Глибокі мережі в рекомендаціях YouTube
7 вересня 2016 року Пол Ковінгтон, Джей Адамс і Емре Саргін з Google описали для конференції RecSys рекомендаційну систему YouTube на глибоких мережах у два етапи: генерація кандидатів звужує корпус із мільйонів відео до сотень, а окрема мережа ранжування впорядковує їх, передбачаючи очікуваний час перегляду, а не ймовірність кліку. Моделі мають близько мільярда параметрів і навчені на сотнях мільярдів прикладів.
Чому це важливо
Одну з найбільших рекомендаційних систем описали її розробники: глибоке навчання замінило в ній факторизацію матриць, а ціль ранжування зсунулася з кліку на час перегляду. Від цієї цілі залежить, що система винагороджує, і стаття називає її прямо.
Стаття: рекомендації YouTube допомагають «more than a billion users»; система побудована на Google Brain, нещодавно відкритому як TensorFlow; попередник етапу кандидатів — факторизація матриць під ранжувальною втратою, яку нова модель перевершила. У таблиці конфігурацій прихованих шарів найглибша (1024, 512 і 256 нейронів ReLU) дає найменшу зважену попарну втрату на даних наступного дня — 34,6 %. Незалежного підтвердження масштабу немає: це самоопис компанії. Запис не стверджує, яку частку переглядів дають рекомендації: такого числа в статті немає.