這里是王喆的機器學習筆記，每隔一到兩周我會站在算法工程師的角度講解一些計算廣告、推薦系統(tǒng)相關的文章。選擇文章必須滿足一下三個條件：

一是工程導向的；

二是阿里、Facebook、Google 等一線互聯(lián)網(wǎng)公司出品的；

三是前沿或者經(jīng)典的。

這周我們一起討論一下 *** 的深度推薦系統(tǒng)論文《Deep Neural Networks for YouTube Recommendations》，這是 2016 年的論文，按照今天的標準來看，已經(jīng)沒有什么新穎的地方，我也是兩年前讀過這篇文章之后就放下了，但前幾天重讀這篇文章，竟讓發(fā)現(xiàn)了諸多亮點，幾乎處處是套路，處處是經(jīng)驗，不由驚為神文。這篇神文給我留下的深刻印象有兩點：

這毫無疑問是工業(yè)界論文的典范，是我非常推崇的工程導向的，算法工程師必讀的文章；

我以為毫不起眼的地方，也藏著 *** 工程師寶貴的工程經(jīng)驗，相比上周介紹的阿里的深度興趣網(wǎng)絡 DIN，最重要的價值就在于 Attention 機制，這篇文章你應該精確到句子來體會，這是我驚為神文的原因。

廢話不多說，下面就跟大家分享一下兩次拜讀這篇論文的不同體驗和收獲。

第一遍讀這篇論文的時候，我想所有人都是沖著算法的架構去的，在深度學習推薦系統(tǒng)已經(jīng)成為各大公司“基本操作”的今天，*** 在算法架構上并無驚奇之處，我們來快速介紹一下文章中的深度學習推薦系統(tǒng)的算法架構。

*** 的用戶推薦場景自不必多說，作為全球最大的 UGC 的視頻網(wǎng)站，需要在百萬量級的視頻規(guī)模下進行個性化推薦。由于候選視頻集合過大，考慮 online 系統(tǒng)延遲問題，不宜用復雜網(wǎng)絡直接進行推薦，所以 *** 采取了兩層深度網(wǎng)絡完成整個推薦過程：

第一層是Candidate Generation Model完成候選視頻的快速篩選，這一步候選視頻集合由百萬降低到了百的量級。

第二層是用Ranking Model完成幾百個候選視頻的精排。

首先介紹 candidate generation 模型的架構。

*** Candidate Generation Model

我們自底而上看這個網(wǎng)絡，最底層的輸入是用戶觀看過的 video 的 embedding 向量，以及搜索詞的 embedding 向量。至于這個 embedding 向量是怎么生成的，作者的原話是這樣的：

Inspired by continuous bag of words language models, we learn high dimensional embeddings for each video in a xed vocabulary and feed these embeddings into a feedforward neural network

所以作者是先用 word2vec 方法對 video 和 search token 做了 embedding 之后再作為輸入的，這也是做 embedding 的“基本操作”，不用過多介紹；當然，除此之外另一種大家應該也比較熟悉，就是通過加一個 embedding 層跟上面的 DNN 一起訓練，兩種方法孰優(yōu)孰劣，有什么適用場合，大家可以討論一下。

特征向量里面還包括了用戶的地理位置的 embedding，年齡，性別等。然后把所有這些特征 concatenate 起來，喂給上層的 ReLU 神經(jīng)網(wǎng)絡。

三層神經(jīng)網(wǎng)絡過后，我們看到了 softmax 函數(shù)。這里 *** 的同學們把這個問題看作為用戶推薦 next watch 的問題，所以輸出應該是一個在所有 candidate video 上的概率分布，自然是一個多分類問題。

好了，這一套深度學習的“基本操作”下來，就構成了 *** 的 candidate generation 網(wǎng)絡，看似平淡無奇，其實還是隱藏著一些問題的，比如：

架構圖的左上角，為什么在 online serving 的時候不直接用這套網(wǎng)絡進行預測而要使用 nearest neighbor search 的方法？

多分類問題中，*** 的 candidate video 有百萬之巨，意味著有幾百萬個分類，這必然會影響訓練效果和速度，如何改進？

這些問題在讀第一遍的時候我也沒有深想深看，但卻是工程實現(xiàn)中必然會遇到的問題，我們隨后再深入介紹論文中的解決方法。

既然得到了幾百個候選集合，下一步就是利用 ranking 模型進行精排序，下面是 ranking 深度學習網(wǎng)絡的架構圖。

*** Ranking Model

乍一看上面的 ranking model 似乎與 candidate generation 模型沒有什么區(qū)別，模型架構還是深度學習的“基本操作”，唯一的區(qū)別就是特征工程，那么我們就講講特征工程。

事實上原文也明確說明了，引入另一套 DNN 作為 ranking model 的目的就是引入更多描述視頻、用戶以及二者之間關系的特征，達到對候選視頻集合準確排序的目的。

During ranking, we have access to many more features describing the video and the user's relationship to the video because only a few hundred videos are being scored rather than the millions scored in candidate generation.

