- 2018-05-14这里的模型是用作召回的，用softmax的思路同word2vec的预测部分类似，最终目的是得出embeded向量，用过embeded向量可以用很多模糊近邻算法快速召回，后续再应用wide&deep排序 4
2018-04-18老师，看前面介绍BPR排序模型的时候，我觉得矩阵因子分解的方法，可以预测出同个用户对不同商品的评分，这是同个用户的评分标准，根据评分直接就可以拍个顺序了。这种方法跟BPR比较的话，孰好孰坏那？ 2
2018-04-17我的理解softmax已经线下预测出用户最有可能看的视频，线上预测如另一个评论所述为了从数百万个视频中计算最可能的N个类（视频），用softmax进行评分或校验计算成本比较高，无法满足线上的延时要求。我们假定物以类聚，找出和最可能的视频相近的N个邻居的效果和用softmax验证每个结果并筛选出最可能的N个是比较相近的。这里看原文的是选出的N个(数百个)视频的排序过程中引入了新的特征，然后用一个和候选集训练模型类似架构的深度神经网络，最后一层换成了逻辑回归来对推荐视频进行评分并排序。开始我还以为能利用近邻搜索的距离。 2
2018-04-16老师介绍的这部分是matching部分，不是很关注具体的排序，计算softmax成本太大，所以召回的时候用近邻检索，提高效率。 2
2018-04-16公式解析有问题，youtube的那个实现哪里还能找到资料？作者回复: chenkaijiang001@lianjia.com，你给我联系，我发给你。
1- 2019-11-10各位大神好，我是新来的haolison，我收听点播的时候怎么听不到讲课的呢？
- 2019-10-06回答下后面思考题，跟大家探讨。embedding暗藏距离的表达，就是生长方式是受某种假设而约束的，同时用户和物品的embedding生长在同一空间，这样就能用embedding来计算相似性。比如word2vec，是基于相似上下文的单词具有相同含义的假设，用词来预测词，softmax表达了这种假设，学出来的embedding天然有相似性表达。而YouTube的则是另一个思路，是协同过滤的深度学习表达，从特征层面可以看做近邻推荐（看过的视频）+side info，从网络结构也可以看做svd++的dl表达。都暗含距离的含义。你甚至都能把这个网络看做side info+word2vec。softmax+损失函数强调的是要预测的物品要有最大概率，这个从技术层面保证你看过的视频跟后来看过的视频间的相似性。
embedding暗含相似性后，自然可以用距离来求，快捷较准确。展开 1 - 2019-05-05YouTube那篇论文我也看过，也看过一些对该论文解读的部分，感觉论文的大部分介绍的还是特征的选择，希望老师以后可以单独开一些讲解最新最热paper的课，我会继续支持的。
2018-11-04youtude做了个user2vec
2018-04-16请问老师，YouTube 的ranking 部分，如何对观看时长预测exp(wx+b)和点击概率加权LR同时输出的？- 2018-04-16越相似熵越小？ 1