按，本文作者王喆，本文首發於知乎專欄王喆的機器學習筆記
這裏是王喆的機器學習筆記，每隔一到兩週我會站在算法工程師的角度講解一些計算廣告、推薦系統相關的文章。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 等一線互聯網公司出品的；
三是前沿或者經典的。
這周我們一起討論一下 Youtube 的深度推薦系統論文《Deep Neural Networks for YouTube Recommendations》，這是 2016 年的論文，按照今天的標準來看，已經沒有什麼新穎的地方，我也是兩年前讀過這篇文章之後就放下了，但前幾天重讀這篇文章，竟讓發現了諸多亮點，幾乎處處是套路，處處是經驗，不由驚爲神文。這篇神文給我留下的深刻印象有兩點：
這毫無疑問是工業界論文的典範，是我非常推崇的工程導向的，算法工程師必讀的文章；
我以爲毫不起眼的地方，也藏着 Youtube 工程師寶貴的工程經驗，相比上週介紹的阿里的深度興趣網絡 DIN，最重要的價值就在於 Attention 機制，這篇文章你應該精確到句子來體會，這是我驚爲神文的原因。
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穫。
第一遍讀這篇論文的時候，我想所有人都是衝着算法的架構去的，在深度學習推薦系統已經成爲各大公司「基本操作」的今天，Youtube 在算法架構上並無驚奇之處，我們來快速介紹一下文章中的深度學習推薦系統的算法架構。
Youtube 的用戶推薦場景自不必多說，作爲全球最大的 UGC 的視頻網站，需要在百萬量級的視頻規模下進行個性化推薦。由於候選視頻集合過大，考慮 online 系統延遲問題，不宜用複雜網絡直接進行推薦，所以 Youtube 採取了兩層深度網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。
Youtube Candidate Generation Model
我們自底而上看這個網絡，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。至於這個 embedding 向量是怎麼生成的，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 之後再作爲輸入的，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，兩種方法孰優孰劣，有什麼適用場合，大家可以討論一下。
特徵向量裏面還包括了用戶的地理位置的 embedding，年齡，性別等。然後把所有這些特徵 concatenate 起來，餵給上層的 ReLU 神經網絡。
三層神經網絡過後，我們看到了 softmax 函數。這裏 Youtube 的同學們把這個問題看作爲用戶推薦 next watch 的問題，所以輸出應該是一個在所有 candidate video 上的概率分佈，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 Youtube 的 candidate generation 網絡，看似平淡無奇，其實還是隱藏着一些問題的，比如：
架構圖的左上角，爲什麼在 online serving 的時候不直接用這套網絡進行預測而要使用 nearest neighbor search 的方法？
多分類問題中，Youtube 的 candidate video 有百萬之巨，意味着有幾百萬個分類，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，但卻是工程實現中必然會遇到的問題，我們隨後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 深度學習網絡的架構圖。
Youtube Ranking Model
乍一看上面的 ranking model 似乎與 candidate generation 模型沒有什麼區別，模型架構還是深度學習的「基本操作」，唯一的區別就是特徵工程，那麼我們就講講特徵工程。
事實上原文也明確說明了，引入另一套 DNN 作爲 ranking model 的目的就是引入更多描述視頻、用戶以及二者之間關係的特徵，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，從左至右的特徵依次是：
impression video ID embedding: 當前要計算的 video 的 embedding
watched video IDs average embedding: 用戶觀看過的最後 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: 該視頻已經被曝光給該用戶的次數
上面五個特徵中，我想重點談談第 4 個和第 5 個。因爲這兩個很好的引入了對用戶行爲的觀察。
第 4 個特徵背後的思想是：
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，這裏是用了 time since last watch 這個特徵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 經典回顧」這個 channel 的視頻，我們很大概率是會繼續看這個 channel 的視頻的，那麼該特徵就很好的捕捉到了這一用戶行爲。
第 5 個特徵 #previous impressions 則一定程度上引入了 exploration 的思想，避免同一個視頻持續對同一用戶進行無效曝光，儘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 Youtube 的算法框架有了概念，但總覺得不過如此，沒什麼太多新穎的地方。
但如果真這麼想，還是太 naive 了，與上一篇阿里的深度興趣網絡 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 Youtube 的推薦系統架構，你只抓住了 30% 的價值。那麼剩下的 70% 的價值在哪裏呢？
在重讀這篇文章的時候，我從一個工程師的角度，始終繃着「如何實現」這根弦，發現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百萬之巨，這在使用 softmax 訓練時無疑是低效的，這個問題 Youtube 是如何解決的？
在 candidate generation model 的 serving 過程中，Youtube 爲什麼不直接採用訓練時的model進行預測，而是採用了一種最近鄰搜索的方法？
Youtube 的用戶對新視頻有偏好，那麼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，Youtube 沒有采用原始的用戶日誌，而是對每個用戶提取等數量的訓練樣本，這是爲什麼？
Youtube 爲什麼不採取類似 RNN 的 Sequence model，而是完全摒棄了用戶觀看歷史的時序特徵，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，Youtube 爲什麼不採用經典的隨機留一法（random holdout），而是一定要把用戶最近的一次觀看行爲作爲測試集？
在確定優化目標的時候，Youtube 爲什麼不採用經典的 CTR，或者播放率（Play Rate），而是採用了每次曝光預期播放時間（expected watch time per impression）作爲優化目標？
在進行 video embedding 的時候，爲什麼要直接把大量長尾的 video 直接用 0 向量代替？
針對某些特徵，比如 #previous impressions，爲什麼要進行開方和平方處理後，當作三個特徵輸入模型？
爲什麼 ranking model 不採用經典的 logistic regression 當作輸出層，而是採用了 weighted logistic regression？
因爲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。
PS：大家可以先思考一番，我們將馬上推出下篇問題解答。