作为全球主流的视频平台，YouTube的成功很大程度上归功于其精准的视频推荐系统。这篇论文详细解释了YouTube推荐系统的核心亮点及其所解决的问题。荷兰的一位数据科学家对该论文进行了总结。

YouTube 推荐系统解决了哪些问题？

在YouTube上，每当用户观看视频时，页面上都会出现一系列推荐视频。这篇论文主要探讨了以下两个目标：

1. 优化目标函数：YouTube并未明确设定单一的目标函数，而是将其分为“参与度”（例如点击次数、观看时间）和“满意度”（例如点赞数、不喜欢的数量）两大类。

2. 减少选择偏见：用户通常更倾向于点击排在首位的推荐视频，尽管其他视频可能更具参与度或满意度。如何有效减少这种偏见成为亟待解决的问题。

如何解决这些问题？

论文介绍了一种结合宽度和深度模型的框架。宽度模型具备强大的记忆能力，而深度神经网络则擅长泛化。这种框架能够针对不同的目标生成预测，包括二分类任务（是否喜欢某个视频）和回归任务（为视频评分）。此外，研究者还提出了一些先进的技术来增强模型性能，但由于计算资源的限制，这些技术并未应用于实际生产环境。

为了更好地解决因视频位置带来的偏见问题，研究者在深度模型的深层部分采用了多任务学习模型MMoE。这一模型可以高效地在不同目标间共享权重。具体而言，共享的底层被拆分为多个专家层，每个专家层负责预测不同的目标。每个目标都有一个门函数（softmax函数），它决定了不同专家层的重要性。

结果如何？

论文结果表明，采用MMoE替代共享底部层能够显著提升模型在参与度（如观看推荐视频的时间）和满意度（如调查反馈）方面的表现。增加MMoE中的专家层数量和乘法数量可以进一步提升性能，但由于计算资源的限制，这些改进难以在实际部署中实现。

进一步的研究发现，通过“浅塔”模型降低选择偏见可以显著改善参与度指标。与单纯在MMoE模型中添加特征相比，这是一种更为有效的改进方法。

有趣之处

尽管Google拥有强大的计算资源，但在训练和成本方面仍然非常谨慎。通过使用宽度和深度模型，可以在网络设计时预定义一些关键特征。当需要多目标模型时，MMoE模型特别有效。即使拥有复杂且强大的模型结构，研究人员仍然需要手动调整最后一层的权重，以便根据不同的预测目标确定实际排名。