你有沒有好奇過，YouTube 到底如何透過深度學習推薦影片的 ... | youtube推薦系統
16）上，來自Google 的一個研究團隊公佈了YouTube 推薦系統的 ...為提供您更好的網站服務，本網站會使用Cookies及其他相關技術優化用戶體驗，繼續瀏覽本網站即表示您同意上述聲明。
了解隱私權政策同意並關閉視窗貝佐斯「愛洗碗」！據說能夠降低焦慮、增加靈感【視訊開會來不及打扮？】SnapCamera濾鏡可一秒美肌、變身馬鈴薯，Zoom、Teams都可套用「即時用電資訊」、「水庫即時水情」都是他們打造的！背後團隊：願無償製作疫情即時風險地圖【看論文不用再來回翻】結合AI的PDF閱讀神器，5大新功能提升研究速度【我們為什麼挑選這篇文章】你有沒有曾經好奇過，YouTube到底是怎麼決定推薦影片的？它背後的機器學習系統又是怎麼負荷全球用戶的個人推薦？Google兩位軟體工程師在這篇文章中完整介紹了YouTube的神經網絡系統使用情況以及算法細節。
這是第一次YouTube演算法如此明確詳細的公開解釋，真的很值得一讀！ （責任編輯：劉庭瑋）本文經AI科技大本營（公眾號ID：rgznai100）授權轉載，轉載請聯繫出處2016年9月18日，在波士頓舉辦的第10屆ACM推薦系統大會（ACM’sRecSys’16）上，來自Google的一個研究團隊公佈了YouTube推薦系統的深度學習論文：DeepNeuralNetworksforYouTubeRecommendations。
論文網址：https://research.google.com/pubs/pub45530.html論文作者是Google的軟體工程師JayAdams與高級軟體工程師PaulCovington、EmbreSargin，他們向業界展示了YouTube在機器學習推薦算法上的深度神經網絡使用情況。
該論文涉及到一些非常技術、非常高級的細節，但它最大的意義是為我們完整描繪了YouTube推薦算法的工作原理！！該論文細緻、審慎地描述了YouTube檢索、篩選並推薦影片時的大量細節。
算法論文解析YouTube工程師發佈在ACM上的算法論文，目標受眾顯然不是我們這些上傳影片的用戶。
但為了流量，閱讀並理解該算法的內容，並讓它來為我們服務就顯得義不容辭了。
接下來就看我們如何從會上傳影片用戶角度來解析這篇算法論文。
在論文公佈之前，我們上一篇分析YouTube算法的文章（詳見TO文章：《 你的孩子被設計了你知道嗎？YouTube演算法如何讓孩子沉迷到不可自拔 》），關注的主要是觀看時長這一個因素，因為我們只能從自己上傳的影片數據中來反推YouTube算法的工作原理，這肯定要受限於我們影片的內容和受眾。
我們之所以了解YouTube的算法，是因為我們解決了做影片路上碰到的這個問題：「為什麼我們的這個影片就能成功呢？」為此，我們盡最大努力來分析已有的訊息，但最初的結果並不理想。
儘管我100％支持我們的結論，但我們先前的方法存在兩大問題：僅用影片指標的一部分來做反推，意味著我們在數據上存在巨大的盲點，畢竟我們無法訪問競爭性指標、對話指標與點擊率。
對於那些基於上傳者的指標，YouTube算法所給的權重非常小。
它更關心的是觀眾以及單個影片的指標。
換句話說，該算法並不關心你所上傳的影片，而是關心你和其他人正在看的影片。
但在我們寫最初那篇文章的時候，YouTube或Google數年來都沒公佈過有關該算法的任何訊息。
所以，我們只有自己動手。
有了Google新近公佈的這篇論文，我們就可以一窺它推薦機制的究竟，並找出其中的重要指標。
希望這能回答一個讓我們更為辛酸的問題，「為什麼有些影片能取得成功？」深度學習是個無底洞論文簡介部分最大的亮點是YouTube確實在用深度學習來驅動推薦算法。
這種做法不新鮮，但此次確認證實了大家此前的猜測。
作者在論文開頭是這樣說的：在本論文中，我們將集中介紹深度學習對YouTube影片推薦系統的全面影響……跟Google其他領域的產品一樣，YouTube同樣經歷了用深度學習來解決所有通用學習問題的根本性範式轉變。
這就意味著，今後人工調整算法、人工權衡這些調整併將其部署上世界最大的影片分享網站的機會將越來越少。
而是由算法即時來讀取數據、為影片排名，然後基於這些排名來推薦影片。
