入门必读:youtube深度推荐系统ios版怎么用

发布时间 : 2020/10/15 13:06

本论文发布于2016年,介绍了一个完备的建议系统布局,包括离线练习和线上serving,也涵盖了很多算法落地的细节,工程性很强,提议重复阅读。

1. 简介

Youtube建议系统包含两个重要模型:candidate generation model(召回)和ranking model(排序),这也是现今主流建议系统的广泛架构。 系统架构如图1所示。


模型需要解决的问题:
  • 大范围数据
    Youtube是全球上最大的视频分享网站,其建议系统必须使用分布式算法以及高服从的在线serving系统。
  • 时效性
    Youtube的语料库每秒钟都市更新很多视频,建议系统必须可以或许对新上传的视频以及用户最新的行动做出实时反馈。
  • 噪音
    用户的历史行为特性非常希罕,模型很难学习到用户真正的喜欢,每每会学到更多的噪音。

2. System Overview

Youtube建议系统的candidate generation和ranking分别用两个神经网络来完成。

Candidate generation model 将用户在youtube上的行为历史作为输入,从中筛选出一个较小的候选视频集。选出来的视频一样平常都是与用户高度相关的。这里一样平常使用一些粗粒度的特性,如观看视频的ID,搜索历史,用户侧统计特性等。

Ranking model 会为上一步选出来的候选视频会合的每个视频进行打分,打分最高的视频就会被展示给用户,排在第一的就是系统以为用户最感爱好的视频。与candidate generation model差别,ranking model会用到用户和视频越发精致的特性。

模型迭代时会用很多离线指标,如precision, recall等等,但最终评价模型的尺度则接纳了线上a/b test试验,由于离线和在线值表不总是符合,并且离线指标无法反应用户行为的变革,

3. Candidate Generation

3.1 分类模型

召回模型将建议系统抽象为了一个的多分类问题,即猜测某个用户 U (以及相应的context C )在某个时候 t 观看的某个视频 w_t 属于哪一类 i ,用公式表现如下
P(w_t=i|U,C)=\frac{e^{v_iu}}{\sum_{j \in V}e^{v_ju}}\tag1

式(1)是一个softmax函数的情势,此中 u 表现 (user, context) pair的embedding, v_j 表现候选视频(candidate video)的embedding。DNN的使命就是学习一个用户历史和conntext到用户embedding的映射,用于式(1)的softmax函数中对videos进行分类。

练习模型使用的输入是用户观看的历史,这是一种隐式(implicit)的特性。虽然youtube数据中有很多显式的(explicit)特性(如用户上滑/下滑,参与調察等),但这些特性每每非常希罕,很难反应用户爱好的长尾部分。召回的模型更注意涵盖用户的种种行为爱好,因此使用隐式的特性来练习模型。

对于海量数据的处置方法

由于该模型面对的是数十亿计的用户和视频输入以及数百万计的种别总数,性能问题是工程实践的重点。youtube接纳了以下方案来解决性能问题:

  • 负采样(negative sampling)
    youtube的样本会合,正样本被定义为用户完备地观看一个视频,而负样本的数目远远多于正样本。这里根据负样本的分布特性进行采样,然后在给样本以权重来修复这一采样操作。正负样本都是用cross entropy作为丧失函数。实际中,与传统的softmax相比,这一负采样操作可以加速100倍以上的速率。
  • serving时使用KNN取代softmax
    在线serving的时间,我们需要盘算出top N个candidate video显现给用户。同时给百万甚至更高级别的item打分对模型性能要求很高,因此在serving时使用了KNN方法来取代softmax。

3.2 模型布局

模型布局没有太多创新的地方,就是embedding + DNN模式,对序列特性接纳了averag pooling,见图 2 所示。


图2 Candidate Generation 模型布局

3.3 特性和模型探索

"Example Age" 特性
youtube用户每每会对奇怪的,刚公布的视频感爱好,但模型是基于历史数据练习的,因此会产生偏差,打分会更方向练习数据时间窗口的均匀值,而不会偏重为用户建议奇怪的视频。因此模型练习时参加了 "example age"的特性,标识了每个video已经上传了多久。线上serving时,会偏重为用户建议新上传的视频。

特性和模型深度
DNN接纳了用户近来观看和近来搜索作为重要特性embedding维度是256,序列长度选择了近来50次。论文实验了差别的DNN深度和宽度,发现使用庞杂的DNN布局,其猜测精度也会随之上升。

4. Ranking

排序的主要功能就是使用曝光数据来对candidate generation的结果进行筛选和校正。排序的模型布局与召回类似,但使用了更多细粒度的特性,这是由于排序只需要对召回的数百个视频进行打分,是越发精致化的猜测。
A/B test的中使用的排序指标是用户的观看时长。之以是不用点击率,是由于一些“标题党”的视频大概会有很高的点击,但用户并不感爱好。
排序模型布局如图3所示,与candidate generation类似,只是输入特性更多,并且输出用了logistic regression.

