Recommender Systems

880

Stories

660

Writers

[論文探討][Deep Neural Networks for YouTube Recommendations] 從YouTube看企業級推薦系統演算法設計 — (1/3)

Medium 首發就獻給Deep Neural Networks for YouTube Recommendations 這篇論文啦!在讀這篇之前,小弟對於企業級大規模推薦系統的想像,都還以為只要靠一個Matrix Factorization 或者 Neural Network的算法就可以解決,但讀了這篇之後,實在讓我對Google的YouTube團隊感到相當佩服,顛覆我對於企業級推薦系統的認知,得到超多的啟發。雖然說這篇是在2016年發表的,以Machine Learning每年飛速更迭的角度來看或許有一點點久,但其實這樣的架構在現今業界作法中還是很常見,非常推薦大家研讀一下,況且整篇論文只有八頁(不加references剩七頁XD),花一點時間獲取經典推薦算法不是很讚嗎XD 現在就讓我們來看看這個每日影片瀏覽量超過26億的全球最大影音分享平台,是如何規劃他們的推薦系統! 不囉唆直接上圖,YouTube 團隊將推薦系統視為一個two-stage information retrieval的任務,第一階段candidate generation負責粗篩出候選集,第二階段ranking則從候選集中,預測使用者對各候選影片的愛好程度,細排出要推薦給使用者的topN 影片。這兩階段則分別都有一個neural network來負責所對應到的任務,candidate generation比較特別,YouTube團隊將它視為一個多分類的任務,負責預測使用者下一個會看的影片,ranking 則是負責預測點擊率的任務,大家在接觸推薦系統時所學的各種演算法,多半可以用在此階段任務上,像是常聽到的Matrix Factorization, Google的Wide&Deep, Huawei的DeepFM……等。

[論文探討][Deep Neural Networks for YouTube Recommendations] 從YouTube看企業級推薦系統演算法設計 — (1/3)
[論文探討][Deep Neural Networks for YouTube Recommendations] 從YouTube看企業級推薦系統演算法設計 — (1/3)