推荐系统之YouTube视频：Deep Neural Networks for YouTube Recommendations

前言

　　YouTube在2016年的时候，用深度网络完成了工业级的视频推荐系统，主要分为候选视频集的选择和线上的rank，虽然时间过去两年了，对我们的推荐系统仍具有重大的学习参考价值。

背景

　　深度学习在学术界频发神级文章，工业界的推荐系统还没有特别重量级的成果，YouTube则在2016年给大家带来了DNN在推荐中的最新探索paper。
　　主要应用场景：为YouTube用户提取候选视频集，并对其排序展示给用户，追求最大化的观看时长。（追求时长，隐含着追求用户体验，并争取用户在APP上的更多时间，同时意味着用户习惯的养成）

亮点

　　1） 推荐系统经典结构的深度学习化。
　　2） 超多类在分类时的高效解决方案。
　　3） 加权逻辑回归解决预测时长问题。
　　数据特点：巨量用户和数据；新数据响应快；数据稀疏与噪声。其整体视频推荐系统框架，如下：

　　这个推荐结构非常经典，现在了解到的推荐相关的系统都是这么个套路。

Candicate Generation Module

　　为选择出给用户的候选展示集，对所有日志学习用户的点击概率。将视频做Embedding化，搜索query也作Embedding化，同时加入其它的用户信息。预测用户对不同视频的点击概率。
　　因为将所有视频做分类，成了百万级规模的softmax，不是简单地按照视频类型作分类。怎么学习呢？引入负样本采样方法，来构造训练样本集，一个有观看的正样本，再加上采样的几千条没观看的负样本。某用户U$U$在某时刻t$t$对视频vi$v_i$的观看概率如下：

P(wt=i|U,C)=eviu∑j∈Vevju$$P(w_t=i|U,C)=\frac{e^{v_{i}u}}{\sum _{j\in V}{e}^{v_{j}u}}$$

　　其中使用的不仅仅是明确的反馈，比如thumbs up/down, in-prduct surveys，也充分利用了模糊反馈，如下：

　　在提供召回服务时，对某个用户计算所有的视频以选择Top-N是不现实的，线上可接受的响应时间在10毫秒内，这肯定是不行的。将计算分值问题，转换为最近邻问题，使用的是本生成网络的用户和视频的embedding值，可以实现快速响应。详见参考5。同时，这里引入了视频的天级的生命周期概念，新的内容更容易大概率被观看。

Rank Module

　　根据候选集给用户作展示排序，再做期望观看时长的预测，依据预测时长排序，选择的基础模型是DNN+weighted logistic regression。正样本是有点击的视频，负样本是无点击的视频，携带有观看时长信息。正样本使用观看时长加权，负样本使用单位值1作加权，总体的学习目标被∑TiN−k$\frac{\sum T_i}{N-k}$总加权。
　　在使用排序时，以ex$e^x$作**函数来产生期望观看时长的估计值。【理解起来就是用二分问题，作加权的分类，然后在使用的时候使用中间变量ewx+b$e^{wx+b}$】
对策略特征作统计并截断vocabulary，袋外的vocab其值为0；连续值作(0,1]压缩；multivalent作average合并。展现时其他需要考虑的因素不再赘述。

思考

1）YouTube跟我们的推荐系统在规模和方法上大不相同，只要基本结构是一样的。这篇文章的信息含量非常高，值得反复读，有很多工程细节信息。
2）候选集的选择上，深度的精髓在于Embedding表达的使用上，当然目标学习也非常重要。排序的深度使用则是在表达和学习目标的优化上作了优化。额外注意的是输入特征的预处理，直接影响效果。
3）我们的图文推荐是不是也要转向关注用户时长，而不仅仅是单纯的CTR和用户导出，后续以用户体验为进一步的优化目标。
4）数据的生命周期在图文里面是否也具有非常强的特点，可以适当引入进来。
5）抖音是一款以超强用户粘性和超长观看时长为特色的视频产品，另外，头条也是一款现象级的图文推荐产品，国内的这些产品的算法更值得我们深思。我们做不出来，不代表别人做不出来。最大的差距到底在哪里？毅然大哥说两者产品最开始的目标就完全是背道而驰的，深以为然。
notice: 回头再确认下参考5和加权逻辑回归的具体使用。

补充

facebook给出了更快捷的查找方法（思路跟参考5一致，作了更多优化，多层索引），名为faiss，在python和C++下都有对应的版本https://github.com/facebookresearch/faiss/wiki/Getting-started

Reference

1. https://www.hardikp.com/2017/09/17/youtube-recommendations/
2. 2016 - Deep Neural Neworks for YouTube Recommendations
3. 2010 - The YouTube Video Recommendation System
4. 1998 - Implicit Feedback for Recommender Systems
5. 2004 - An Investigation of Practical Approximate Nearest Neighbor Algorithms