《The YouTube video recommendation system》是一篇详细介绍YouTube视频推荐的论文，在整个系统中没有复杂的算法，使用了一些简单有效的策略，这也符合工业界的应用，在工业界，为了考虑算法复杂度，数据量，可维护性等等一些因素，在工业界中，通常会选择一些简单有效的方法。
以下是论文的核心内容：
目标
帮助用户找到高质量且符合用户兴趣的视频，最终实现的是Top-N推荐。
总的思想
利用用户的互动行为数据，推荐与互动过视频相似的视频。
相似视频的挖掘
1、概念
相似视频指的是：当给定视频v_i 后，用户更有可能观看的视频组成的集合R_i ，公式如下所示：R_i=fleft ( v_i right ) 其中：
- v_i ：种子视频
- R_i ：与视频v_i 相似的视频的集合
2、方法
关联规则(Association Rule)
计算与给定的种子视频一起被观看的概率，概率越大，相似性越高。
3、相似性的计算
计算的方法：rleft ( v_i,v_j right )=frac{c_{ij}}{fleft ( v_i,v_j right )} 其中，fleft ( v_i,v_j right ) 称为正则化函数，通常可以取为：fleft ( v_i,v_j right )=v_icdot v_j 。
计算出所有的与视频v_i 相似的视频，根据相似性的值rleft ( v_i,v_j right ) 从候选集R_i 中找到Top-N的相似视频。
由left ( v_i,v_j right ) 可以表示成一个有向图，其中，权重为rleft ( v_i,v_j right ) ，如下所示：
生成推荐的候选
1、一级
假设种子集合为S ，由上述的相似性的方法挖掘出一些候选：C_1left ( S right )=bigcup_{v_iin S}R_i
这样的方法容易产生narrow recommendations，即推荐的视频与种子视频相似度极高，这对推荐来说不能满足多样性的要求。
2、二级
以一级产生的候选C_1 作为种子，产生C_2 。
3、多级
上述的结论推广至多级，形成最终的推荐结果为：C_{final}=left ( bigcup_{i=0}^{N}C_i right ) setminus S
Ranking
ranking的指标主要有：
- 视频质量
- 用户特性
其他
- 评价的方法：线上A/B Test
- 评价的指标：CTR
参考文献
- Davidson J, Liebald B, Liu J, et al. The YouTube video recommendation system[C]//Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010: 293-296.