4.1 特性处置

Ranking model 使用了多种维度的特性,binary/多维特性都有涉及。特性被分为item和user/context两类,在serving时前者盘算多次,后者只盘算一次。

特性工程
特性工程的难点是怎样对用户序列进行使用。此中用户前次的行为是最重要的一个特性,如用户上一次观看的视频ID。别的一个重要特性是某个视频在该用户下的曝光频率。举个例子,假如近来曝光给用户但未点击的视频,在下次观看时就不会出如今建议列表中。

类目特性的embedding处置
对于每个类目特性(categorical feature),embedding size的大小与其vocabulary的大小为正相关。特性空间中的unique values越多,embedding size越大。对于video ID, 搜索词条等较大的ID空间,会对全部的ID进行一个简单的点击频率排序,选出TOP N个ID进行embedding,别的的直接映射为0。
模型还接纳了share embedding,如用到video ID的全部特种都市share,这样有助于提高模型的泛化本领,加速练习以及减小模型存储空间。

一连特性的归一化
神经网络对输入数据的分布非常敏感。对于一连性特性,会将其归一化到[0,1)区间内。同时,对于特性 x 还会并行输入 x^2\sqrt x ,以让模型可以从差别的空间学习特性,加强模型的表达本领。试验证实归一化的离线指标会有收益。

4.2 对观看时上进行建模

Ranking模型的正负样本是根据是否点击来分别的(这点与candidate generation差别)。模型使用weighted logistic regression作为输出,cross entropy作为丧失函数进行练习。这里的weighted是指用播放时长来为全部的正样本加权,而负样本赐与相同的权重。这样学习到的odds就是播放时长 T 的盼望(详细推导见论文4.2节)

4.3 DNN宽度和深度

结果表明DNN的宽度和深度对模型效果都有影响。

5. 总结

本论文将youtube深度建议系统分为两个部分:candidate generation和ranking。

candidate generation面对的是数以亿计的视频语料库,其目的是从中筛选出与用户高度相关的子集供排序部分进一步优化。对于海量数据接纳了负采样的方法,提高了练习服从;模型方面接纳了经典的embedding + DNN布局,并在serving时将softmax换成了KNN以进步打分服从。练习数据只使用了user watch和user query特性以及部分context特性,同时参加了example age的权重,提高了建议的时效性。

Ranking模型面对的是hundreds数目级的视频打分,接纳了更精致化的特性。相关特性间会share embedding,对一连性特性会接纳归一化。模型布局与candidate generation类似,但用了logistic regression作为输出函数,并在serving时使用简单的指数函数来打分。candidate generation和ranking的模型都对深度和宽度敏感。

youtube必读

现在,视频已经成为人们生活中非常重要的一部分。许多时间,我们都需要用到视频,如:

教诲用途会议陈诉休闲娱乐

YouTube 是全球上最大的线上视频网站之一,提供大量免费的视频资源。在YouTube上,你总能找到你想要的视频资源。

当你找到一些有效的YouTube视频,想要重复观看要么临时没偶然间观看的时间,你大概需要将这些视频收藏要么下载下来。

假如你正在寻找将YouTube视频下载到iPhone/iPad 的方法,这篇教程可以帮到你。

如今,让我们看看怎样操作吧!

Part 1. 简单介绍一下VidPaw免费在线视频下载器

纵然是付费的YouTube 影片,也可以用VidPaw 来下载吗?下载后的视频画质会不会变差?我需要支付几多才能使用VidPaw 的服务?…

你是否也有类似于上述的迷惑?不用担心,你将会在这里得到具体的解答。

VidPaw 为环球用户提供优质的在线视频和音频下载服务。在开始使用VidPaw之前,你需要大抵理解它的基本功能。

VidPaw免费先写下载器的特色:

支持YouTube, Twitter, Facebook, Instagram, Dailymotion, SoundCloud等1000 多个网站的视频资源下载。VidPaw 与全部browser兼容。VidPaw线上下载器是完全免费的。无广告的页面欣赏体验。更多的免费工具正在开发中。

