28 | 业界经典：YouTube深度学习推荐系统的经典架构长什么样？

在探讨深度学习在推荐系统领域的实践时，YouTube的推荐系统无疑是一个业界标杆。作为世界上最大的视频分享平台，YouTube的推荐系统不仅需要处理海量的用户数据和视频内容，还要在极短的时间内为用户提供个性化的视频推荐，从而最大化用户的观看时长和平台的广告曝光机会。本章将深入解析YouTube深度学习推荐系统的经典架构，从召回模型到排序模型，全面展现其技术实现与策略优化。

一、引言

YouTube的推荐系统是其业务成功的关键因素之一，它不仅提高了用户满意度，还显著增加了用户粘性和平台收入。该系统采用深度学习技术，通过两级模型架构——召回（Candidate Generation）和排序（Ranking），实现了高效且精准的个性化推荐。

二、召回模型（Candidate Generation Model）

2.1 模型概述

召回模型是YouTube推荐系统的第一级，其主要任务是从百万量级的视频库中快速筛选出与用户兴趣高度相关的几百个候选视频。这一步骤相当于传统推荐系统中的召回层，其核心在于快速缩小候选集的范围，为后续排序模型提供高质量的输入。

2.2 技术实现

2.2.1 特征工程

召回模型的特征工程是构建高效推荐系统的关键。YouTube采用了多种用户和视频相关的特征，包括但不限于：

• 用户观看历史：用户过去观看过的视频ID及其Embedding。
• 搜索历史：用户的搜索词及其Embedding。
• 用户属性：如地理位置、年龄、性别等。
• 视频属性：如视频ID、上传时间、分类标签等。

这些特征首先被转化为Embedding向量，以便在深度神经网络中高效处理。

2.2.2 模型结构

召回模型通常采用深度神经网络（DNN）结构，具体为Embedding层+多层ReLU激活层+Softmax输出层。具体来说，模型首先将用户和视频的特征向量concatenate（拼接）起来，然后通过多层ReLU网络进行特征交叉和非线性变换，最后使用Softmax函数输出用户对每个候选视频的点击概率。

然而，在实际线上服务中，YouTube并没有直接使用训练好的模型进行预测，而是采用了Embedding最近邻搜索（如局部敏感哈希）的方法来提高效率。这是因为直接运行整个模型进行预测的计算开销巨大，而利用预先计算好的用户和视频Embedding进行快速搜索，可以显著降低响应时间。

2.2.3 性能优化

为了解决海量数据下的性能问题，YouTube采用了负采样（Negative Sampling）技术，即在训练过程中只选取一小部分负样本进行训练，同时根据负样本的分布特征进行加权，以平衡正负样本的比例。此外，在模型服务阶段，通过Redis等内存数据库存储用户和视频Embedding，可以进一步加快搜索速度。

三、排序模型（Ranking Model）

3.1 模型概述

排序模型是YouTube推荐系统的第二级，其主要任务是对召回模型筛选出的几百个候选视频进行精细排序，选出用户最可能感兴趣的视频进行展示。这一步骤相当于传统推荐系统中的排序层，其目标是提高推荐结果的准确性和相关性。

3.2 技术实现

3.2.1 特征工程

与召回模型相比，排序模型使用了更多细粒度的特征，以实现对候选视频的精确打分。这些特征包括但不限于：

• 当前候选视频Embedding：表示候选视频的特征向量。
• 用户观看历史Embedding：用户最近观看的N个视频Embedding的平均值，反映了用户的兴趣变化。
• 语言Embedding：用户语言和候选视频语言的Embedding，用于捕捉语言偏好。
• 时间间隔：用户上次观看同频道视频至今的时间，用于捕捉用户的观看习惯。
• 曝光次数：候选视频已经曝光给用户的次数，用于避免无效曝光。

3.2.2 模型结构

排序模型同样采用深度神经网络结构，但与召回模型有所不同的是，其输出层采用了Weighted Logistic Regression（加权逻辑回归）而不是Softmax。这是因为排序模型的目标是预测用户是否会点击当前视频，并尽可能准确地预估用户的观看时长，而Weighted LR可以更好地实现这一目标。

在模型结构上，排序模型也遵循Embedding MLP的架构，即Embedding层+多层ReLU激活层+Weighted LR输出层。通过引入更多细粒度的特征并进行充分的特征交叉，排序模型能够更准确地评估候选视频与用户兴趣的匹配度。

3.2.3 模型训练与评估

在模型训练阶段，YouTube使用了观看时长作为正样本的权重，通过Weighted LR进行训练，使模型能够学习到用户观看时长的信息。这种训练方式有助于模型更精确地预测用户的观看行为，从而提高推荐效果。

在模型评估阶段，YouTube采用了线上A/B测试实验来评估模型性能。这是因为离线指标如精确度（Precision）和召回率（Recall）往往无法完全反映用户行为的变化，而线上实验可以更直观地反映模型对用户行为的实际影响。

四、系统架构与工程实践

4.1 系统架构

YouTube的推荐系统架构是一个高度分布式的系统，包括离线训练模块和在线服务模块。离线训练模块负责使用历史数据进行模型训练，并不断优化模型参数；在线服务模块则负责实时处理用户的推荐请求，并返回个性化的视频推荐列表。

4.2 工程实践

在工程实践方面，YouTube推荐系统面临的主要挑战包括数据稀疏性、实时性要求以及性能优化等。为了应对这些挑战，YouTube采取了以下措施：

• 数据稀疏性：通过引入更多细粒度的特征和Embedding技术来缓解数据稀疏性问题。
• 实时性要求：采用高效的在线服务系统，确保推荐结果能够实时反映用户行为的变化。
• 性能优化：通过负采样、Embedding最近邻搜索等技术来降低计算开销，提高系统响应速度。

五、总结与展望

YouTube的深度学习推荐系统以其高效的召回模型和精确的排序模型为核心，实现了对海量用户数据的个性化处理，为用户提供了高质量的视频推荐服务。该系统不仅提高了用户满意度和平台收入，还为业界树立了推荐系统设计的典范。

未来，随着深度学习技术的不断发展和应用场景的日益丰富，推荐系统将面临更多的挑战和机遇。一方面，需要不断优化模型结构和算法参数，提高推荐效果和用户体验；另一方面，也需要探索新的应用场景和商业模式，为推荐系统的发展注入新的动力。

综上所述，YouTube的深度学习推荐系统架构不仅是一个技术上的经典案例，更是业界在推荐系统领域不断探索和创新的重要成果。希望通过本章的介绍，读者能够对YouTube推荐系统的经典架构有更深入的了解和认识。