Wyjaśnienie algorytmu YouTube

Jak szybko rozwinąć swój kanał YouTube, pracując z zamiast wbrew algorytmowi YouTube?

Wielu małych YouTuberów zmaga się z rozwojem swojego kanału.

Chociaż istnieje wiele powodów, dla których Twój kanał YouTube się nie rozwija, jednym z najczęstszych jest niezrozumienie działania algorytmu YouTube.

W tym artykule pokażę, jak działa algorytm YouTube pod maską.

Dowiesz się, w jaki sposób algorytm uczenia maszynowego określa temat każdego filmu, jak grupuje podobne kanały YouTube, jak rozumie, czym interesuje się każdy widz oraz jak poleca nowe filmy i kanały, których widzowie nie subskrybują.

Jeśli jesteś mniej zainteresowany szczegółami algorytmu YouTube, możesz również przeczytać mój bardziej taktyczny przewodnik, jak złamać algorytm YouTube.

Jak algorytm YouTube rozumie temat filmów z YouTube?

Jednym z najważniejszych priorytetów YouTube jest umiejętność zrozumienia treści każdego filmu, dzięki czemu może polecić odpowiedni film odpowiedniej osobie.

YouTube wykorzystuje wiele różnych technik do analizy każdego filmu.

Wykorzystuje zarówno bezpośrednie, jak i pośrednie metadane, aby wyodrębnić dane słów kluczowych z filmów oraz analizy wideo i audio za pomocą złożonych algorytmów uczenia maszynowego.

Analiza tekstowa

Najprostsza analiza opiera się na wyodrębnianiu słów kluczowych na podstawie tekstu.

W tym celu YouTube analizuje szereg bezpośrednich i pośrednich atrybutów tekstowych, aby ekstrapolować opisowe słowa kluczowe, które dokładnie odzwierciedlają treść jego filmu.

Analiza słów kluczowych tytułu, opisu i tagów wideo

Użytkownicy mogą dodawać do swoich filmów tytuł wideo, opis wideo, tagi wideo i kategorię wideo.

Podobnie jak w przypadku wszystkich metadanych generowanych przez użytkowników, problem polega na tym, że często są one podatne na błędy, niejasności i niekompletność.

Z tego powodu YouTube musi najpierw oczyścić i ulepszyć wszystkie zapisane metadane, aby były użyteczne w ramach algorytmu rekomendacji.

Przykład:

Ktoś mógłby napisać Instagram, Insta, gram lub IG, wszystkie odnosząc się do tej samej aplikacji mediów społecznościowych. YouTube rozwiązuje tę niejednoznaczność, wewnętrznie grupując synonimy o tym samym nazewnictwie.

Następnie wykorzystuje dane kontekstowe, aby zrozumieć kontekst słowa kluczowego „Instagram”. Czy ktoś mówi o firmowym Instagramie, kulturowym wpływie Instagrama, o tym, jak korzystać z aplikacji Instagram jako użytkownik, czy też o zwiększaniu liczby odbiorców na Instagramie jako twórcy treści?

Ujednolicone i ulepszone metadane są następnie zapisywane dla każdego filmu w celu dalszej analizy.

Polecam zapoznanie się z moimi artykułami o tym, jak tytułować swoje filmy na YouTube i jak zoptymalizować tytuły filmów, aby uzyskać więcej informacji.

Analiza napisów

Transkrypcje wideo w postaci napisów są zdecydowanie najlepszym źródłem metadanych wideo do analizy treści.

W przypadku dokładnej transkrypcji stanowią one konwersję jeden do jednego ze słowa mówionego na słowo pisane, dzięki czemu stają się dostępne dla narzędzi analizy uczenia maszynowego YouTube.

Zasadniczo YouTube może korzystać z tych samych zaawansowanych technologii, których jego firma macierzysta Google używa do analizowania miliardów witryn, stron i postów na blogach pod kątem SEO.

Początkowo YouTube polegał na przesyłaniu lub transkrypcji własnych napisów przez użytkowników.

