论文阅读 - Deep Neural Networks for YouTube Recommendations

本文为我在阅读 YouTube 工程师在 2016 年发表的推荐系统论文 Deep Neural Networks for YouTube Recommendations 时候记录的笔记。

前言

YouTube 是世界上最大是视频网站，在视频推荐系统的设计上，YouTube 面临以下挑战：

• 规模大：用户量与视频量都很大，要求算法能够适用于超大规模数据集。
• 更新快：每秒有小时级别的新视频上传，推荐系统需要对新视频及时作出反应，同时要处理好与已有视频间的平衡（不能光考虑新视频）。
• 噪声：用户的行为信息很稀疏，很少得到用户对视频是否满意的明确反馈。视频的信息结构化程度低。

系统概览

整个系统由 candidate generation 和 ranking 两部分组成，其中 candidate generation 从海量的视频中粗略地挑出几百个候选推荐视频，ranking 对这几百个视频做精细地排序，生成最终的推荐结果。

candidate generation 需要从百万量级的视频中快速地挑选出用户可能感兴趣的视频，因此其模型的开销要小，速度要足够快。ranking 阶段面对的是几百个候选视频，可以采用根据复杂的模型，利用更加丰富的信息。整个推荐系统采用了初筛+精选的策略。

CANDIDATE GENERATION

分类问题

candidate generation 目的是快速筛选出用户可能感兴趣的视频，这里 YouTube 的把寻找这些感兴趣的视频的问题，转为了一个多分类问题。直观的想，就是使用用户的浏览记录、搜索记录为输入，喜欢的视频为输出，来训练一个模型。有了这样一个模型后，下次单单输入用户的信息，就能预测出那些视频是用户所喜欢的。

用于分类的就是下面这个 softmax 模型，在视频库 \(V\) 中，预测用户在时刻 \(w_t\) 会观看的视频的 id。

\[P\left(w_{t}=i | U, C\right)=\frac{e^{v_{i} u}}{\sum_{j \in V} e^{v_{j} u}} \]

其中 \(u\) 为用户向量，\(v_i\) 为视频向量。观察下一节中的模型结构就可以看出，\(u\) 是神经网络最后一层的输出，而 \(v_i\) 是 softmax 的参数矩阵中的第 \(i\) 列。

模型架构

下图是 candidate generation 的模型结构图：

用户观看过视频通过嵌入并求评价得到了一个向量，搜索的文本也进行嵌入并求均值，加上其他一些用户信息，所有这些信息组合起来把用户被表示成一个向量，然后交给网络，模型的输出是对在几百万视频上的概率分布。

训练过程中，希望输出的概率分布中，希望用户观看过的视频的对应的维度概率最大。因为类别实在太多（几百万），这里采用了类似于 word2vec 中的训练思路，使用负采样。用户观看过的是视频为正例，负采样得到的样本做为反例。在训练过程中最小化正反例的交叉熵损失即可。（细节可以参考 word2vec 的那篇论文）

在线上时，并不使用 softmax，而是用用户的向量 \(u\) 去查询最相似的视频。即计算 \(u\) 和 \(v_i\) 的內积，取內积最大的 \(u_i\) 对应的视频作为初步筛选的结果。

特征

神经网络的优点之一（相比于矩阵分解），是可以很容易地把各种特征加入到网络中。对于每个视频都学到一个 embedding。用户的搜索词，切分为 unigram 和 bigram 后也进行嵌入。至于这里 embedding 是和整个模型一起联合训练得来的。

the embeddings are learned jointly with all other model parameters through normal gradient descent backpropagation updates.

example age

其中 example age 比较难理解，参考了别人的理解，大致描述如下：

这个 example age 是训练时刻减去训练样本产生的世界，即这个用户对某个视频的观看记录是在训练的前 10 分钟产生的，这个值可能就是 10，具体单位不详。

一个视频上传之后的一段时间里，其点击率是不同的，可能因为视频具有时效性，或者用户偏向于新视频等等。加入了这个时间的特征之后，模型就能够对视频在不同时刻的热度进行建模。比如一个视频在 10 天前热门，但在当下不热门了。或者如果十天前不热门，当前却很热门。这样 example age 可以正确地反映视频热度随时间的变化。在 serving 的时候，example age 设置为 0，就能够正确地反映该视频最新时刻的热度。

如果没有 example age 这一维度，那么模型对视频的热度的预测将是训练区间的平均值。

论文中放了下面这张图：

从这张图中可以看出，没有 example age 的时候，模型在各个时刻对某个视频的预测概率都差不对。但假如了这个特征后，不同时刻预测概率的有很大差异。即某个视频是在 0 时刻上传的。训练样本集中所有样本的世界分布在 -30 到 40 之间。在训练的时候，改变 example age 的取值，在 softmax 分类时，该视频的概率值有明显的差异。

