論文閱讀——YouTube的視訊推薦系統

阿新 • • 發佈：2019-01-26

《The YouTube video recommendation system》是一篇詳細介紹YouTube視訊推薦的論文，在整個系統中沒有複雜的演算法，使用了一些簡單有效的策略，這也符合工業界的應用，在工業界，為了考慮演算法複雜度，資料量，可維護性等等一些因素，在工業界中，通常會選擇一些簡單有效的方法。

以下是論文的核心內容：

目標

幫助使用者找到高質量且符合使用者興趣的視訊，最終實現的是Top-N推薦。

總的思想

利用使用者的互動行為資料，推薦與互動過視訊相似的視訊。

相似視訊的挖掘

1、概念

相似視訊指的是：當給定視訊 $v_{i}$ 後，使用者更有可能觀看的視訊組成的集合 $R_{i}$

R_{i}

，公式如下所示：

R_{i} = f (v_{i})

其中：

$v_{i}$ ：種子視訊
$R_{i}$ ：與視訊 $v_{i}$ 相似的視訊的集合

2、方法

關聯規則(Association Rule)

計算與給定的種子視訊一起被觀看的概率，概率越大，相似性越高。

3、相似性的計算

計算的方法：

r (v_{i}, v_{j}) = \frac{c_{i j}}{f (v_{i}, v_{j})}

其中， $f (v_{i}, v_{j})$ 稱為正則化函式，通常可以取為： $f (v_{i}, v_{j}) = v_{i} \cdot v_{j}$ 。

計算出所有的與視訊 $v_{i}$ 相似的視訊，根據相似性的值 $r (v_{i}, v_{j})$

r (v_{i}, v_{j})

從候選集

R_{i}

中找到Top-N的相似視訊。

由 $(v_{i}, v_{j})$ 可以表示成一個有向圖，其中，權重為 $r (v_{i}, v_{j})$ ，如下所示：

這裡寫圖片描述

生成推薦的候選

1、一級

假設種子集合為 $S$ ，由上述的相似性的方法挖掘出一些候選：

C_{1} (S) = ⋃_{v_{i} \in S} R_{i}

這裡寫圖片描述

這樣的方法容易產生narrow recommendations，即推薦的視訊與種子視訊相似度極高，這對推薦來說不能滿足多樣性的要求。

2、二級

以一級產生的候選 $C_{1}$ 作為種子，產生 $C_{2}$ 。

C_{2} (S) = ⋃_{v_{i} \in C_{n - 1}} R_{i}

這裡寫圖片描述

3、多級

上述的結論推廣至多級，形成最終的推薦結果為：

C_{f i n a l} = (⋃_{i = 0}^{N} C_{i}) ∖ S

Ranking

ranking的指標主要有：

視訊質量
使用者特性

其他

評價的方法：線上A/B Test
評價的指標：CTR

參考文獻

Davidson J, Liebald B, Liu J, et al. The YouTube video recommendation system[C]//Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010: 293-296.

論文閱讀——YouTube的視訊推薦系統

《The YouTube video recommendation system》是一篇詳細介紹YouTube視訊推薦的論文，在整個系統中沒有複雜的演算法，使用了一些簡單有效的策略，這也符合工業界的應用，在工業界，為了考慮演算法複雜度，資料量，可維護性等等一些因

CVPR2016之A Key Volume Mining Deep Framework for Action Recognition論文閱讀（視訊關鍵幀選取）

該論文的主要思想是從視訊中選取關鍵的幀卷（frame volume）用來行為識別。該文章的意圖是通過對視訊中關鍵幀進行選取，減少與視訊表達內容不相關的視訊幀，實現視訊中行為識別準確率的提升。該文章主要從兩個方面進行闡述：1、如何選取關鍵幀。2、如何檢

論文淺嘗 | 打通推薦系統與知識圖譜: 第一個公開的大規模連結資料集合

本文轉載自：RUC智慧情報站，知乎專欄連結：https://zhuanlan.zhihu.com

YouTube推薦系統（下）：Deep Neural Networks for YouTube Recommendations

咳，還是要說說這篇文章，雖然講它的人已經很多了。畢竟作為深度學習模型大規模應用於工業界推薦系統的標誌，這篇文章是繞不過去的。原文來自Deep Neural Networks for YouTube Recommendations，是YouTube2016年發表於Recosys的文章。這篇文章的結構依然很經

機器學習筆記（參考吳恩達機器學習視訊筆記）15_推薦系統

15 推薦系統一個電影提供商，有5部電影和4個使用者。要求使用者為電影打分：前三部為愛情片，後兩部為動作片。Alice、Bob更傾向於愛情片，Carol、Dave更傾向於動作片。沒有一個使用者給所有的電影打過分。希望構建一個演算法來預測他們每個人可能會給他們每個人可能會給他們沒

視訊行為識別論文閱讀[4]

[9]A Key Volume Mining Deep Framework for Action Recognition[2016CVPR] 之前介紹的文章很多都是不同的融合技巧，這一篇文章是從輸入入手，提取關鍵幀進行檢測。大多數現有的深度框架同等地處理每一個視訊片段，例如，空間 -

視訊行為識別論文閱讀[3]

[3]Deep Local Video Feature for Action Recognition[CVPR2017] 這篇文章是TSN網路的一種改進，其首先使用TSN提取區域性特徵，並探索了從網路的那一層提取特徵比較合適，實驗結果表明在最後一個卷積層提取特徵具有更好的效果，作者認為有

