YouTube推荐算法解读
一、YouTube推荐系统总体框架
1.候选集生成（candidate generation）：基于用户的观看历史和观看时长，及相似用户的浏览记录；
用户相似度计算（similarity）：基于用户观看的视频ID、搜索关键词及用户的相关统计信息；
loglikelihood ratio:计算原理
候选集生成算法
topN 的生成
2.排名过滤（ranking）：以用户观看时长构造期望函数，来给候选视频设定分数；
分数的计算通过几百个特征计算得到，特征主要从用户浏览记录、搜索记录、视频的观看人数以及视频新鲜程度等方面提取
3.注意：
1）算法并不总会受用户所看的上一个视频的影响，即“我们会优先使用用户的随机观看和关键词搜索记录，然后才会考虑上一个观看视频的数据；
2）通过点击率进行排名往往会变相鼓励诱导性的视频内容，用户即便点进去也很少看完视频，因而观看时长能更反映出视频的好坏”；
3）如果用户并未观看最近推荐的视频，页面下一次加载时模型就会自动降低该视频的排名，也不会推荐给相似用户。
相关链接：原文地址