Ponieważ była to żmudna praca, tylko garstka niezwykle zaangażowanych użytkowników YouTube faktycznie dodawała napisy do swoich filmów.

Chociaż napisy były o wiele lepsze do analizy tekstu, były trochę bezużyteczne, jeśli tylko 1 na 100 000 posiada napisy.

YouTube rozwiązał ten problem, intensywnie inwestując we własne oprogramowanie do rozpoznawania głosu, które automatycznie transkrybuje każdy przesłany film i konwertuje je na napisy.

Problem z transkrypcjami YouTube polega na tym, że czasami nie są one w 100% dokładne.

Często źle rozumie, co ludzie mówią w filmach, a następnie używa niewłaściwych słów w napisach, zwłaszcza jeśli sprzęt audio jest gorszej jakości, hałas w tle jest bardzo wysoki lub ktoś ma akcent.

Ma to kilka potencjalnie bardzo niebezpiecznych konsekwencji dla każdego twórcy treści w YouTube.

W najlepszym przypadku YouTube nie kojarzy ze swoim filmem ważnego słowa kluczowego, według którego chcesz pozycjonować.

W najgorszym przypadku nieszkodliwe słowo może zostać zinterpretowane jako zły oszczerstwo, skutkujące demonetyzacją lub automatycznym strajkiem społeczności.

Jeśli chcesz uzyskać najlepsze możliwe wyniki dla swoich transkrypcji i napisów, w tym odpowiednią wielkość liter i interpunkcję, polecam sprawdzić Descript i Wydra, aby uzyskać najlepsze wyniki.

Analiza listy odtwarzania

YouTube będzie również używać pośrednich, kontekstowych metadanych, aby zrozumieć, o czym jest dany YouTube.

Czy określony film znajduje się na co najmniej jednej playliście wideo utworzonej przez Twój kanał lub przez inne osoby? Jeśli tak, jakie słowa kluczowe znajdują się w tytule i opisie playlisty?

YouTube może następnie przeanalizować każdą listę odtwarzania, łącząc wszystkie tytuły filmów w ramach każdej listy odtwarzania, a następnie użyć algorytmów rozpoznawania wzorców w celu zidentyfikowania wspólnych słów kluczowych, które dokładnie opisują podobieństwa między wszystkimi filmami.

Te elementy wspólne na playlistach mogą służyć jako dodatkowe informacje kontekstowe dla każdego umieszczonego filmu.

Jeśli konkretna playlista zawiera na przykład niespójne dane i szum, YouTube zignoruje te dane, ponieważ ktoś rzuca razem niepowiązane filmy.

Możesz szybko uporządkować istniejące listy odtwarzania za pomocą narzędzia do tworzenia list odtwarzania TubeBuddy.

Analiza komentarzy

Innym źródłem metadanych wideo są komentarze na YouTube. Jest to bardziej istotne w przypadku większych kanałów, które stale otrzymują dużą liczbę komentarzy do każdego filmu.

YouTube może wyszukiwać określone słowa kluczowe i wzorce, które wskazują opisowe stwierdzenia.

Przykład:

„Dziękuję bardzo. Twój film naprawdę pomógł mi zrozumieć, jak zachęcić więcej osób do subskrybowania mojego kanału YouTube”.

W takim przypadku jeden ze wzorców wyszukiwania może zawierać „jak…”

Ponownie, należy wspomnieć, że YouTube nie przyjmuje komentarzy za dobrą monetę. W przeciwnym razie nieuczciwi aktorzy mogliby łatwo oszukać system, aby uzyskać nieuczciwą przewagę.

Zamiast tego YouTube wykorzystuje wszystkie dane, aby zwiększyć swój poziom ufności, potwierdzając zgodność we wszystkich punktach danych.

Jeśli chcesz rzucić okiem na to, co widzi YouTube, sprawdź chmurę słów komentarzy TubeBuddy.

Analiza kart informacyjnych i ekranów końcowych

Ostatnie źródła metadanych wideo to karty informacyjne i ekrany końcowe.

