<aside> ▪️ 간단 요약

딥러닝 기반 2단계 추천을 처음으로 제안한 논문

Candidate Generation: 유저에게 적합한 수백 개의 후보 아이템 생성

Ranking: 더 rich한 피쳐를 사용하여 최종 추천 아이템 10~20개 제공

• Candidate Generation — 기존 CF 아이디어 기반으로 다양한 피쳐를 사용해 추천 성능 향상
  • 유저: watch/query history, demographic, geographic 피쳐
  • 아이템: Example Age
• Rnking — 과거에 많이 사용된 선형/트리 기반 모델보다 제안 딥러닝 모델이 더 뛰어난 성능을 보여 줌
  • Rich Feature: CG 에서 사용한 피쳐 외에 더 많은 피쳐를 사용하여 Ranking
  • 단순 CTR 예측이 아닌 Expected Watch Time을 예측

Two Stage architecture

</aside>

Deep Neural Networks for YouTube Recommendations

딥러닝 기반 추천 시스템을 실제 유튜브 서비스에 적용한 논문

유튜브 추천 문제 특징

• Scale

  엄청 많은 유저와 아이템 vs. 제한된 컴퓨팅 파워

  효율적인 서빙과 이에 특화된 추천 알고리즘 필요

• Freshness

  잘 학습된 컨텐츠와 새로 업로드 된 컨텐츠를 실시간으로 적절히 조합해야 한다.

  exploration vs. exploitation

• Noise

  높은 Sparsity, 다양한 외부 요인으로 유저의 행동을 예측하기 어렵다.

  Implicit Feedback, 낮은 품질의 메타데이터를 잘 활용해야 한다.

전체 구조 — Two Stage Architecture

1. Candidate Generation

2. Ranking