YouTubeDNN概念

• YouTubeDNN是YouTube用于做视频推荐的落地模型，其大体思路就是召回阶段使用多个简单的模型来进行筛选，这样可以大量地筛除相关度较低的内容，而排序阶段则是使用相对复杂的模型来获得精准的推荐结果。YouTubeDNN模型主要分为两个阶段：召回阶段和排序阶段。
• YouTubeDNN模型的召回主要是完成候选视频的快速筛选（在论文中被称为 Candidate Generation Model），也就是候选集的生成模型。在这一部分中，模型要做的就是将整个YouTube数据库中的视频数量由百万级别降到数百级别。
• 为什么要使用YouTubeDNN模型？
  • 答：传统的协同过滤算法处理百万级数据量，很明显是不够的，因为CF算法的本质就是计算两两内容之间的关系矩阵，然后将结果保存在内存当中，当然随着数据量的增大，就会很容易地出现OOM的现象。假设有个无限大的内存的分布式计算系统（Spark等），对于百万级矩阵计算处理时所耗费的时间，也不是我们想看到的结果。而YouTubeDNN则利用了Embedding向量加上对负样本的特殊采样处理，巧妙地解决了这一问题。

YouTubeDNN模型架构图

• YouTube推荐系统架构图
  
  • 从论文的解释中我们可以得知这个架构就像是一个沙漏（funnel）一样，从最初的百万级→数百级→十级别。

YouTubeDNN召回阶段

• YouTubeDNN召回模型架构图
  

YouTubeDNN层级介绍

• 我们可以把召回模型的结构分为三层。

  • 输入层：输入层总共有四种特征。

    • 用户看过视频的 Embedding（embedded video watches）
    • 用户搜索的关键词的 Embedding 向量（embedded search tokens）
    • 用户所在的地理位置的特征（geographic embedding）适用于冷启动
    • 用户基本特征（example age, gender）
    • 在处理观看的视频序列和搜索词时需要格外注意，每一个人所观看的内容的数量、长度一定不同、所搜索的关键词也一定不同，所产生出来的Embedding也会千差万别，所以就需要用多值特征和平均池化进行处理。由于每个人的序列长度不同，我们在进行训练时就需要将多值特征中的每一个视频ID经过Embedding Lookup（通过矩阵相乘类似于一个全连接层）操作后，得到其对应的Embedding向量，然后再经过平均池化处理，最后得到这个多值特征所对应的Embedding特征。
    • 最后将处理完的特征拼接成一个大的Embedding输入给模型。

  • 三层神经网络（训练层）：这一层也就是模型训练层，这里采用了三层ReLU结构，实际上在YouTubeDNN中，这三层ReLU的作用就是接收输入层特征的CONCAT，然后使用常见的塔形设计，对自底向上的每一层神经元数目作减半处理，直到得到的输出维度与Softmax所要求的输入维度相同（256维）。也就是1024→512→256。

  • Softmax层（输出层）：在经过三层ReLU之后，召回层使用Softmax作为输出层。我们知道，传入Softmax层的参数是用户的Embedding向量，而这里的用户的 Embedding并不是在输入层里面的用户Embedding，而是经过实时计算得到的，也就是最后一层ReLU的输出。

    • Softmax层最终的输出并不是点击率的预估，而是预测用户最终会点击哪个视频。首先看右侧的Softmax部分，这一部分实际上是把上一步ReLU输出的user u接到了Softmax 层，得到其概率分布。
    • YouTubeDNN把每一个视频当做一个类别，这里的Softmax可以理解为每一个视频进行了一个概率上的打分。从论文的角度来说，就是将user u和video v进行内积（这个内积实际上就是求其相似度然后再进行 Softmax），这样就可以得到用户观看每个视频的概率，也就是上面这张图中所展示的class probabilities。Softmax右侧部分也就是一个离线的Training（主要是加快线上预测效率）当得到右侧最终的用户向量之后，为了与离线的训练保持一致，需要对每个video进行内积计算，然后得到概率Top N个结果作为输出。
    • Softmax最左边是一个nearest neighbor index，这个部分就是核心所在。这里YouTubeDNN采用最临近搜索的方法去完成topN的推荐，通过召回模型得到user u和video v做内积，然后再用最临近搜索来得到最后的 topN，这样的效率实际上是最高的。
    • Softmax层概率公式：基于用户U与上下文C，在t时刻，将视频库V中指定的视频wt划分为第i类的概率
      

