推薦系統一——深入理解YouTube推薦系統演算法 | youtube推薦系統
寫在前面魚遇雨欲語與餘:天池-安泰杯跨境電商智慧演算法大賽分享(冠軍)[1]去年天池-安泰杯跨境電商智慧演算法大賽是我初次接觸推薦相關的比賽,通過比賽讓我對推薦系統有了較為淺顯的認識,賽後也是打算系統的學習這方面的內容,此後我也會將【推薦系統】作為一個系列板塊進行更新,主打經典推薦演算法的原理,相信每一篇都值得反覆研究。作為【推薦系統系列文章】的第一講,我們將以YouTube在2016年發表的論文《DeepNeuralNetworksforYouTubeRecommendations》為背景進行YouTube的深度神經網路推薦模型的介紹。在此這之前YouTube...
寫在前面魚遇雨欲語與餘:天池-安泰杯跨境電商智慧演算法大賽分享(冠軍)[1]去年天池-安泰杯跨境電商智慧演算法大賽是我初次接觸推薦相關的比賽,通過比賽讓我對推薦系統有了較為淺顯的認識,賽後也是打算系統的學習這方面的內容,此後我也會將【推薦系統】作為一個系列板塊進行更新,主打經典推薦演算法的原理,相信每一篇都值得反覆研究。
作為【推薦系統系列文章】的第一講,我們將以YouTube在2016年發表的論文《Deep Neural Networks for YouTube Recommendations》為背景進行YouTube的深度神經網路推薦模型的介紹。在此這之前YouTube還有三篇介紹YouTube視訊推薦的論文,如果將這四篇串在一起,也就組成了YouTube推薦系統不斷髮展改進的一個縮影。
2008年:論文《Video Suggestion and Discovery for YouTube》是由Shumeet Baluja,Shumeet Baluja等人在2008年發表在 the International World Wide Web Conference Committee (IW3C2)上。文章花了大量篇幅講了吸附演算法(ADSORPTION),該演算法的目的就是為了解決視訊標籤的擴散。所以就大膽推測當時YouTube推薦系統應該就是根據使用者曾經看過的視訊給使用者推薦同類視訊,也就是擁有相同標籤的視訊。
2010年:論文《The YouTube Video Recommendation System》是由Davidson J, Liebald B, Liu J等人在2010年發表在第四屆ACM RecSys上。當時YouTube推薦系統的核心演算法就是基於Item-CF的協同過濾演算法,換句話說就是對於一個使用者當前場景下和歷史興趣中喜歡的視訊,找出它們相關的視訊,並從這些視訊中過濾掉已經看過的,剩下就是可以使用者極有可能喜歡看的視訊。這裡的視訊相關性是用共同點選個數來描述的。
2013年:論文《Label Partitioning For Sublinear Ranking》是由Jason Weston,Jason Weston等人在2013年發表在第三十屆國際機器...