Из чего состоит рекомендательная система YouTube

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости

Новостная лента форума ailab.ru


Разработчики из Google опубликовали описание end-to-end рекомендательной системы в YouTube. Система использует несколько целевых функций для ранжирования и учитывает личные предпочтения пользователя. Чтобы оптимизировать модель на несколько целевых функций разработчики использовали Multi-gate Mixture-of-Experts. По результатам экспериментов на реальных пользователях, обновленная модель работает лучше предыдущих версий.

В своей работе исследователи представили крупномасштабную систему для ранжирования видео. Чтобы оптимизировать сразу несколько целевых функций, используется архитектура Multi-gate Mixture-of-Experts. Чтобы избавиться от смещения позиций при ранжировании, исследователи применяют Wide & Deep архитектуру модели.

При дизайне и реализации рекомендательной системы есть ряд проблем:

  • Целевые метрики, которые нужно оптимизировать, могут не совпадать и конфликтовать друг с другом;
  • В пользовательских просмотрах заложено смещение. Например, пользователь смотрит первое рекомендованное видео не потому что это то, что он больше всего хочет посмотреть, а потому что оно первое в списке. Это смещение необходимо обходить, чтобы не создавать эффект feedback loop

Что внутри модели

Модель использует логи пользователей как обучающую выборку. Затем строит Multi-gate Mixture of-Experts слои, чтобы предсказать две категории пользовательского поведения (лайки или комментарии). Ранжирование корректируется с помощью дополнительного блока модели, чтобы избавиться от смещения в предсказаниях. В конце несколько предсказаний объединяются в одно.

Можно рассматривать рекомендательную систему как расширенную версию Wide & Deep. Из расширений — добавляют модель (shallow tower) для смягчения смещений в ранжированном списке. Эта модель берет на вход порядок ранжирования, который предсказала основная модель, и выдает скаляр с bias термом для финального предсказания. Такая архитектура модели позволяет моделировать и оценивать смещение в данных без проведения дополнительных экспериментов.

Составные части нейросети

Оценка качества модели

Чтобы оценить предложенный подход исследователи провели эксперименты с реальными пользователями. Части модели, которые проверялись, включают в себя обучения на нескольких целевых функциях и избавление от смещения в данных. В сравнении с state-of-the-art стандартными моделями нейросеть выдает более предпочитаемые рекомендации. Ниже видно показатели удовлетворенности, вовлечения и CTR.

Результаты реального эксперимента для разных вариантов модели. MMoE (8 experts) — итоговая модель
CTR для топ-9 рекомендаций видео

Источник: neurohive.io

Комментарии: