片描述
就可以求出

最低0.47元/天 解锁文章
xxxhuanging
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
从零开始大模型开发与微调：图像降噪：手把手实战第一个深度学习模型
程序员光剑
08-24 360
从零开始大模型开发与微调：图像降噪：手把手实战第一个深度学习模型 关键词： 图像降噪 深度学习模型开发 微调技术 TensorFlow/Keras框架 Python编程
AI上推荐 之 YouTubeDNN模型(工业界推荐系统的灯火阑珊)
Miracle8070
01-26 5130
1. 写在前面 这个系列很久没有更新了， 主要是前段时间经历了一波秋招， 后面的方向可能稍微偏数据挖掘和cv多一些，所以向这两块又稍微延展了一下，没来得及看推荐相关的论文，这次借着和如意大佬整理fun-rec项目的机会， 才重新又看起了之前一直想整理的经典模型， 对于推荐， 还是想把之前学习的知识沉淀下来的， 当然，可能后面的整理比较适合像我一样的初学者了吧，想法还是以经典paper解读为主， 学习一些新思想，并进行NLP, 推荐，cv， ML和DL等各种知识的串联。 关于后面的整理， 我也梳理了一个思维框
论文笔记：Deep neural networks for YouTube recommendations
热门推荐
xiongjiezk的专栏
06-19 1万+
论文提要YouTube如今是工业界最大和最复杂的推荐系统之一，本文作者提出了一种高效的基于深度学习的推荐系统。该系统和工业界经典的推荐流程一样，系统分为候选集生成（也称为搜索或召回），排序两个阶段，这两个阶段分别使用了一个深度神经网络，本文从实践的角度对特征处理，模型训练和调优都有详细介绍。解决的问题YouTube是世界上最大的视频创作及分享平台，其视频推荐的面临的主要问题有： 1. 海量数据：
[Paper Notes] Deep Neural Networks for YouTube Recommendations
Young, Simple, Naive
03-18 242
主要包含两个阶段： candidate generation（或称召回模块） ranking candidata generation 使用协同过滤，用户之间的相似度衡量是基于粗粒度的特征，例如： 看过的视频ID列表、search query tokens、人口统计学特征 ranking 使用细粒度的特特征对召回结果进行打分 模型开发过程中：离线指标 精度、召回、ranking loss（?definition） 模型上线后效果评估 依赖A/B系统进行在线实验 关于实验系统的介绍，可以参见我的分享资料 在线
【推荐系统原理与实践】协同过滤推荐算法、基于内容的推荐、深度学习、矩阵分解、嵌入层、注意力机制、优化算法等
最新发布
程序员光剑
07-10 462
推荐系统（Recommendation System）在过去的几十年中，随着互联网技术的兴起和用户生成内容（UGC）的增多，得到了广泛的应用。它通过分析和挖掘用户的行为数据，为用户推荐他们可能感兴趣的商品、文章、音乐、视频等内容，极大地提升了用户的满意度和体验。推荐系统在电子商务、社交媒体、流媒体平台、新闻聚合网站等多个领域中发挥了重要作用，甚至影响着用户的决策过程。
强化学习RL应用在youtube推荐系统 2019谷歌论文解读
zackerzhuang的博客
09-18 3160
目录1、Introduction目前主流的个性化推荐技术的问题：强化学习(RL)应用在推荐系统2、Related workRecommender Systems 推荐系统序列模型和RL推荐系统User Choice Behavior 用户选择行为建模RL with Combinatorial Action Spaces3、MDP模型 马尔可夫决策过程4、Slate-Q：候选值的分解5、用Q-val...
Deep Neural Networks for YouTube Recommendations.zip
06-01
Deep Neural Networks for YouTube Recommendations -Paul Covington, Jay Adams, Emre Sargin Google Mountain View, CA {pcovington, jka, msargin}@google.com YouToBe推荐算法
Deep Neural Networks for YouTube Recommendations
我爱写报告的博客
02-27 1456
问题 YouTube推荐在以下三个方面有极大的挑战性： 规模大 新的item多 噪声 由于稀疏性和一些无法观测的外部因素，YouTube的历史用户行为是十分难以预测的，而与内容相关的元数据也不能定义一个规整的结构。我们的算法需要足够健壮以应对我们训练数据的这些特性。 系统架构 系统中有两个网络，分别用于召回（candidate generation）和排序。 召回网络从用户行为历史中拿到ev...
（推荐系统）Youtube：Deep Neural Networks for YouTube Recommendations
qq_33397016的博客
05-03 501
摘要 youtube网站所使用的推荐算法在行业中一直都非常具有借鉴意义。该文首先从youtube推荐任务所面临的难题入手，提出了一种切合youtube推荐需求的二阶网络推荐算法，具有很强的工程性意义。 一. 简介 YouTube的视频推荐任务只有面临以下三个问题： 规模问题（scale）：推荐算法应当可以适应youtube视频库中海量的视频内容 新鲜度（Freshness）：由于youtube网...
#Paper Reading# Deep Neural Networks for YouTube Recommendations
John159151的专栏
05-27 345
论文题目: Deep Neural Networks for YouTube Recommendations 论文地址: https://dl.acm.org/citation.cfm?id=2959190 论文发表于: RecSys 2016（CORE B类会议） 论文大体内容： 本文主要介绍了DNN在YouTube视频推荐上的应用，这也是DNN模型在视频推荐领域的开山之作，后续所有的视频推荐...
Youtube DNN：Deep Neural Networks for YouTube Recommendations
得克特
10-30 856
大规模的推荐场景，能够支持分布式训练和提供有效率的服务。不断更新的新物料。稀疏的用户行为，包含大量的噪声。我们已经描述了用于推荐YouTube视频的深度神经网络架构，分为两个不同的问题：召回和排序。我们的深度协同过滤模型能够有效地吸收多种信号，并通过捕获非对称的协同观看行为和防止未来信息泄漏，在现场指标上表现良好，超越了YouTube以前使用的矩阵分解方法。从分类器中保留区分性信号也是取得良好结果的关键，否则模型会过度拟合代理问题，并且无法很好地转移到首页。
YouTube深度学习推荐系统 《Deep Neural Networks for YouTube Recommendations》
拾遗
11-05 3026
今天分享的是Youtube 2016年的推荐系统论文《Deep Neural Networks for YouTube Recommendations》 摘要 YouTube是如今工业界最大、最复杂的推荐系统之一，作者提出了一种高效的基于深度学习的推荐系统。该系统和工业界经典的推荐流程一样，分为候选集生成（ candidate generation也称为召回），排序（ranking）两个阶段。 1. 引言 在推荐系统领域，特别是YouTube的所在视频推荐领域，主要面临三个挑战： Scale(规模大)：视
2016年YouTube推荐系统深度学习革新：论文解析
"《2016年YouTube推荐系统论文：深度神经网络在YouTube推荐中的应用》[DeepNeuralNetworksforYouTubeRecommendations]由保罗·科文顿(Paul Covington)、杰伊·亚当斯(Jay Adams)和埃姆雷·萨金(Emre Sargin)共同撰写...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值