Czy któraś z osadzonych kart zawiera linki do określonych filmów, playlist lub witryn zewnętrznych?

Jeśli tak, jaki tekst znajduje się w tytule i opisie każdej karty?

W przypadku filmów na YouTube, jakie metadane i klastry treści są powiązane z każdym filmem? Czy istnieją podobieństwa i nakładanie się między filmami źródłowymi i docelowymi lub playlistami?

W przypadku witryn, jaki jest adres URL każdej strony, tytuł strony i treść HTML?

Narzędzie do przetwarzania zbiorczego TubeBuddy dla kart informacyjnych i ekranów końcowych pozwoli Ci zaoszczędzić mnóstwo czasu.

Analiza wizualna

YouTube używa narzędzia do analizy zdjęć opartego na sztucznej inteligencji, aby analizować miniatury wideo i poszczególne klatki wideo w oparciu o Google Cloud Vision AI.

Niezwykłą rzeczą w Google Cloud Vision AI jest to, że możesz otwarcie uzyskać do niej dostęp, aby ocenić własne miniatury filmów.

Możesz zapoznać się z moim artykułem o tym, jak zaprojektować idealną miniaturę YouTube do samouczka krok po kroku.

Oto niektóre obiekty, które YouTube i Cloud Vision mogą rozpoznać:

• Ludzie
• Twarze
• Emocje
• Gesty
• Odzież
• Przedmioty i atrybuty
• Dominujące kolory
• Styl
• Logos
• Rozpoznawanie tekstu
• Ocena bezpiecznego wyszukiwania
  • Dorosły
  • Naciąganie
  • Medyczny
  • Przemoc
  • Pikantny

Szczerze mówiąc, to trochę przerażające, jak dokładna sztuczna inteligencja stała się na przestrzeni lat.

YouTube używa tej samej technologii do analizy każdego filmu klatka po klatce.

Głównie w celu zidentyfikowania treści chronionych prawem autorskim i wszelkich treści, które mogłyby spowodować naruszenie wytycznych dla społeczności.

Dodatkową korzyścią jest to, że YouTube identyfikuje osoby i obiekty w każdym z Twoich filmów.

Jeśli tytuł Twojego filmu brzmiałby „Jak zrobić idealną sałatkę z pomidorów”, sensowne byłoby „zobaczenie” prawdziwych pomidorów w swoich filmach.

Pomaga to YouTube nie tylko zwalczać fałszywe tytuły typu clickbait, ale jest także doskonałym źródłem dodatkowych metadanych, które mogą być trudne do wyrażenia w tekście.

Załóżmy, że masz film zatytułowany „3 niedoceniane lokalizacje w Londynie”, a trzy lokalizacje pokazane w filmie to „Borough Market”, „Thames Barrier Park” i „Richmond Park”.

Gdyby sztuczna inteligencja YouTube mogła rozpoznać określone lokalizacje wyłącznie na podstawie rozpoznawania wizualnego, na przykład poprzez konwersję znaku na tekst za pomocą technologii OCR.

YouTube poleciłby Twój film komuś, kto szukał „najlepszego targu spożywczego w Londynie”.

Działa to w wielu przypadkach, nawet jeśli nie uwzględnisz ich w tytule, opisie, tagach lub napisach.

Analiza dźwięku

YouTube analizuje również każdy moment muzyki, dźwięków i wypowiedzianych słów we wszystkich filmach.

Najbardziej oczywistym powodem jest ponownie zidentyfikowanie muzyki objętej prawami autorskimi w systemie Content ID YouTube.

Dodatkowe dane audio zapewniają również cenny wgląd w to, co dzieje się w każdym filmie.

Poszczególne utwory są powiązane z konkretnymi wykonawcami, gatunkiem muzyki i innymi utworami, które mogą dobrze ze sobą współgrać.

Dźwięki i efekty dźwiękowe często informują o konkretnych wydarzeniach. Na przykład dźwięk „miau” wskazywałby na obecność kota.

