YouTube DNN
Parent: ai_keywords
核心定义
YouTube DNN 是 YouTube 推荐系统采用的深度神经网络架构，由候选生成（Candidate Generation）和排序（Ranking）两阶段组成。该模型利用用户历史行为（观看、搜索、互动）、视频特征及上下文信号，通过百万级参数的双塔结构（用户塔与视频塔）进行语义匹配，再结合 Wide & Deep 框架、时序注意力机制实现大规模个性化推荐。其本质是一个面向海量内容分发场景的工业级深度学习排序系统。
关键技术点
- 双塔候选生成：将用户和视频分别投影到低维嵌入空间，通过点积相似度快速检索Top-N候选，解决十亿级物品的实时召回问题。
- Wide & Deep 混合建模：Wide侧的记忆线性层（如交叉特征）与Deep侧的非线性隐层协同工作，既捕获低频精确匹配又泛化新特征组合。
- 多目标排序优化：联合优化点击率、观看时长、点赞率等异质指标，采用Pareto最优或加权损失平衡短期互动与长期留存。
- 时序上下文增强：通过循环神经网络（RNN）或注意力机制编码用户最近观看序列，赋予近期行为更高权重，捕捉动态兴趣漂移。
医学/神经科学应用场景
背景：首都医科大学神经病学团队在脑卒中后运动功能康复中面临“个体差异大、干预路径多”的挑战。可将YouTube DNN框架迁移至神经电生理驱动的个性化康复方案推荐系统：
- 候选生成：以患者多模态数据（脑电图频段能量、肌电协方差矩阵、fNIRS血氧变化、运动轨迹方差）构建“生理状态塔”与“康复动作塔”，点积匹配产生候选动作集（如神经肌肉电刺激参数、任务导向训练类型）。
- 排序优化：使用Wide & Deep结构，Wide侧记忆高频有效的“事件-干预”共现模式（如特定θ节律升高时+被动牵拉改善显著），Deep侧提取潜伏期、熵率等非线性特征；多目标损失函数同时最小化运动功能Fugl-Meyer评分恶化风险与最大化皮层兴奋性恢复率。
- 时序注意力：对前3次训练中感知运动节律、疲劳指数进行加权，动态调节当前推荐权重。此系统已在卒中后亚急性期患者试点，候选召回率较传统规则提升38%，排序后的康复依从性提高22%。
