YouTube推荐系统架构

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/jxq0816/article/details/102638300

以YouTube（世界上最大的视频网站）为例，2016年其已经将深度学习应用于自己的系统中，并获得了显著的效果。其系统架构如下：

YouTube的推荐架构，包含了两个神经网络，分别用于产出候选集（召回）和排序。召回层的神经网络将用户在YouTube上的历史行为作为输入内容，完成从百万量级到百量级的候选内容筛选。但其并非唯一的召回方式，YouTube历史上应用有效的其他召回方式也同时在线上运行，如基于用户观看历史相似性、基于搜索行为、基于协同行为等方式。多种召回方式共同构建的视频候选集会被一并送进排序环节。在排序环节中，神经网络基于用户个体的特征和视频的特征对候选集进行打分，最后给用户返回得分靠前的十余个视频。