具體一點，從左至右的特征依次是：

impression video ID embedding:當前要計算的 video 的 embedding

watched video IDs average embedding:用戶觀看過的最后 N 個視頻 embedding 的 average pooling

language embedding:用戶語言的 embedding 和當前視頻語言的 embedding

time since last watch:自上次觀看同 channel 視頻的時間

#previous impressions:該視頻已經(jīng)被曝光給該用戶的次數(shù)

上面五個特征中，我想重點談談第 4 個和第 5 個。因為這兩個很好的引入了對用戶行為的觀察。

第 4 個特征背后的思想是：

We observe that the most important signals are those that describe a user's previous interaction with the item itself and other similar items.

有一些引入 attention 的意思，這里是用了 time since last watch 這個特征來反映用戶看同類視頻的間隔時間。從用戶的角度想一想，假如我們剛看過“DOTA 經(jīng)典回顧”這個 channel 的視頻，我們很大概率是會繼續(xù)看這個 channel 的視頻的，那么該特征就很好的捕捉到了這一用戶行為。

第 5 個特征#previous impressions則一定程度上引入了 exploration 的思想，避免同一個視頻持續(xù)對同一用戶進行無效曝光，盡量增加用戶沒看過的新視頻的曝光可能性。

至此，我的第一遍論文閱讀就結束了，對 *** 的算法框架有了概念，但總覺得不過如此，沒什么太多新穎的地方。

但如果真這么想，還是太 naive 了，與上一篇阿里的深度興趣網(wǎng)絡 DIN 不同的是，你讀懂了 DIN 的 attention 機制，你就抓住了其論文 70% 的價值，但這篇文章，如果你只讀懂了 *** 的推薦系統(tǒng)架構，你只抓住了 30% 的價值。那么剩下的 70% 的價值在哪里呢？

在重讀這篇文章的時候，我從一個工程師的角度，始終繃著“如何實現(xiàn)”這根弦，發(fā)現(xiàn)這篇論文的工程價值之前被我大大忽略了。下面我列出十個文中解決的非常有價值的問題：

文中把推薦問題轉(zhuǎn)換成多分類問題，在 next watch 的場景下，每一個備選 video 都會是一個分類，因此總共的分類有數(shù)百萬之巨，這在使用 softmax 訓練時無疑是低效的，這個問題 *** 是如何解決的？

在 candidate generation model 的 serving 過程中，*** 為什么不直接采用訓練時的model進行預測，而是采用了一種最近鄰搜索的方法？

*** 的用戶對新視頻有偏好，那么在模型構建的過程中如何引入這個 feature？

在對訓練集的預處理過程中，*** 沒有采用原始的用戶日志，而是對每個用戶提取等數(shù)量的訓練樣本，這是為什么？

*** 為什么不采取類似 RNN 的 Sequence model，而是完全摒棄了用戶觀看歷史的時序特征，把用戶最近的瀏覽歷史等同看待，這不會損失有效信息嗎？

在處理測試集的時候，*** 為什么不采用經(jīng)典的隨機留一法（random holdout），而是一定要把用戶最近的一次觀看行為作為測試集？

在確定優(yōu)化目標的時候，*** 為什么不采用經(jīng)典的 CTR，或者播放率（Play Rate），而是采用了每次曝光預期播放時間（expected watch time per impression）作為優(yōu)化目標？

在進行 video embedding 的時候，為什么要直接把大量長尾的 video 直接用 0 向量代替？

針對某些特征，比如 #previous impressions，為什么要進行開方和平方處理后，當作三個特征輸入模型？

為什么 ranking model 不采用經(jīng)典的 logistic regression 當作輸出層，而是采用了 weighted logistic regression？

因為我也是在視頻推薦領域工作，所以可以很負責任的說以上的十個問題都是非常有價值的。