01 youtube官網買粉絲是什么意思網絡語言模型(Youtube DNN經典論文)

國外都用什么社交軟件?

這個很多啊，其實很多國外社交軟件的功能和我國的買粉絲微博那些差不多的。

接下來介紹幾個：

facebook

社交網絡服務網站于2004年2月4日推出。全球網站排名第一。谷歌全球排名第二，百度排名第五。國內模仿者包括人人網、開心網等。

YouTube

視頻分享網站，2005年2月14臺，全球網站排名第三，具有優良的圖書館，土豆，56在國內的模仿者；

推特

社交網絡微博客網站于2006年6月上線。全球網站排名第八。新浪微博全球排名35。國內模仿者包括新浪微博、騰訊微博等。

LinkedIn

專業社交網站于2002年12月成立，在全球網站排名第十三位。在中國有幾個成功的模仿者，但幾乎沒有開心網。但開心娛樂網太強，導致不是LinkedIn臉譜網。

Tumblr

最受歡迎的博客平臺，創建于2007，居世界第三十六位，該產品將博客演變成一種意識流的敘事瑣碎，日志短小精悍，觸發點是很隨意的，可以是圖片，視頻，一句話，一個鏈接或思想，如小Sina，洛夫特國內的模仿者，光博客等；

Pinterest

圖片分享社區網站于2010年3月推出。全球網站排名第三十八。在中國，沒有純粹的成功的模仿者，而美麗mogujie.買粉絲模型是從這個網站學習。

暫時就這么多了，有興趣的話可以去了解一下。

Python能用來做什么？

Python因語法簡潔、上手簡單、功能強大特點，廣泛應用于網站開發、數據分析、爬蟲、自動化運維、人工智能、大數據、游戲開發等領取。

1、做日常任務，比如下載視頻、MP3、自動化操作excel、自動發郵件。

2、做網站開發、web應用開發，很多著名的網站像知乎、YouTube就是Python寫的。

許多大型網站就是用Python開發的，例YouTube、Instagram，還有國內的豆瓣。很多大公司，包括Google、Yahoo等，甚至NASA（美國航空航天局）都大量地使用Python。

3、做網絡游戲的后臺，很多在線游戲的后臺都是Python開發的。

4、系統網絡運維。

vtuber是什么意思

vtuber是虛擬主播，是指使用虛擬形象在視頻網站上進行投稿活動的主播，以虛擬YouTuber最為人所知。

在中國，虛擬主播普遍被稱為虛擬UP主，Virtual Uploader（VUP）。在中國以外的地區，虛擬主播由于普遍活躍于YouTube被稱為Virtual YouTuber（VTuber）。

狹義的虛擬主播以原創的虛擬人格設定、形象在視頻網站、社交平臺上進行活動。形象多以MMD或Unity的3D模型或Live2D制作的2D模型出現，并以真人聲優配音，但聲優一般情況下并不公開。視頻形式多種多樣，vlog和游戲實況較多。

來源

虛擬主播的概念是由絆愛在2016年11月以虛擬YouTuber的形式開創的，絆愛也是公認的第一個虛擬YouTuber。自絆愛大熱以后，2017年出現了大量的虛擬YouTuber。

vtuber結晶是什么意思

vtuber最初專指在youtube平臺上的虛擬主播，后來泛指各種虛擬主播。

vtb是vtuber的縮寫，虛擬主播的主要是特點外表套著一層虛擬皮由中之人賦予靈魂。

虛擬形象是指一般指外部的皮，由畫師設計實現的立繪，然后再用live2D2點5D3D做動畫模型。

Youtube DNN經典論文

最近在看王喆的知乎專欄，第三、四、十三篇都是Youtube的經典論文DNN：買粉絲s://zhuanlan.hu.買粉絲/p/52169807  買粉絲s://zhuanlan.hu.買粉絲/p/52504407  買粉絲s://zhuanlan.hu.買粉絲/p/61827629

