论文：《Deep Neural Networks for YouTube Recommendations》

原文链接：https://www.sci-hub.shop/10.1145/2959100.2959190

简介：

YouTube整个推荐系统由两个神经网络组成：第一个神经网络用于生成候选（从百万量级的视频库中筛选出几百个候选视频），第二个神经网络用于排名

候选生成网络仅通过协同过滤提供广泛的个性化

广泛使用总体指标（精度、召回率、排名损失）来指导系统的迭代改进，在现场实验中，通过衡量点击率、观看时间以及许多其他衡量用户参与度的指标的细微变化。

启发与思考：

1. example age（表征意义不明，日志获取到训练开始的时间间隔？）作为的平方作为特征输入，引入了特征的非线性。
2. 在优化目标的时候，采用每次曝光预期播放时间作为label，而不采用传统的CTR或者播放率。因为预期播放时间更能够体现出用户的兴趣。在目前广告召回场景下，召回的目标最直白的是根据用户的历史信息召回在精排中排top的。
3. 视频的历史观看以及搜索记录都是相同的加权取平均embedding，抛弃了时间的信息。不以时间建模，用户体验相对较好。
4. 在提取特征时，为了避免样本不平衡现象，即活跃用户对模型的贡献远大于不活跃用户，对每个用户等量采样
5. video embedding为离线训练好的，类似于word2vec。而user embedding是根据用户的行为实时生成的
6. 在embedding匹配计算时，采用了最近邻索引，比一个个匹配速度有明显提升