YouTube

概述

全球最大视频平台，工业界推荐系统的引领者。从矩阵分解到深度神经推荐系统，确立了"候选生成 + 排序"的两阶段架构范式。

关键内容

1. 矩阵分解的工业采用：Koren 等人 2009 年论文中描述的矩阵分解方法被 YouTube 等大量工业推荐系统采用或作为重要的候选生成策略之一。
2. 推荐场景：YouTube 的推荐场景包括视频推荐、首页信息流、侧边栏推荐等，矩阵分解为其提供了大规模用户-视频匹配的基础能力。
3. 深度神经推荐系统：2016年，Paul Covington、Jay Adams、Emre Sargin 在 RecSys 发表 Deep Neural Networks for YouTube Recommendations，将深度神经网络引入推荐系统，提出"候选生成 + 排序"两阶段架构，将推荐建模为超大规模多分类问题。该论文确立了工业推荐系统的标准架构范式，影响了全球几乎所有大型推荐系统。
4. 规模与挑战：2016年的 YouTube 已有超过十亿活跃用户，每分钟数百小时视频上传，推荐系统面临数十亿视频语料库、毫秒级响应要求、内容多样性等前所未有的挑战。
5. 技术基础设施：使用 TensorFlow 作为大规模深度学习训练的基础设施，推动了 Embedding + 近似最近邻检索 检索生态的发展。

来源

• 04-matrix-factorization-for-recsys.md — 深度解读 Matrix Factorization Techniques for Recommender Systems
• 07-youtube-dnn.md — Deep Neural Networks for YouTube Recommendations 深度解读

相关

• 矩阵分解 — 早期采用的推荐技术
• Deep Neural Networks for YouTube Recommendations — 确立两阶段架构的里程碑论文
• 两阶段推荐架构 — YouTube 确立的推荐系统标准范式
• 双塔模型 — YouTube DNN 提出的模型原型
• Spotify — 同样采用 MF 的工业平台
• Amazon — 同样采用 MF 的工业平台
• TensorFlow — 使用的训练基础设施
• Paul Covington — YouTube DNN 论文第一作者
• Jay Adams — YouTube DNN 论文第二作者
• Emre Sargin — YouTube DNN 论文第三作者