Youtube推荐系统是如何挖掘用户内心另一面的

 

如何评价一个基于内容的推荐系统的好坏呢？我觉得是在于推荐系统能否逐渐挖掘用户的内心深处，让用户找到自己都觉得美妙的内心另一面。Youtube在这点做得很好，特别是当我打开了18禁开关的那一刻，本来纯洁的我也被推荐系统......

01 概述

Youtube是本人用过最好的基于内容的推荐系统，今日头条在我心里排第二。今年Youtube在推荐系统大会上RecSys2019上发布了新论文，架构图如下：

从这张架构图得到了三方面的思考，分别是：

1. 如何看待位置这个因素在推荐系统中的作用

2. 对于多目标问题这个难题，Youtube是如何看待的

3. 一些对于特征和模型的独到理解

 

下面分别介绍下以上3点给我带来的启发。

 

02 “位置”这个因素需要区别对待

通常，人们会下意识的去点击推荐列表中的排位靠前位置的内容，这也是为什么广告推荐中要把点击概率最高可能性的内容放到靠前的位置。但是在传统的推荐模型中，位置信息只是作为一个特征来处理，即使这个特征被增加权重，也只是一个特征。

但是Youtube对于位置这个因素有自己独特的处理方式，见下图的红框内容：

Youtube会把位置特征单独提取出来作为shallow tower，这部分特征单独训练模型，最终做Rank的时候要考虑常规的排序模型结果和位置模型结果两个模型的影响。这个观点还是非常酷的，值得尝试。

03 多目标问题

对于多目标问题，之前我有写过文章介绍（详见：https://mp.weixin.qq.com/s?__biz=MzA4MDI0NDQyOQ==&mid=2447500702&idx=1&sn=d5996a7bf2ea22f318c1ff9fe853e47d&chksm=8bb27e3cbcc5f72ac793864f5ff03ed466e960157e82eca7d3239ac74106f1cd5f3b31195e7f&token=1295052248&lang=zh_CN#rd）。

Youtube处理这个问题的时候采用的方式是将多个目标用多个模型来处理：

这里面论文提到了MMoE模型，这个模型我还没有学习，等日后看完论文再分享。

 

04 一些独到的理解

 

好的论文对于读者来讲就是一种艺术品，在Youtube这篇论文中，它的很多观点对我来说是醍醐灌顶式的启发。之前在介绍DeepFM的时候我也讲过，目前很流行的模型是浅层模型和深度学习模型结合的方式，但是浅层模型和深层模型彼此的特点和作用有什么区别呢？

Youtube论文给了一个解释，浅层模型当特征很大的时候，提供的是强大的模型记忆点，帮助模型快速的理解问题。而深度模型提供的是在基础理解之上的一种泛华能力。两者结合，就是推荐模型的集大成者。

 

另外在用户行为划分方面，Youtube将用户的behavior数据分成了两中，分别是engagement behavior和satisfaction behavior

 

其中点击、查看这种行为，对于用户来讲只表示参与，并没有体现出用户真实的态度，这部分行为叫engagement。而点赞或者踩，表明了用户真实的态度，这部分叫Satisfaction behavior。

 

写到最后：收获满满的一篇论文，刚好最近在东南亚出差，可以多用用Youtube，多体验下。