你真的读懂了Youtube DNN推荐论文吗？

type

status

date

slug

summary

整体架构

整体架构是标准的先检索后精排：

候选生成（检索）

把推荐看成一个分类问题。时刻用户在背景下对每个视频的观看可能建模为：

这么定义显然变成类别很多（视频数量）的分类问题，分母计算量很大，直接优化肯定不行。作者使用了负采样（Negative Sampling）方法，所有类别太多，只从中选择一些作为负类（相当于对上式中的分母做了个近似）。负类基于样本分布抽取而来 ^{[10]}，每个正样本会对应抽取几千个负样本。负采样是针对类别数很多情况下的常用方法。

DNN的任务是学习用户表示向量，把它视为用户历史和背景的函数。视频的表示向量本身就是模型训练参数。表示向量都是 256维。模型首先把用户的各种历史和背景信息抽取为向量，然后把这些向量拼接起来送进一个多层DNN，DNN的宽度逐层减半。DNN的输出就作为此用户的向量。

所以模型的关键是输入的各种信号，即用户的历史和背景信息。

模型训练后即可得到每个视频的表示向量，以及每个用户的表示向量（利用特征可提前计算好，特征不依赖于特定item），只要拿这个用户向量去检索最相似的 N 个视频即可，可以直接用常见的向量检索库，如Faiss等。

<ins/>

训练数据的选取

训练样本来自于用户在youtube各个展位的日志，不仅限于推荐展位。训练数据来源于用户的隐式数据（虽然有显式数据，但规模小好几个量级）训练模型，用户看完了的视频作为正样本。负样本是通过负采样选取的，所以训练数据中可以不包括负样本。

作者的一个经验是训练数据中对于每个用户选取相同的样本数，保证用户等权重。这样可以改进线上A/B测试的效果。

作者的另一个经验是要避免让模型知道不该知道的信息。一个例子是如果模型知道用户最后的行为是搜索了 “Taylor Swift”，那模型可能会倾向于推荐搜索页面搜 “Taylor Swift” 时搜出的视频，这不是推荐模型的期望行为。作者的解决方法是扔掉时序信息，使用无序的搜索tokens来表示搜索queries（直接平均）。

📌

基于这个例子就把时序信息扔掉理由挺勉强的，解决这种特殊场景的信息泄露会有更针对性的方法，比如把搜索query与搜索结果行为绑定让它们不可分。Google后面是有时序建模相关的工作的（Latent Cross: Making Use of Context in Recurrent Recommender Systems）。

另一个模型不该知道的信息是未来的用户行为。下图中的 w_{t_N} 表示当前样本。原来的做法是它前后的用户行为都可以用来产生特征作为模型输入（下图左）。作者的做法是只使用更早时间的用户行为来产生特征（下图右）。作者的做法目前已经是通用做法了。

模型输入特征

DNN的好处是可以把各种离散和连续的特征都输入进去。论文中提到检索模型中使用到的特征：

用户的观看历史：使用用户最近的 50 次观看历史。视频数量为 1 Million。观看历史中的视频向量（256维）被直接平均后输入到模型中。

用户的搜索历史：使用用户最近的 50 次搜索历史。每个query被分解为unigram和bigram，然后所有这些token对应的向量（256维）被直接平均后输入到模型中。token数量为 1 Million。

用户的人口统计特征：对新用户的推荐会比较有帮助。

用户的地理位置和设备特征

简单的二元和连续特征，如用户的性别、登录状态和年龄，归一化到 [0, 1] 区间的实数值后直接输入网络。

特征 “Example Age”

视频有明显的生命周期，例如刚上传时比之后更受欢迎，所以视频流行度随着时间的分布是高度非稳态的（下图中的绿色曲线）。因为模型是基于历史数据训练获得的，所以它对每个视频的预测会倾向于拟合此视频在训练数据中的平均观看情况（下图中的蓝色曲线）。

论文通过引入 example age 这个特征来捕捉视频的生命周期，效果见上图红色曲线。example age 定义为，其中为训练数据中所有样本时间的最大值， t 为当前样本时间。既然训练数据样本量巨大，就近似等于选取的训练数据所在的时间段的右端点时间。线上预测时，直接把 example age 全都设为0或一个小的负值即可，不依赖于各个视频的上传时间。

加入这种时间bias的传统方法是使用video age，也即一个video从上传到样本的时间跨度。

对于给定视频，可以使用下图理解video age 和 example age 的差异：

对于某个视频的不同样本，video age 和 example age 的定义其实是等价的，因为它们的和是一个常数：

可以从数学上更严格地说明 video age 和 example age 的定义在当前检索模型结构下是可以做到效果近似的。先给出一个简单数学结论：

📌

对于任意足够好（高阶可导）的函数，基于泰勒展开，我们总能找到合适的函数和，使得。

在 example age 的定义下，前面的检索模型相当于是在学习函数，而，其中对应上面的，是个只与视频有关的值。近似成立的依据来自上一段的结论。所以。在上面的检索模型中，是可以很方便地把 t_v 这个信息加到模型中的，也即可以认为模型是可以计算的。就是在 video age 定义下模型学习的函数。这就说明了 video age 和 example age 两个定义在当前检索模型结构下效果是近似的。

