Deep Neural Networks for YouTube Recommendations

Posted by maple Blog on January 10, 2019

Deep Neural Networks for YouTube Recommendations

YouTube 视频推荐论文。

SYSTEM OVERVIEW

  • candidate generation network
  • ranking network

推荐系统主要分为2大部分,候选集生成网络,ranking网络;

candidate generation的输入主要是用户的历史行为数据,然后从视频语料集中筛选出部分视频。

主要是基于协同过滤的方式来选出候选集;用户之间的相似性,以历史观看记录,搜索记录作为主要的特征。

ranking network 在前一步的基础上,对候选集进行score,然后以score排序展现给用户。

Model Architecture

受词向量思想的启发,作者把用户的视频浏览记录作为一个序列;好比一篇小短文,每个视频就是一个单词,以此来训练视频的 vector。将用户看过的视频向量,做个简单的average,效果也很不错;可以看下图,具体的candidate generation的网络结构

搜索记录也是类似的处理方式,转化为向量; 此外用户的个人信息也很重要,比如国籍,年龄,性别等。

在特征工程部分,还引入了视频的新鲜度;也就是刚上传的视频,更容易得到用户的关注,而被点击查看;

RANKING

在产生候选集之后,就是ranking部分; 在考虑特征的时候,着重考虑视频自身的特征,以及和用户的相关性特征; 先看下具体的网络结构

这里很大篇幅讲到了特征工程部分;比如Categorical 特征,作者会做一个Embedding,比如性别,地区;而连续的特征通常是Normalizing;关于这一块也是漫游参考意义的。

论文里还提到一些有趣的发现,比如用户往往看剧集是按照顺序来的,因此预估用户下一个看的视频,比预估中间的效果会更好。

ranking阶段还考虑到场景的特征,比如也许用户对某个视频感兴趣,而仅仅因为不喜欢推荐首页的缩略图而放弃观看。

还有上文提到的,用户对新内容往往更加感兴趣,因此视频的上传时间特征也加入训练特征;并明显带来了提升。从产品角度来说,其实也是鼓励内容产生~

REFERENCES

Deep Neural Networks for YouTube Recommendations