内容简介:咳,还是要说说这篇文章,虽然讲它的人已经很多了。毕竟作为深度学习模型大规模应用于工业界推荐系统的标志,这篇文章是绕不过去的。原文来自这篇文章的结构依然很经典:由deep candidate generation model(召回阶段)和deep ranking model(排序阶段)组成。YouTube的推荐系统的主要挑战有三:
咳,还是要说说这篇文章,虽然讲它的人已经很多了。毕竟作为深度学习模型大规模应用于工业界推荐系统的标志,这篇文章是绕不过去的。原文来自 Deep Neural Networks for YouTube Recommendations ,是YouTube2016年发表于Recosys的文章。
这篇文章的结构依然很经典:由deep candidate generation model(召回阶段)和deep ranking model(排序阶段)组成。
Overview
YouTube的推荐系统的主要挑战有三:
- Scale:有一些算法在小规模的问题上表现很好,但是难以应用于较大规模的问题,而YouTube拥有世界上最大规模的推荐系统之一,规模化是一个算法能够应用的首要问题。
- 新鲜性(其实我们一般称为内容冷启动):YouTube某种意义上是个短视频公司,和Netflix以及Hulu这样的公司不同,它的网站上随时都有新鲜内容产生,怎么把这些新鲜内容推荐出去是需要考虑的。
- 噪声:implicit feedback和content feature中都有大量的噪声,需要好好利用这些有噪声的数据。
YouTube的模型在Google Brain上训练,它的开源版本即为tensorflow。他们的模型有十亿量级的参数数目,并在千亿级别的数据量上训练。 系统的结构图如下:
可以看到这是一个两阶段的模型。关于other candidate resource的部分我的 上一篇文章中有。
Candidate Generation
在召回阶段,YouTube要从海量数据集中选出数百个召回结果。在使用神经网络之前,YouTube使用的是MF算法。在使用深度学习算法时,YouTube把找回阶段建模为一个分类模型,其目标是根据上下文 ,用户 ,从集合 中找到时刻 最可能被观看的视频 :
其中 代表user和context的embedding, 代表video的embedding。deep learning的任务是从用户观看的历史数据和当前上下文中学习用户的embedding ,并使用softmax选择最有可能被观看的video。模型使用implicit feedback进行训练,用户观看完视频作为正样本。
在实际进行服务时,YouTube并不追求完整的softmax过程,而是使用最近邻算法来选择最有可能的N个结果。
Model Architecture
具体来说,召回阶段的模型的结构如下:
而各层的设定为:Ranking
排序模型的结构和召回模型的结构很像,比较特殊的是它采用的目标函数是watch_minutes_per_impression的函数,而不是ctr的函数。这主要是为了避免click-bait问题。click-bait在中国的语境中应该是标题党,即刻意用标题吸引人而内容乏味的video吸引用户的注意力,导致用户点击之后很快退出。
特征工程的部分我就不在这里讲了,有兴趣的读者可以去看原文,我们主要说一下loss function的问题。 模型的目标是预测impression导致的观看时长,不管这个impression是正例还是负例。正例的原始标签为用户观看视频的时长,文章设计了一个加权逻辑回归函数来解决这个问题。本质上,他们还是以逻辑回归的方法训练模型,但是给所有负样例赋以单位权重,给所有正样例赋以一个观看时间权重。因此,
整个ranking模型的结构如下:
Model Expected Watch Time
咳,这算是本文中最难理解的一部分了,我说我自己的理解,但不一定对,欢迎批评指正:
文章采用watch_minutes_per_impression作为预测目标,但这个目标很难被直接预测,所以作者对模型做了一些修改:
- 所有正样本的权重等于观看时长
- 所有负样本的权重等于一
- 采用加权逻辑斯蒂回归来处理这个问题。加权逻辑斯蒂回归的思想可以去Weighted Logistic Regression Model一文中查阅。这是一种重采样相关的方法。
- 标准的logistic regression中,y的值为[0,1]之间的数,其表达式为 ,而它的odds表达为 。其中,正样本出现的概率为 ,负样本出现的概率为
- 在weighted logistic regression中,这个式子则被替换为: ,即正样本出现的概率和/负样本出现的概率和(其中 代表每个正样本的观看时长, 表示样本总数, 表示正样本的数量)。
- 而per impression的观看时长的期望为 ,即 。其中 即为CTR,由于 的值相对很小,最后的两个约等于才能成立。所以我们最终可以用odds来估计expected watch minutes。
- 因此在serving的时候, 即为watch_minutes_per_impression的估计值。
以上所述就是小编给大家介绍的《YouTube推荐系统(下):Deep Neural Networks for YouTube Recommendations》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 推荐系统评价:什么是好的推荐系统
- 打造工业级推荐系统(二):无处不在的推荐系统
- 打造工业级推荐系统(五):推荐系统冷启动全解析
- 打造工业级推荐系统(六):构建优质的推荐系统服务
- 打造工业级推荐系统(七):怎么评估推荐系统的效果?
- 打造工业级推荐系统(三):推荐系统的工程实现与架构优化
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。