但 example age 的定义方式也有些特别的好处：

最大优势是线上预测时 example age 是常数值，所以用户向量计算的输入值是不依赖于候选item的，这样用户向量只要计算一次即可。这应该是作者使用 example age 定义的本质原因。

对于不同的视频，它们对应的 example age 所在范围一致，只依赖于训练数据选取的时间跨度，便于归一化。

当然也有坏处，比如不方便做在线的持续训练。

<ins/>

实验结果

为了验证特征和模型结构对推荐效果的影响，作者做了以下的实验。结论如下：

对于DNN的层级，作者尝试了 0 ~ 4 层，实验结果是层数越多效果越好，但4层之后的提升就很有限，而且层数越多训练越难收敛。

特征越多效果越好，见下图：

<ins/>

排序

排序模型面对的只是来自检索的数百候选视频，所以可以使用更多精细的特征。检索出的数百候选视频可能来自于不同的检索模型，它们的检索得分无法直接对比。排序模型的另一个作用是融合这些来自不同检索模型的候选视频。

排序模型的结构类似检索模型，如下图。但训练数据和目标函数都不相同。模型优化的目标是每次展示的平均观看时间。作者认为按点击率排序会倾向于把诱惑用户点击（用户未必真感兴趣）的视频排前面，而观看时间能更好地反映出用户对视频的兴趣。

把训练看成一个二分类问题，其中训练数据中的正样本是视频展示后用户点击了该视频，负样本则是展示后未点击。如果只是这样的话，那优化的目标就是点击率了。如何把目标变成优化平均观看时长？奥秘在训练样本的权重。所有负样本的权重都为 1，而正样本的权重为点击后的视频观看时长 。所以模型的损失函数是如下的加权交叉熵：

其中为观看时长，

线上使用时，只要基于排序候选视频即可，也即选取值最大的那些视频。

为什么优化这样的加权Loss，其实就是在近似优化平均观看时长呢？

假设训练数据总共包含 N 个样本，其中有个正样本，显然在youtube这个场景下。按上面的样本权重选取方式，模型学到的几率如下：

从式子的右边看：

从式子的左边看：

所以有：

故基于值排序视频近似等价于基于预估观看时长排序视频。

模型输入特征

特征分为两大类，一类是展示（impression）相关的特征，如视频属性等；另一类是query相关的特征，如 user/context 属性。

模型中包含几百个特征，其中类别特征和连续特征大致各占一半。作者说还是花了很多功夫在特征工程上的，主要挑战是如何表示用户的时序行为，以及把用户行为与待评分的视频关联上。

最重要的特征，是那些描述用户历史上与待评分视频，或类似视频已有的交互行为信号。例如用户与待评分视频所在频道的交互历史：用户观看了此频道的多少视频？用户最后一次观看同主题视频是什么时候？这些特征的泛发性很好，对待评分视频的预测很有帮助。

把检索模型的信息以特征形式传入进排序模型也很有帮助。例如，哪些检索模型提名了这个候选视频？它们都给出了什么分数？

描述视频历史展示频率的特征对于在推荐中引入 “流失” 也很关键（连续的请求不会返回相同的列表）。如果最近给用户推荐了一个视频但用户没观看，那么模型会在下一次页面加载时自动降低这个视频的展示可能。

对于类别特征，使用嵌入向量进行表示。嵌入向量的维度建议选择与词汇量大小的对数成比例，即。如果某个类别的取值特别多，可以限定一个值，长尾的值对应的表示为全0的向量。

作者发现对连续特征的归一化处理方式很很影响训练的收敛性。作者使用了如下的归一化方式。

对于连续变量，假设它的取值分布为，通过以下公式把归一化为：

说白了就是在整体取值中的百分比排序位置。

具体归一化时，会使用 x 训练数据中取值分布的四分位值插值得到近似的。除了归一化后的，和也会加入到输入中。这也是处理连续特征的常见手段。

实验结果

作者定义了一个加权逐对损失 “weighted, per-user loss”：给定一个用户，每次选定同页面展示的一对样本作为比较对象，一个为正（展示后点击），一个为负（展示后未点击），权重来自于正样本的观看时间。如果负样本的得分比正样本高，就认为正样本的观看时间被误识别了。weighted, per-user loss 就是误识别观看时间占总观看时间的比例。

结果DNN结构越深，效果越好，但到了3层深度收益就很小了。

在3层模型时，如果不使用连续变量的幂次变换和，损失会上升 0.2% 。

如果训练时不对正样本做观看时间加权，即正负样本等权重，损失会上升 4.1% 。

总结

几个值得 take-home 的结论：

仔细选择训练数据，避免不恰当的信息泄露。

DL时代特征处理依旧重要，了解下对连续特征按分布归一化的方法。

使用 example age 特征处理 time bias，这样线上检索时可以预先计算好用户向量。

排序模型训练使用基于观看时长加权的CE，这样产生的排序可以近似认为是基于期望观看时长进行的排序。

<ins/>

References

Paul Covington, Jay Adams, and Emre Sargin. 2016. Deep neural networks for youtube recommendations. In Recsys. 191–198.

[10] S. Jean, K. Cho, R. Memisevic, and Y. Bengio. On using very large target vocabulary for neural machine translation. CoRR, abs/1412.2007, 2014.