论文内容总结
1. Introduction
视频推荐的难点：
- 规模：用户/视频量大，计算量大
- 新鲜度：新视频多，EE问题
- 噪音：缺乏用户的实际反馈（评价/评分），只有隐式反馈（点击/停留）；视频信息不完善（简介/标题/分类）
2. System Overview
分召回（candidate generation）和排序（ranking）两阶段
- 召回：为每个人从百万以上商品中选择比较好的几百个。作为协同过滤的拓展，使用视频ID，搜索词和用户画像特征
- 排序：为了对这几百个商品排序，对每一个商品评分
3. Candidate Generation
可以看作是矩阵分解的非线性拓展
3.1 推荐定义为分类问题
每个用户u，每个视频v都用向量表示，u*v内积表示用户对该视频的喜好程度。每个用户对N个视频做softmax得到喜欢每一个视频的概率。
负样本太多，需要做负采样。为什么不用 hierarchical softmax？
线上应用时对百万个item取topN计算量太大，所以改为最近邻搜索ANN
3.2 模型架构
采用word2vec思想，将每一个one-hot的视频ID压缩到低维空间，再对视频序列取平均（也可以是求和，逐元素最大值等）。视频向量和模型的其他参数一起学习
3.3 其他特征Heterogeneous Signals
神经网络比矩阵分解优势在很容易把特征当作输入（矩阵分解只能用ID）。搜索词做unigram，bigram处理。用户画像特征对新用户也有效。地理位置和设备信息也做embedding处理。简单特征（性别，登陆状态，年龄）直接归一化
Example Age
描述视频的新鲜程度,训练时作为特征，线上预测时置0或者一个很小的负数
3.4 Label and Context Selection
训练样本从youtube全站来，不仅仅采用推荐产出的，避免新商品难以被推荐出来。用户在非推荐场景点击了视频，也可以通过协同过滤（神经网络版）拓展出去。
每个用户采样相同数量的样本，避免活跃用户占比大影响整体效果。
刚刚搜索过“taylor swift”，接下来在推荐页面展示同样的搜索页面，体验不好。解决方案：放弃序列特征，将搜索词当作无序词袋处理。
co-watch现象：系列剧/节目按顺序看，某一个作曲家的曲子从热门曲开始之后过渡到小众曲。不用随机held-out的方法，按时间顺序，过去历史预测下一个
3.5 Experiements with Features and Depths
全部语料：100万视频，100万搜索词。每个用户：50个视频，50个搜索词。
网络深度/宽度增加到没有收益，不收敛为止。最多2048->1024->512->256
4. Ranking
经过召回阶段减小了候选集合，排序阶段就可以使用更多特征（计算量考虑）了。也可以融合不同的召回集合。优化目标是播放时长，不按点击率排序的原因是为了排除“标题党”内容。
4.1 特征表达
特征工程
找用户和相关/类似商品的交互信息（同一个channel下看了哪些其他视频，上一次看这个channel是什么时间）对预测评分很重要
加入历史特征有助于避免“重复”现象，连续请求返回同样的结果，体验不好
离散特征Embedding
高维稀疏的ID类特征（视频ID，搜索词）Embedding到低维稠密的向量中，按照出现频次去掉低频长尾部分。词典外的内容用0向量表示，多值特征取平均值。
在不同特征中的同一个对象共享同一个Embedding（被曝光的视频ID，上一次播放的视频，触发召回的种子视频ID），作为不同的特征输入，后续可以学到不同的表达。增加泛化性，加快训练，减少内存占用
连续特征规范化
神经网络（和树模型比）对数据量级、分布敏感，规范化有助于收敛。把特征scaling到[0,1)的均匀分布
积分是按分位数做差值的近似。
增加平方开方值作为网络输入。
4.2 建模预期观看时间
不仅仅预测是否观看视频（0/1），还要预测观看时长，使用weighted LR方法。不用常规的sigmoid输出，改用e^(Wx+b)
4.3隐藏层实验
评估：对预估观看时间与实际观看时间的差距加权平均
网络加到1024->512->256基本收敛
5. 总结
把推荐问题分成召回和推荐两步。
深度CF模型，通过连续观看视频的先后信息，避免引入未来信息，解决场景切换问题（surrogate problem）。刚刚搜过的内容出现在首页的问题。
引入时间特征平衡新老内容。
排序模型中的特征处理：离散特征embedding，连续特征规范化。
weighted LR建模预期播放时长，比预估ctr效果好很多。