跟著大佬又回顧了一下，發現之前真的只能算是一知半解，趁著這次把對這篇論文的新的理解記錄一下，可能還會有一些錯誤。

論文講解了在召回和精排兩個階段的模型：

召回：

先從特征說起：用戶觀看過的買粉絲的embedding，用戶搜索詞的embedding，用戶的地理位置、年齡等side_infomation，還有exampl_age這個需要解釋的特征

然后是模型：三層DNN

最后是training的loss：softmax做分類

serving的方式：nearest neighbor

里面其實有很多疑點：

1.example_age是什么

這個點專欄里說是訓練時間 - 得到這條樣本的時間（視頻點擊時間），但是我覺得這樣表達不出“新視頻”這個概念，也不知道用當前時間去減是啥意思，label是點擊那一刻打上去的，又不是訓練的時候；

所以我覺得這個example age應該是點擊時間-上架時間，表示用戶對新上架視頻的偏好，用這個特征去捕獲這個偏好了，在serve的時候全都置為0就可以消除這個偏好，畢竟這是召回階段，可以多召回些東西。（這樣就是消除用戶對新視頻的偏好了？）

2.為什么要做多分類，而不是預測分，多分類的話有海量視頻，性能怎么保證

為什么要做多分類，而不是把樣本的embedding也給到網絡里做打分，這一點我是真的沒弄明白；

海量視頻的多分類性能的提升是用到了sampled softmax，可以參考買粉絲://買粉絲.4k8k.xyz/article/Kaiyuan_sjtu/119881236  買粉絲s://zhuanlan.hu.買粉絲/p/349908071 總的來說就是通過Q(y|x)采樣出一個子集，對子集計算logits，然后用計算結果F(x,y)-log(Q(y|x))可以表示原數據集上的logits

3.serving階段為什么不做多分類了，而是做nearest neighbor

這里首先要弄明白serving階段的user embedding和買粉絲 embedding是什么，user_embedding是最后一層relu之后的結果，比如是一個d維的向量；然后要得到一個幾百萬維(用d_N表示)的向量，需要過一個d*d_N維的矩陣，這個矩陣的每一列訓練完之后就是買粉絲 embedding；如果是serving的階段依然是和每一列相乘，再算一個softmax，既然分母是一樣的，取指數的操作也是一樣的，那么就直接做點積就好了。

排序：

先從特征說起：當前排序的買粉絲的embedding，用戶觀看過的買粉絲的embedding，用戶和買粉絲的語言embedding，time since last watch是自上次觀看同channel視頻的時間，previous impressions是該視頻已經被曝光給該用戶的次數（這里已經引入了負反饋的思路）

然后是模型：三層DNN

最后是training的loss：weighted logistic

serving的方式：e^(Wx+b)

這里面也有一些疑點：

1.training時候的weighted logistic是什么，為什么serving的時候用的是e^(Wx+b)

這個點是我重讀的時候最沒理解的地方，先嘗試寫一下，這里首先要搞清楚weighted logitstic是什么，那先回顧一下LR的公式的由來是log(odds) = w*x；這里的odds=p/(1-p)表示正樣本發生的概率/負樣本發生的概率；在weighted LR里面這個odds要變成W*p/(1-p)這里的W就是給正樣本加的權重，至于為什么是這樣有一種解釋是用正負樣本比去解釋的，我覺得不是很合理 買粉絲s://zhuanlan.hu.買粉絲/p/435912211；但是如果能夠接受這個odds的話，那么log(odds) = w*x就可以得到odds = e^(wx)，后者就是serving的目標；

再說W*p/(1-p)是什么，這里W權重是這條視頻的時長T，那么sum(Ti*pi)就是E(T)即時長的期望，E(T)/(1-p)泰勒展開就是E(T)*(1+p)這里的p很小的話其實就是E(T)也就是說serving的時候其實得到的就是觀看時長的期望，這里如果用到電商里用price去加權，得到的應該也是對price的預估。

很赞哦!（55）