在推荐系统领域，特别是YouTube的所在视频推荐领域，主要面临三个挑战：
规模大：用户和视频的数量都很大，只能适应小规模数据集的算法就不考虑了。
更新快：youtube视频更新频率很高，每秒有小时级别的视频上传。
噪音：噪音主要体现在用户的历史行为往往是稀疏的并且是不完整的。
召回和排序模型
整个模型架构是包含三个隐层的DNN结构。
输入是用户浏览历史、搜索历史、人口统计学信息和其余上下文信息concat成的输入向量；
输出分线上和离线训练两个部分。 离线训练阶段输出层为softmax层，输出上面公式表达的概率。而线上则直接利用user向量查询相关商品，最重要问题是在性能。
我们利用ANN/近似最近邻算法（比如类似局部敏感哈希/Locality Sensitive Hashing、KD-Tree、K-means Tree）为用户提供最相关的N个视频。
整个推荐系统分为candidate generation（召回）和Ranking（排序）两个阶段。召回阶段通过i2i/u2i/u2u/user profile等方式“粗糙”的召回候选商品，召回阶段视频的数量是百级别了；排序阶段对Matching后的视频采用更精细的特征计算user-item之间的排序分，作为最终输出推荐结果的依据。
亮点
1） 推荐系统经典结构的深度学习化，→ 向量化 + DNN
2） 超多类在分类时的高效解决方案，→ 负采样方法
3） 加权逻辑回归解决预测时长问题，→ 正样本上采样
本论文值得反复读，有很多工程细节信息，比如特征处理，Recall侧，深度的精髓在于Embedding的使用上。Rank侧，深度的使用则是在表达和学习目标的优化上作了优化。