YouTubeDNN排序阶段

• YouTubeDNN排序模型架构图
  
• YouTubeDNN排序阶段模型图与召回层模型相似，排序模型面对的只是来自检索的数百候选视频，所以可以使用更多精细的特征，重点是精准预测。论文中已特征工程的角度对各个视视频特征进行了embedding处理，然后再进行ReLU层，最终通过加权LR进行Training，在线上Serving部分使用了e^(wx+b)进行预测。
• 论文中将特征分成了两类一类是impression一类是query。
  • video embedding包含impression video ID（展示视频）、watched video ID（用户已观看视频后续还需要进行avg-pooling处理）。
  • language embedding包含：user language（用户语言）和video language（视频语言）。
  • time since last watch（自上次观看同channel视频的时间）进行归一化处理，刚看过这个channel的视频，还会继续曝光该channel的其他视频
  • previous impressions（该视频已经被曝光给该用户的次数）进行归一化处理，主要是防止无效曝光。
• 这里就简单介绍一下排序模型的架构，因为排序模型更改迭代速度实在是太快了。本章主要是还是从召回模型做思考。

YoutubeDNN模型中的一些Trick

负采样问题

• YouTubeDNN采用了负采样，训练样本来自全部观看记录，观看记录包括用户被推荐的内容，再加上用户自己搜索或者在其他地方点击的内容，这样做的好处是可以使新的视频也能够有比较好的曝光。
• 把用户看完的内容作为正样本，再从视频库里随机选取一些样本作为负样本。没有曝光过的内容理论上有可能被点击过，但是这里把它们全都变成了负样本，这样就有了一定的随机性。
• 在采样时，训练数据中对每个用户选取相同的样本数。这样做的目的是保证用户在损失函数的权重是相等的，这样可以尽可能地减少高度活跃的用户对整个推荐结果的Loss的影响。
• 为什么加入负采样的目的是提高训练的速度？
  • 对于每一个样本来说，所有视频来说都有可能是正样本，YouTubeDNN Softmax实际上对每个视频都计算出一个概率，如果不做负采样，则会形成一个数以万计的分类，显然增加了训练难度，所以作者这里正常提取正样本，把负样本从视频库中根据重要性进行抽样，这样可以缓解训练压力，提升整体效率。

特征构造

• 对于一些简单的特征（用户性别、年龄）没有经过特殊的处理，直接输入，然后做一层归一化后，把最终的结果压缩到[0, 1]范围内。

• 对于用户观看的视频（video）在模型中并没有取视频的特征，只是简单将视频ID 作为特征传入进来，然后利用DNN来自动学习商品的Embedding特征。

• 因为用户更偏向于喜欢观看最新的视频，而随着时间的增长喜爱程度会下降，为了修复此问题，引入了召回模型中的example age特征。
  

• 历史信息是一个边长的视频ID序列，根据ID序列和Embedding视频矩阵来获取用户历史观看的Embedding向量序列，通过weighted、avg、attention等方法，将这个 Embedding序列映射成一个定长的Watch Vector，作为输入层的一部分。

上下文选择

• 在上下文和标签的选择中，主要利用了序列的方法。用户每次进入YouTube一直到退出都有一定的序列，而这个序列一开始会选择范围比较广的视频进行浏览，然后再慢慢地专注到一个比较小的范围内。类似于冷启动里的EE问题，先探索再开采。这种浏览行为实际上就是一种不对称的浏览行为。因此，作者从观看序列中随机抽取一个视频作为Label，这样就忽略了这种不对称性所产生的影响，如下图所示：
  
• 上图是一个对比实验，很多算法都是采用左边的方法，利用全局观看的信息作为输入，这样就忽略了观看序列的不对称性。而YouTubeDNN则是使用右边的方法，就是把历史信息当做输入，用历史来预测未来。这样做的优点就是模型的测试集往往也是用户最近一次的观看行为，后面可以把用户最后一次的点击放到测试集中，防止信息穿越的问题，在线上AB测试方面表现更佳。

总结

• 这些内容对于初学推荐系统的小伙伴还是比较有帮助的，具体一些细节还是得在论文中查看，这里老规矩放上论文链接，关于代码方面，会在后面更新。