Youtube 召回算法

Youtube 在 《Deep Neural Networks for YouTube Recommendations》一文中介绍的基于 DNN 的召回算法，非常经典，开 DNN 在召回中应用的先河。

Near

u2i 召回的典型思路：user 与其观看过的视频，在向量空间中是相近的

Far

论文只提到了随机负采样

Embedding

user embedding:

• 用户看过视频的 embedding，pooling 成一个向量

• 用户搜索的关键词的 embedding，pooling 成一个向量

• 以上两个向量，加上一些用户基本属性，拼接成一个大向量，经过多层全连接层（FC）进行交叉，最后一层 FC 的输出就是 user embedding

item embedding:

• 模型最后会转变成多分类问题，item embedding 就是最后一层相应位置的模型参数，即最后一步计算的是 user embedding 和 item embedding 的点积

• 论文中输入时的视频 embedding，是预先训练好的，和此处的 item embedding 并不一致

Loss

使用 sampled softmax loss