尽管Google已发布官方指南，但Google Discover对出版商和搜索营销社区而言仍具神秘感。作为推荐系统的一种，其运作机制可参考YouTube的经典研究论文《用于YouTube推荐的深度神经网络》。该文揭示了如何在海量内容生成环境下扩展推荐系统规模，其原理同样适用于理解Google Discover。
推荐系统的演进与局限
Google Discover属于推荐系统范畴。早期的MovieLens等系统虽能通过用户评分进行协同过滤推荐，但在应对YouTube或Google Discover所需的个性化推荐规模时显得力不从心。现代推荐系统多采用“双塔架构”来解决这一规模化难题。
双塔推荐模型的核心机制
双塔模型通过两个独立的神经网络分别处理用户和内容信息，再进行匹配。该架构包含两个核心模块：
用户塔
负责处理用户的观看历史、搜索词、地理位置及人口统计学数据，将用户兴趣映射为数学空间中的向量表示。
物品塔
使用嵌入向量表示内容项目。这些向量与用户模型同步训练并存储，支持系统即时将用户坐标与数百万内容坐标进行相似度比对，无需在每次刷新时重新分析所有视频。
新鲜度与算法偏见平衡
推荐系统需在展示已知热门内容（利用）与探索新内容之间取得平衡。研究表明，用户对新鲜内容有强烈偏好，但前提是不过度牺牲相关性。
消除历史数据的隐性偏见
机器学习模型基于历史数据训练，易对旧内容产生隐性偏见。为解决此问题，系统在服务阶段会将时间特征设为零天前或略负值，迫使模型预测当前流行趋势而非历史平均水平。这对Google Discover的启示在于：定期更新内容有助于提升曝光机会。
点击数据的噪声与模型优化
点击数据作为隐式反馈信号，常因数据稀疏性和外部因素存在噪声，难以准确反映用户满意度。此外，内容元数据结构化程度较低，要求算法具备鲁棒性。
研究证实，深度学习协同过滤模型优于传统矩阵分解方法。通过将样本年龄作为输入特征，可有效消除历史偏见，显著提升近期内容的观看时长。在排序环节，深度学习方法在观看时长预测上也超越了线性和基于树的方法。尽管该论文已有十年历史，但其揭示的双塔架构与去偏见策略，仍是理解Google Discover等现代推荐系统的重要基石。