Youtube推薦系統(tǒng)中的算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
最近一直在花時(shí)間研究和實(shí)現(xiàn)一些推薦算法，并且搭建系統(tǒng)在產(chǎn)品中進(jìn)行測(cè)試。
我讀了一些關(guān)于Netflix等網(wǎng)站“如何使用Collaborative Filtering來(lái)預(yù)測(cè)用戶對(duì)其他影片的打分”的文章，之前也曾在Pinterest目睹了Related Pin從傳統(tǒng)的計(jì)算co-occurence，到深度學(xué)習(xí)以及兩次打分系統(tǒng)的設(shè)計(jì)轉(zhuǎn)變。
但最讓我好奇的，還是以技術(shù)著稱的Google是怎么做推薦系統(tǒng)的。
經(jīng)過(guò)一番調(diào)查，我找到了4篇能夠描述這些年YouTube推薦系統(tǒng)變化的論文。
在這里同大家分享一下。
描述中難免會(huì)有不準(zhǔn)確，或者理解錯(cuò)誤的地方，希望各位老師和朋友多多交流，共同學(xué)習(xí)。
Video Suggestion and Discovery for YouTube： Taking Random Walks Through the View Graph
這篇論文發(fā)表于2008年，是我發(fā)現(xiàn)的相對(duì)比較早的一篇有關(guān)于YouTube推薦系統(tǒng)的文章。作者里有一位前同事Kevin Jing，是后來(lái)Pinterest圖像組的奠基人。
這篇文章從最基本的co-view概念入手，先講了一個(gè)直觀的概念——item-based
collaborative filtering system。
假設(shè)一個(gè)用戶B看了兩個(gè)視頻，1和4，根據(jù)歷史，我們知道很多看了視頻1的人也看了視頻5，9。同時(shí)，我們知道很多看了視頻4的人也看了別的視頻12，13（請(qǐng)讀者自行想象）。那我們可以把視頻5，9，12，13推薦給用戶B。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%