Wypowiadane słowa mogą wskazywać na obecność określonej osoby w Twoim filmie.

Analiza kontekstu

YouTube wykorzystuje również szersze dane kontekstowe, aby lepiej zrozumieć temat każdego filmu.

Kanał

• Co wiemy o kanale YouTube, który przesyła film?
• Z jakimi klastrami treści jest powiązany kanał YouTube?
• Co wiemy o użytkownikach, którzy oglądają filmy z tego kanału?
• Które większe grupy odbiorców oglądają filmy z tego kanału?
• Które grupy demograficzne oglądają filmy z tego kanału?

Strony zewnętrzne

• Czy ten film wideo został umieszczony w witrynach zewnętrznych?
• Jeśli tak, jak możemy ekstrapolować dodatkowe informacje z treści strony internetowej, w której osadzony był określony film?
• Co jeszcze publikuje ta witryna?
• Kto jest autorem konkretnego artykułu?
• Z jakich tematów znany jest ten autor?
• Jaki jest wynik autorytetu witryny?

Analiza widzów

• Jak widzowie wchodzili w interakcję z tym filmem?
• Jakie przedziały czasowe były obserwowane i jak często?
• Które przedziały czasowe zostały pominięte i jak często?
• Jaki jest współczynnik klikalności każdego widza w wyświetleniach wideo?
• Jaki jest czas oglądania widza w minutach/procentach?
• Co wiemy o zbiorze widzów o niskim odsetku czasu oglądania?
• Co wiemy o zbiorze widzów o wysokim odsetku czasu oglądania?

W jaki sposób algorytm YouTube znajduje podobne kanały YouTube do polecania?

W jaki sposób algorytm YouTube łączy kanały YouTube z poszczególnymi tematami, kategoriami i klastrami treści?

Kiedy patrzysz na filmy zamieszczone na kanale CNN YouTube, prawdopodobnie rozumiesz, że skupiają się one przede wszystkim na tworzeniu treści informacyjnych.

Ale jak YouTube może określić to samo dla swoich milionów kanałów YouTube na dużą skalę?

Najprostszym podejściem byłoby poproszenie każdego kanału YouTube o samodzielną klasyfikację.

Po prostu wybierz odpowiednią kategorię z długiej listy kategorii kanałów i wszystko będzie dobrze?

Cóż, nie tak szybko...

Problem z samoklasyfikacja polega na tym, że jest podatna na błędy.

Twórca treści YouTube może nie mieć jasnego kierunku kanału lub strategii dotyczącej treści. Dlatego mogą nie wiedzieć, którą kategorię wybrać.

Twórcy mogą również nie wiedzieć, którą kategorię wybrać, jeśli nie rozumieją definicji lub znaczenia każdej kategorii.

Czasami też mogą być przytłoczeni, zwłaszcza jeśli lista kategorii jest bardzo długa.

Rozwiązanie?

Algorytmicznie określają kategorię kanału YouTube!

Oto, jak YouTube może zrozumieć, o czym są kanały YouTube.

Patrzą na trzy różne czynniki.

• Jaka jest treść każdego z ich filmów?
• Jakie są najpopularniejsze tematy i motywy we wszystkich ich filmach?
• Jakie cechy, cechy i zainteresowania mają widzowie ich filmów?

Wszystkie trzy informacje wzajemnie się uzupełniają.

Im bardziej harmonijne dane, tym wyższy wynik zaufania YouTube, że dany kanał należy do określonej kategorii i niszy. Im bardziej prawdopodobne jest, że YouTube poleci Twoje filmy w sekcji Sugerowane filmy na kanałach YouTube w tej samej niszy.

Dlatego tak ważne jest opracowanie przejrzystej strategii dotyczącej treści YouTube dla wszystkich Twoich filmów. Więcej informacji o tworzeniu strategii treści od podstaw znajdziesz w moim artykule dotyczącym strategii klastrów treści w YouTube.

W jaki sposób algorytm YouTube określa, czym interesuje się każdy użytkownik?

