Youtube推荐系统中的算法

　　最近一直在花时间研究和实现一些推荐算法，并且搭建系统在产品中进行测试。

　　我读了一些关于Netflix等网站“如何使用Collaborative Filtering来预测用户对其他影片的打分”的文章，之前也曾在Pinterest目睹了Related Pin从传统的计算co-occurence，到深度学习以及两次打分系统的设计转变。

　　但最让我好奇的，还是以技术著称的Google是怎么做推荐系统的。

　　经过一番调查，我找到了4篇能够描述这些年YouTube推荐系统变化的论文。

　　在这里同大家分享一下。

　　描述中难免会有不准确，或者理解错误的地方，希望各位老师和朋友多多交流，共同学习。

　　Video Suggestion and Discovery for YouTube： Taking Random Walks Through the View Graph

　　这篇论文发表于2008年，是我发现的相对比较早的一篇有关于YouTube推荐系统的文章。作者里有一位前同事Kevin Jing，是后来Pinterest图像组的奠基人。

　　这篇文章从最基本的co-view概念入手，先讲了一个直观的概念——item-based

　　collaborative filtering system。

　　假设一个用户B看了两个视频，1和4，根据历史，我们知道很多看了视频1的人也看了视频5，9。同时，我们知道很多看了视频4的人也看了别的视频12，13（请读者自行想象）。那我们可以把视频5，9，12，13推荐给用户B。