超级会员免费看
本文深入解析YouTube深度学习推荐系统，包括Candidate Generation Model和Ranking Model的架构。候选生成模型通过高维embedding快速筛选候选视频，Ranking Model则利用更多特征进行精确排序。文章探讨了模型的工程实现细节，如用户行为、时间间隔和曝光次数等，提出了一系列有价值的工程问题。
重读Youtube深度学习推荐系统论文，字字珠玑，惊为神文
https://zhuanlan.zhihu.com/p/52169807
废话不多说，下面就跟大家分享一下两次拜读这篇论文的不同体验和收获。
第一遍读这篇论文的时候，我想所有人都是冲着算法的架构去的，在深度学习推荐系统已经成为各大公司“基本操作”的今天，Youtube在算法架构上并无惊奇之处，我们来快速介绍一下文章中的深度学习推荐系统的算法架构。
Youtube的用户推荐场景自不必多说，作为全球最大的UGC的视频网站，需要在百万量级的视频规模下进行个性化推荐。由于候选视频集合过大，考虑online系统延迟问题，不宜用复杂网络直接进行推荐，所以Youtube采取了两层深度网络完成整个推荐过程：
第一层是Candidate Generation Model
订阅专栏 解锁全文
468
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