所以，當YouTube表示他們不知道算法為什麼那樣做時，有可能他們確實不知道。
兩大神經網絡該論文以算法的基本架構作為開篇，下面是作者的圖示：基於Y
了解隱私權政策同意並關閉視窗貝佐斯「愛洗碗」！據說能夠降低焦慮、增加靈感【視訊開會來不及打扮？】SnapCamera濾鏡可一秒美肌、變身馬鈴薯，Zoom、Teams都可套用「即時用電資訊」、「水庫即時水情」都是他們打造的！背後團隊：願無償製作疫情即時風險地圖【看論文不用再來回翻】結合AI的PDF閱讀神器，5大新功能提升研究速度【我們為什麼挑選這篇文章】你有沒有曾經好奇過，YouTube到底是怎麼決定推薦影片的？它背後的機器學習系統又是怎麼負荷全球用戶的個人推薦？Google兩位軟體工程師在這篇文章中完整介紹了YouTube的神經網絡系統使用情況以及算法細節。
這是第一次YouTube演算法如此明確詳細的公開解釋，真的很值得一讀！ （責任編輯：劉庭瑋）本文經AI科技大本營（公眾號ID：rgznai100）授權轉載，轉載請聯繫出處2016年9月18日，在波士頓舉辦的第10屆ACM推薦系統大會（ACM’sRecSys’16）上，來自Google的一個研究團隊公佈了YouTube推薦系統的深度學習論文：DeepNeuralNetworksforYouTubeRecommendations。
論文網址：https://research.google.com/pubs/pub45530.html論文作者是Google的軟體工程師JayAdams與高級軟體工程師PaulCovington、EmbreSargin，他們向業界展示了YouTube在機器學習推薦算法上的深度神經網絡使用情況。
該論文涉及到一些非常技術、非常高級的細節，但它最大的意義是為我們完整描繪了YouTube推薦算法的工作原理！！該論文細緻、審慎地描述了YouTube檢索、篩選並推薦影片時的大量細節。
算法論文解析YouTube工程師發佈在ACM上的算法論文，目標受眾顯然不是我們這些上傳影片的用戶。
但為了流量，閱讀並理解該算法的內容，並讓它來為我們服務就顯得義不容辭了。
接下來就看我們如何從會上傳影片用戶角度來解析這篇算法論文。
在論文公佈之前，我們上一篇分析YouTube算法的文章（詳見TO文章：《 你的孩子被設計了你知道嗎？YouTube演算法如何讓孩子沉迷到不可自拔 》），關注的主要是觀看時長這一個因素，因為我們只能從自己上傳的影片數據中來反推YouTube算法的工作原理，這肯定要受限於我們影片的內容和受眾。
我們之所以了解YouTube的算法，是因為我們解決了做影片路上碰到的這個問題：「為什麼我們的這個影片就能成功呢？」為此，我們盡最大努力來分析已有的訊息，但最初的結果並不理想。
儘管我100％支持我們的結論，但我們先前的方法存在兩大問題：僅用影片指標的一部分來做反推，意味著我們在數據上存在巨大的盲點，畢竟我們無法訪問競爭性指標、對話指標與點擊率。
對於那些基於上傳者的指標，YouTube算法所給的權重非常小。
它更關心的是觀眾以及單個影片的指標。
換句話說，該算法並不關心你所上傳的影片，而是關心你和其他人正在看的影片。
但在我們寫最初那篇文章的時候，YouTube或Google數年來都沒公佈過有關該算法的任何訊息。
所以，我們只有自己動手。
有了Google新近公佈的這篇論文，我們就可以一窺它推薦機制的究竟，並找出其中的重要指標。
希望這能回答一個讓我們更為辛酸的問題，「為什麼有些影片能取得成功？」深度學習是個無底洞論文簡介部分最大的亮點是YouTube確實在用深度學習來驅動推薦算法。
這種做法不新鮮，但此次確認證實了大家此前的猜測。
作者在論文開頭是這樣說的：在本論文中，我們將集中介紹深度學習對YouTube影片推薦系統的全面影響……跟Google其他領域的產品一樣，YouTube同樣經歷了用深度學習來解決所有通用學習問題的根本性範式轉變。
這就意味著，今後人工調整算法、人工權衡這些調整併將其部署上世界最大的影片分享網站的機會將越來越少。
而是由算法即時來讀取數據、為影片排名，然後基於這些排名來推薦影片。
所以，當YouTube表示他們不知道算法為什麼那樣做時，有可能他們確實不知道。
兩大神經網絡該論文以算法的基本架構作為開篇，下面是作者的圖示：基於Y