[推荐系统]召回之youtubeDNN

引言

youtube作为全球最大的视频内容网站，无时无刻都上传成百上千的事情，目前应该也有千亿个视频了，2016年，youtube决定接着用DL做点事情，之前都是基于MF，或者协同过滤做事情。2016年的时候，全球还很少将DL应用在推荐领域，youtubeDNN也是十分经典的召回和排序模型.

上图就是youtubednn的结构图，其中主要分成候选集生成（召回）和排序两个阶段

召回理解

将用户的youtube活跃的历史纪录作为输入，然后从一个很大的物料池中获取几百个物料形成的子集作为候选集。这些候选集就是召回集

其中\(u\in R^N\),是表示用户的embedding，\(v_J\in R^N\)表示每个候选视频的embedding。所以任务变成了将用户embedding \(u\)表示成用户历史和上下文信息的embedding，然后以此来基于softmax对视频进行分类

youtubednn将每个视频解释成一个类别，比如上述公式：在上下文，用户向量的基础上，每个视频的概率是多少，相当于：

• 拉齐一堆视频，然后用softmax进行分类;
• 然后按概率从大到小排序，选取topN

召回模型

如上图所示:

• 输入层是用户观看视频序列的embedding进行avg pooing，搜索词的embedding的avg pooling，地理位置embedding，用户特征；
• 然后经过三层relu全连接层，然后得到用户向量；
• 然后经过softmax得到每个视频的观看概率

参考文献：
深入浅出地理解Youtube DNN推荐模型