YouTube śledzi wszystko, co użytkownicy robią w ich witrynie.

Każdy ruch myszy. Każde kliknięcie miniatury YouTube.

Ile procent miniatury było widoczne na każdej stronie.

Jeśli wideo jest odtwarzane na pierwszym planie lub w tle.

Jakie miniatury i tytuły filmów były promowane dla każdego użytkownika i ile razy?

Jaki był współczynnik klikalności każdego wyświetlenia wideo?

Ile wyświetleń ma każdy film w YouTube?

Jaki był czas oglądania filmu w minutach i procentach po kliknięciu filmu? Jaki jest typowy procent czasu oglądania filmów przez tego użytkownika? Czy czas oglądania tego filmu jest powyżej lub poniżej średniej?

Co zrobił ktoś po obejrzeniu konkretnego filmu po raz pierwszy?

Zaangażowali się? Czy nacisnęli przycisk „lubię nie lubić”? Czy napisali komentarz? Czy była to pozytywna czy negatywna wypowiedź oparta na analizie sentymentu?

Czy użytkownik rozwinął opis filmu?

Czy widz udostępnił film? Jeśli tak, na jakiej platformie? A jaki był najbardziej prawdopodobny powód udostępnienia?

Czy zasubskrybowali kanał YouTube? Jeśli tak, na jakiej stronie? Jeśli na stronie z filmami wideo, ile procent filmu obejrzeli?

Czy badali konkretne kanały YouTube? Które tytuły filmów były dla nich widoczne? Na który kliknęli?

Czy dodali filmy do określonych playlist? Jaki był tytuł tej playlisty? Jakie były motywy i tematy innych filmów na tej samej playliście?

Czy nacisnęli przycisk „Obejrzyj później”?

Jakie są powiązane klastry treści, motywy i tematy tego filmu? Czy ten użytkownik był zainteresowany którymkolwiek z tych klastrów treści na podstawie wcześniejszych zachowań i historii oglądania? Czy zazwyczaj występują nakładające się interesy między dwoma klastrami treści, na przykład Linuksem i programowaniem?

YouTube wykorzystuje następnie wszystkie te punkty danych, aby zasilać swoje algorytmy uczenia maszynowego, aby znaleźć wzorce wśród wielu użytkowników.

Podsumowując.

YouTube najpierw klasyfikuje filmy, aby zrozumieć, o czym jest każdy film.

Następnie grupuje tematy w szersze grupy treści i nisze.

Jeśli ktoś obejrzy konkretny film, powiązane z nim klastry treści są powiązane z profilem użytkownika jako zainteresowania.

Im więcej filmów ktoś obejrzy z tego samego klastra treści, tym większe prawdopodobieństwo, że poleci temu użytkownikowi filmy z tej samej kategorii.

Ta analiza pozwala YouTube zrozumieć, czym interesuje się każdy użytkownik, ale nie ogranicza się tylko do analizy wideo.

YouTube wykorzystuje również dane dotyczące wspólnego oglądania, aby jeszcze bardziej zawęzić zainteresowania poszczególnych użytkowników.

Aby zapoznać się z taktycznym przewodnikiem, jak wdrożyć te lekcje, zapoznaj się z moim artykułem o tym, jak złamać algorytm YouTube.

Algorytm YouTube tworzy odrębne grupy demograficzne i zainteresowań na podstawie tego, co ludzie oglądają

W jaki sposób algorytm YouTube łączy poszczególnych widzów z szerszymi grupami treści?

YouTube grupuje użytkowników na podstawie wspólnych zainteresowań i powiązanych klastrów treści, dzięki czemu może wydawać rekomendacje na podstawie historii innych użytkowników i nowych filmów, które zostały dodane do określonych klastrów treści.

Ta funkcja jest bardzo podobna do algorytmu rekomendacji Amazon dla często kupowanych sugestii i odbiorców podobnych do Facebooka.

YouTube rejestruje historię oglądania każdego zalogowanego użytkownika na swojej platformie.

