Deep Neural Network for YouTube Recommendations解读

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

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

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

就可以求出用户u对视频v的感兴趣程度。

（1）怎么生成user vector？利用用户的历史数据行为和上下文特征，经过多层神经网络的输出就是user vector

（2）怎么生成video vector？采用的是类似word2vec的方法，如下图所示

输入是user vector, 输出是每一个视频用户会点击的概率，然后使用negative sample的方法进行训练就可以得到每个视频的video vector

（3）我们可以将所有用户的user vector和所有视频的video vector存储起来，这样在serving的时候就可以直接取出来直接计算用户感兴趣的候选视频。由于视频的数量巨大，一般采用局部敏感哈希等方法来加速计算

三.精排阶段

精排阶段的模型如下所示

可以看到模型采用的一个非常简单的DNN。但是值得注意的是它的预测目标是视频的平均观看时长(点击率*观看时长）,为了达到这个预测目标，可以看到它采用的是weight logistics regression，serving的时候采用的exp(Wx+b)。那么它们是怎么推出来的呢？推导过程如下图所示

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。