图中指明 0 为上传时间，同时给出了一条绿色的曲线，这条线是经验分布（不知道时咋来的），大致指的是一个较好的概率分布。从图中可以看出，加入 example age 之后，对视频的预测概率在时间维度上的分布很符合经验值。

构造样本

监督学习需要有样本，这一节讲了在样本选择上的一些细节。

每个用户选择固定数量样本

为每个用户固定样本数量上限，平等的对待每个用户，可以避免少数活跃用户对模型造成巨大影响。

不考虑序列信息

用户观看记录，搜索记录都存在时间先后次序，这里去掉序列信息，对观看记录、搜索记录的 embedding 进行平均。

共同浏览的不对称性

用户在浏览视频时候，常常是序列式的，比如按集观看。基于共现的思想，在这种情况下有一些特殊性，比如看了第一集很可能再看第二集，但看了第二集则鲜有可能再看第一集。

因此在选择训练样本的时候，图(a) 利用上下文信息预估中间的一个视频；图(b) 利用之前的所有信息，预估下一个视频。图(b) 的方式在 A/B test 中表现更佳。传统的协同过滤类的算法，都采用的图(a) 中的方式，没有考虑不对称的浏览模式。

RANKING

Ranking 的目的是使用更加丰富的信息对目标推荐对象进行排序，以及产生其他附带信息，比如视频推荐中生成缩略图。Ranking 也可以对多个来源的 candidate 进行集成。

Ranking 是对各个粗筛出来的视频进行评分，最终按评分排序，取评分最高的 N 个作为最终的推荐结果。

模型架构

Ranking 的模型和前面 candidate generation 大致相同，不同之处是最后使用了 weighted logistic regression。

weighted 我的理解是在计算 loss 时加上权重。对于一个正样本，即用户观看过的视频，logistic regression 的输出应该越接近 1 越好。对于用户观看时间很长的样本，其 loss 应该更加重要，这里加权就是使用视频的观看时长进行加权。

特征

• impression video ID: 当前用于计算的 video
• watched video IDs: 用户观看过的最后 N 个视频
• language embedding: 用户语言和当前视频语言的 embedding
• time since last watch: 距上次观看相关视频的时间（统一个 channel，同一类型等）

• previous impressions: 该视频已曝光给该用户的次数

前面两个 video id 都经过 embedding 层得到嵌入。观看过的视频的 embedding 做平均。time since last watch 可以反应用户看同类视频的间隔时间，假如用户某个 channel 的视频，那么他很可能会继续看这个 channel 的视频的，该特征就能很好的捕捉到这种用户行为。#previous impressions 则用于避免多次将同一个视频推荐给用户。上一次推荐后，用户没有点击，那么下一次就应该更换。

有几个特征还加入了 1/2 和 2 次项，这是为了给模型引入该特征的非线性变换。

期望观看时间

此处排序的依据是视频的期望观看时间，在 serving 阶段，并没有使用 logistics regression 输出概率值，而是使用了 \(e^{Wx+b}\) 这样一个式子，下面稍作解释。

论文中提到了 odds 这个概念，在统计和概率理论中，一个事件的发生比（odds）是该事件发生和不发生的比率。

\[\begin{equation}odds(p) = \frac p{1 - p}\end{equation} \]

而 logit 函数就是对 odds 取对数。

\[\begin{equation}logit(p) = log(\frac p{1 - p})\end{equation} \]

Logistics Regression 就是用 \(\theta^{T} x\) 去拟合 logit 函数：

\[logit(p)=\ln \left(\frac{p}{1-p}\right)=\theta_{0}+\theta_{1} x_{1}+\theta_{2} x_{2} = \theta^{T} x \]

由此不难推出熟悉的 Logistics Regression 的式子：

\[p=\frac{1}{1+e^{-\theta^{T} x}} \]

在本论文的 weighted logistics regression 中，正例会使用观看时间做加权，而反例的权重为 1。假设正例为 k 个，正例的观看时长为 \(T_i\)，共有 N 个样本，那么正例和反例的权重比为：

\[\frac{\sum T_{i}}{N-k} \]

通常 odds 为即正例率比上反例率，而此处该模型的 odds 的期望就是上式。因为 k 往往相对 N 而言很小，上式近似于 \(E(T)\)，即视频的期望观看时间。

因此在 serving 的时候直接使用 \(e^{Wx+b}\) 来计算出 odds，近似得到期望观看时间。

这一部分我觉得理解不够透彻，希望以后再遇到此类问题时，再次探究，或者和其他人交流

总结

阅读这篇论文，让我了解了这种 candidate generation + ranking 的推荐系统算法框架。本文中有很多工程上的技巧，感觉受用。比如分类类别极多的时候如何处理，在训练和 serving 的时候使用不同的策略来进行加速。另外加入 example age 以处理概念随着时间的变化，也相当巧妙。

对于我这刚刚开始探索推荐系统的菜鸟，要多多阅读此类经典的且优秀的论文，加油。