Następnie analizuje jednocześnie historię oglądania wszystkich osób i oblicza średnią odległość między dowolnymi dwoma filmami w ramach tej samej sesji. Im krótsza odległość, jeśli ktoś ogląda oba filmy jeden po drugim, tym większa odległość, jeśli ogląda kilka innych filmów pomiędzy nimi.

Gdy YouTube obliczy średnią odległość między dwoma filmami, może łączyć ze sobą zastosowania o podobnej historii oglądania i polecać nowe filmy na podstawie użytkowników o wspólnych zainteresowaniach.

Bardziej zaawansowany system może łączyć jeszcze więcej źródeł danych.

Jaki jest proces algorytmu YouTube służący do identyfikowania nowych tematów i klastrów treści

Kategorie filmów w YouTube

Na początku YouTube próbował ręcznie zdefiniować listę możliwych kategorii filmów i poprosił użytkowników o wybranie jednego z następujących tematów dla każdego z ich filmów:

• Film i animacja
• Samochody i pojazdy
• Muzyka
• Zwierzęta domowe
• Sporty
• Podróże i wydarzenia
• Hazard
• Ludzie i blogi
• Komedia
• Zabawa
• Wiadomości i polityka
• Jak projektować
• Edukacja
• Technologia naukowa
• Organizacje non-profit i aktywizm

Nadal możesz znaleźć ustawienie kategorii wideo na stronie ustawień wideo, chociaż dzisiaj jest ono nieistotne i ignorowane.

Samoklasyfikacja powodowała wiele problemów, ponieważ twórcy wideo nie rozumieli, jak ma działać każda kategoria i czym miałyby się od siebie różnić.

Rezultatem było niespójne etykietowanie.

Wykres wiedzy Freebase

YouTube szybko zdał sobie sprawę z ograniczeń tych 15 kategorii i zaczął pracować nad bardziej holistycznym podejściem opartym na bazie danych wykresów wiedzy Freebase.

Freebase była dużą wspólną bazą wiedzy z ponad 39 milionami ustrukturyzowanych jednostek danych.

Została zorganizowana wokół „podmiotów”, zwanych też tematami. Każda jednostka była powiązana z jednym lub kilkoma „typami”. Każdy typ miał unikalny zestaw „atrybutów”.

Na przykład encja „samochód” była powiązana m.in. z typem „silnik”, który posiadał atrybut „konie mechaniczne”.

Podobnie jak w Wikipedii, nazwy jednostek, typów i atrybutów Freebase zostały przetłumaczone na różne języki, co było świetną wiadomością dla międzynarodowej ekspansji YouTube.

YouTube wykorzystał bazę danych Freebase jako podstawę do opracowania własnego systemu kategorii.

Firma Google opracowała już kilka systemów taksonomii do klasyfikowania treści stron internetowych na potrzeby swojej wyszukiwarki i celów reklamowych.

YouTube wykorzystał algorytmy klasyfikatorów Google do przetworzenia każdej jednostki, typu i atrybutu bazy danych Freebase, aby połączyć ją z systemem taksonomii Google.

Powstały model został dodatkowo wzbogacony poprzez powiązanie konkretnych tematów z dedykowanymi stronami portalu Wikipedia.

Przejście z 15 do ponad 39 milionów kategorii tematycznych było ogromnym krokiem naprzód dla YouTube, ale nadal miało niezliczone ograniczenia.

Największym problemem było to, że opierała się na ludzkiej klasyfikacji i hierarchicznym, odgórnym podejściu do porządkowania tematów.

Stało się to bardziej widoczne wraz z gwałtownym rozwojem nowych technologii i pomysłów.

Kategorie manualne były zbyt nieelastyczne i zbyt wolne, by dostosowywać się do zmian.

Obecnie większość pomysłów i koncepcji nie ma czarno-białych definicji, często ma niejednoznaczne i płynne znaczenie oraz stale ewoluuje w czasie.