論文閱讀9：在自適應輔導系統中保持和測量ZPD

參考論文：Toward Measuring and Maintaining the Zone of Proximal Development in Adaptive Instructional Systems 圖片出不來，請參見我的知乎連線：https://zhuanlan.zhihu.com/

[大資料專案]-0011-基於大資料技術推薦系統演算法案例實戰視訊教

2018最新最全大資料技術、專案視訊。整套視訊，非那種淘寶雜七雜八網上能免費找到拼湊的亂八七糟的幾年前的不成體系浪費咱們寶貴時間的垃圾，詳細內容如下，視訊高清不加密，需要的聯絡QQ：3164282908（加Q註明51CTO）。 [大資料專案]-0010-基於大資料技術

YoutuBe 推薦系統

這篇部落格參考了2016年Youtube發表的paper《Deep Neural Networks for YouTube Recommendations》，主要講述了Youtube如何根據使用者歷史行為觀看記錄而在線上使用的給使用者推薦視訊的系統結構，雖然論文有點老，但是裡面很多東西還是很

想了解推薦系統最新研究進展？請收好這16篇論文

2016 Youtube 推薦系統介紹

目錄概述由於工作的原因需要學習推薦系統，找到了Deep Neural Networks for YouTube Recommendations這篇文章，作者來自於Google。發現很多大公司基於深度學習的推薦系統都採用了類似框架，感覺這篇文章還是很

推薦系統論文筆記（4）：Comparison of Collaborative Filtering Algorithms:Limitations of Current Techniques .....

一、基本資訊論文題目：《Comparison of Collaborative Filtering Algorithms:Limitations of Current Techniques and Proposals for Scalable,High-Performance Recommen

推薦系統論文筆記（2）：Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art ....

一、基本資訊論文題目：《Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Extensions》發表時間：July 2005,IEEE Tran

推薦系統論文筆記（1）:Hybrid Recommender Systems:Survey and Experiments

一、基本資訊論文題目：《Hybrid Recommender Systems:Survey and Experiments》論文發表時間： 2002, 論文作者及單位：Robin Burke(California State University) 我的評分：5顆星

《基於深度學習的推薦系統研究綜述》_黃立威——閱讀筆記

一、常用的深度學習模型和方法介紹 1.自編碼器自編碼器通過一個編碼和一個解碼過程來重構輸入資料，學習資料的隱表示。基本的自編碼器可視為一個三層的神經網路結構.下圖是自編碼器結構示意圖：自編碼器的目的是使得輸入 x 與輸出 y 儘可能接近，這種接近程度通過重構誤差表示，根據資料的

YouTube 深度學習推薦系統的十大工程問題

這篇文章主要介紹了 YouTube 深度學習系統論文中的十個工程問題，為了方便進行問題定位，我們還是簡單介紹一下背景知識，簡單回顧一下 Deep Neural Networks for YouTube Recommendations中介紹的 YouTube 深度學習推薦系統的框架。（更詳細的資訊，請參見重讀

推薦系統論文筆記（7）：A survey of collaborative filtering based social recommender systems

一、基本資訊論文題目：《A survey of collaborative filtering based social recommender systems》發表時間：2014,Computer Communications 論文作者及單位：Yang, X.(Polytechni

論文閱讀——YouTube的視訊推薦系統

目標

總的思想

相似視訊的挖掘

1、概念

2、方法

3、相似性的計算

生成推薦的候選

1、一級

2、二級

3、多級

Ranking

其他

參考文獻

論文閱讀——YouTube的視訊推薦系統

CVPR2016之A Key Volume Mining Deep Framework for Action Recognition論文閱讀（視訊關鍵幀選取）

論文淺嘗 | 打通推薦系統與知識圖譜: 第一個公開的大規模連結資料集合

推薦中的多工學習-YouTube視訊推薦

推薦系統論文閱讀——Factorizing Personalized Markov Chains for Next-Basket Recommendation

YouTube推薦系統（下）：Deep Neural Networks for YouTube Recommendations

機器學習筆記（參考吳恩達機器學習視訊筆記）15_推薦系統

視訊行為識別論文閱讀[4]

視訊行為識別論文閱讀[3]

論文閱讀9：在自適應輔導系統中保持和測量ZPD

[大資料專案]-0011-基於大資料技術推薦系統演算法案例實戰視訊教

YoutuBe 推薦系統

想了解推薦系統最新研究進展？請收好這16篇論文

2016 Youtube 推薦系統介紹

推薦系統論文筆記（4）：Comparison of Collaborative Filtering Algorithms:Limitations of Current Techniques .....

推薦系統論文筆記（2）：Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art ....

推薦系統論文筆記（1）:Hybrid Recommender Systems:Survey and Experiments

《基於深度學習的推薦系統研究綜述》_黃立威——閱讀筆記

YouTube 深度學習推薦系統的十大工程問題

推薦系統論文筆記（7）：A survey of collaborative filtering based social recommender systems

論文閱讀——YouTube的視訊推薦系統

目標

總的思想

相似視訊的挖掘

1、概念

2、方法

3、相似性的計算

生成推薦的候選

1、一級

2、二級

3、多級

Ranking

其他

參考文獻

相關推薦