想要理解VidPaw更多的功能特点?请继续阅读吧。

视频输特别式 - WEBM, 3GP, MP4

视频质量 - 144p, 240p, 360p, 720p, 1080p, 2K, 4K, 8K

音频输特别式 - M4A, WEBM,MP3

音频质量 - 64kbps, 96kbps, 128kbps, 256kbps, 320kbps

VidPaw 现在支持九种语言,包括英语、法语、西班牙语,德语、葡萄牙语、意大利语、俄语、中文以及日语。

假如原始视频附带字幕,你还可以选择将所需的字幕下载为SRT文档。

Part 2. 怎样使用VidPaw 将YouTube视频下载到iPhone/iPad

通过VidPaw,你不但可以轻松地将YouTube线上视频下载到电脑,还可以储存在iPhone/iPad等装备里。无需任何庞杂的操作,简单的几步即可完成下载。

方法一:使用iOS13以及以上的装备

iOS 13的新亮点 - 支持下载多媒体文件。以往还需要下载多一个软件来进行整个下载過逞,但是假如你的装备已经升级到iOS13要么以上,那么就可以直接使用Safari来下载YouTube视频啦!假如你的装备不合适升级iOS13,也可以滚动页面,下方也有相应的教程介绍!

第一步:复制YouTube视频的链接

第二步:直接在Safaribrowser上打开VidPaw的官网。然后粘贴方才复制好的YouTube链接到VidPaw的下载框内。立刻VidPaw就会剖析你的链接,直接跳转到下载页面。

复制粘贴YouTube链接到VidPaw

第三步:下载YouTube视频。差别于在Documents App要么别的装备,在Safari点击下载按钮后,会弹出一个新的页面问你,“是否想要下载XXXXX视频?”,直接点击“下载”按钮,然后视频就会主动开始下载。

怎么察看下载的视频?

点击页面上方那个下载按钮就可以看到下载进度以及下载好的视频了。点击下载好的视频,你可以选择直接观看视频,要么点击下方的分享按钮 > 点击“储存视频”,保存到相册。

下载YouTube视频方法二:下载Documents App(假如使用iOS低于13的装备)

第一步:将Documents 应用程序下载到iPhone在App Store 大将Documents App 下载到iPhone,然后前去VidPaw.com.

下载油管视频到iPhone

第二步:复制 YouTube 视频的链接在YouTube上播放你想要下载的视频,复制其链接,然后将它粘贴到VidPaw 的主页面上。点击[开始]按钮进行下一步。

在iPhone下载油管上新西游记的视频

第三步: 开始下载视频向下滚动页面,选择视频输出的质量,然后点击[下载]按钮。页面会表现一个新窗口,在这里你需要选择视频的输出位置,点击窗口右上角的[储存]按钮,然后VidPaw 就会开始将YouTube视频下载到iPhone了。

选择保存地点

下载完成后,你可以在Document的资料夹中找到你的视频。如今,请在线下观看你的YouTube 视频吧!

下载保存在线视频 使用VidPaw的小贴士:

有些用户大概会以为在两个页面之间切换很麻烦。在这里你可以实验下面这个简单的小本领。第一步:在Documents app中播放你想要下载的YouTube 影片。第二步: 将视频链接改成 https://www.youtubepaw.com/XXXXX 的格式 (在“youtube”背面加上“paw”)第三步: 前去修改后的网址,然后你就可以把想要的视频下载到装备了。

提示:这个方法只实用于YouTube 视频的下载。

在iPhone上快速下载油管视频的方法

Part 3. [YouTube 视频教程]怎样在iPhone/iPad 使用 VidPaw

仍旧对VidPaw的使用方法有疑问?请看下面的YouTube 视频教程吧。

点击这条链接前去YouTube 观看讲解视频: 《How to Download YouTube Videos to iPhone?》

如今你应该把握这个线上视频下载的使用方法了吧!

请将VidPaw 分享给你的小伙伴,让他们也能使用这个方法免费下载线上视频!

科技影戏音乐YouTubeiPhone

© 本文版权归 VidPaw 全部,任何情势转载请联系作者。

© 理解版权计划

'%s'的搜索结果

pageNo:1

pageNo:1

total:0

currentURL:/templates/tag-biduxiaoshuo-iSki-1-youtubeChannelArt

Fotor懒计划提供海量精致原创的 必读小说 Youtube频道封面 模板,

包括 必读小说 Youtube频道封面 图片素材、 必读小说 Youtube频道封面 计划素材、 必读小说 Youtube频道封面 素材计划、 必读小说 Youtube频道封面 图片大全,选择你嘻歡的 必读小说 Youtube频道封面 模板,

根据差别需求进行修改文案、更换配景图片等操作,在线、快速搞定计划,并能下载JPG,PNG,PDF格式 必读小说 Youtube频道封面 计划模板。

本文网址: http://www.fifispa.com/p/202091514553_2616_3332722683/home