是不是很多人都非常好奇youtube推荐系统讲解哪些内容。youtube推荐系统是youtube公司进行制定出来的方案。许多人都对youtube推荐系统等这方面的内容特别的陌生。紧接着就带各位分享关于youtube推荐系统等这方面的内容进行探讨交流。
youtube推荐系统结构
在这里说的这篇文章是借鉴了2016年Google发表的paper《Deep Neural Networks for YouTube Recommendations》，重点讲解了Youtube怎么依据用户历史行为观看记录而在线上运用的给用户推荐视频的系统结构，尽管论文不是那么新颖，然而里面存在许多东西还是非常有启示意义的。
从总体来看整个系统好像一个漏斗，跟其他的推荐系统同意是由两个主要部分进行组成：candidate generation 跟ranking，分别相对应了粗排跟精排的概念。
youtube推荐系统过程
首先要声明的是整个系统是离线的，这个目的是对准每一个video跟用户生成一个Embedding，继而在线上进行粗排召回的时候直接运用内积结果进行排序就可以进行操作。能够看出整个离线模型跟其他普遍的推荐系统框架并没有什么区别，就是多层神经网络。然而需要留心的是，因为是在召回阶段，入模特征部分只含有了用户侧的特征，目的是为了生成一个用户的embedding形式，方便跟视频库中的视频embedding计算相似度，而后找出TOP N作为粗排的结果。最后一层为了加快模型的训练速度并非没有直接运用softmax进行训练而是运用了negative sample进行抽样。在特征工程方面加入了一个小trick：那就是加入age信息，距离training 窗口最近的时间间隔，那么在估计的时候这个时间间隔就是0或者负值。
紧接着就是ranking阶段用到的模型，总地来说跟candidate generation架构是相似的，只不过多加入了一些额外的特征毕竟候选集已经被缩的足够小了。
除了candidate generation阶段用到的特征外，其中加入了一些更加精挑细选的特征例如说用户上一次观看该视频的持续时间，同时还含有了当前推测的视频的一些特征，这样就可以获得更加精挑细选的结果。
youtube推荐系统不管是对youtube网站还是对youtube用户来说都是至关重要的。youtube推荐系统过程是youtube新人时常讨论的话题。