Czy iPhone to urządzenie telekomunikacyjne, komputer mobilny, telefon, kamera wideo czy smartfon? A jeśli weźmiemy pod uwagę aplikacje? Czy to kalkulator, procesor tekstu, konsola do gier?

A co, jeśli mamy bardziej złożone koncepcje i pomysły z 20 poziomami hierarchii? Jak je organizujemy?

YouTube zdecydował się wycofać Freebase w 2015 roku na rzecz nowego algorytmu klasyfikatora algorytmicznego, który nie wymagał żadnej formy klasyfikacji i selekcji przez ludzi.

Algorytmiczne generowanie klastrów treści

W jaki sposób komputer może wygenerować super precyzyjną mapę każdego możliwego do wyobrażenia tematu na świecie, a następnie uporządkować tę mapę w jasno określone klastry treści?

Można to osiągnąć dzięki zaawansowanym algorytmom uczenia maszynowego, które przeszukują miliardy punktów danych metadanych wideo i historii oglądania przez użytkowników.

Po pierwsze, każdy film jest konwertowany na metadane tekstowe, wyodrębniając tytuł filmu, opis, tagi i komentarze oraz konwertując ścieżkę audio na napisy za pomocą algorytmów rozpoznawania tekstu.

Nieistotne informacje są odrzucane.

Połączone dane tekstowe każdego filmu są analizowane i grupowane na podstawie słów kluczowych i fraz.

Zidentyfikowane słowa kluczowe i frazy są następnie sortowane i ważone według trafności i częstotliwości.

Słowa kluczowe są następnie łączone ze sobą na podstawie danych z oglądania wideo.

YouTube analizuje każde słowo kluczowe lub frazę pojedynczo

Następnie tworzy listę wszystkich filmów zawierających określone słowo kluczowe lub frazę.

A następnie identyfikuje wszystkich użytkowników, którzy obejrzeli co najmniej dwa różne filmy z tym samym słowem kluczowym lub frazą w ramach tej samej sesji.

YouTube analizuje następnie historię oglądania wszystkich sesji i oblicza średnią odległość oglądania między wszystkimi filmami zawierającymi docelowe słowo kluczowe lub frazę.

Załóżmy, że mamy trzy filmy z tym samym słowem kluczowym A, B i C.

Jeśli Jane zaczęła od A, potem f, potem B i na końcu C.

Odległość między A i B wynosiłaby 2, a A do C 3 i tak dalej.

Im krótsza odległość między dwoma filmami, tym bardziej trafne są filmy i, pośrednio, powiązane słowa kluczowe.

Połączenie milionów filmów i danych o oglądaniu przez użytkowników daje całkiem dobrą reprezentację trafności słów kluczowych.

Teraz zróbmy coś szalonego.

Stwórzmy gigantyczną wielowymiarową mapę myśli i połączmy wszystkie słowa kluczowe ze średnią odległością oglądania.

Otrzymujesz gigantyczny wykres z milionami połączonych ze sobą punktów danych.

YouTube najpierw wstępnie przetwarza wykres za pomocą zewnętrznego algorytmu, aby znaleźć źródłowe filmy i słowa kluczowe, aby podzielić wykres na klastry treści.

YouTube szuka naturalnych granic z minimalnym nakładaniem się i większą średnią odległością oglądania.

Gdy YouTube zidentyfikuje potencjalne klastry treści, wybiera dwa losowe filmy źródłowe z każdego klastra, aby rozpocząć lokalną, dogłębną analizę skupień treści.

Algorytm ten działa od wewnątrz i próbuje rozwinąć lokalny wykres klastra treści z wyraźnie określonymi krawędziami, identyfikując najkrótszą ścieżkę między dwoma filmami źródłowymi, a następnie łącząc ze sobą odpowiednie sąsiednie filmy z podobnymi słowami kluczowymi.

W końcowym procesie YouTube usuwa następnie filmy o najniższym wyniku podobieństwa, zwykle na obrzeżach klastra, aby uzyskać dodatkową przejrzystość.

Czasami YouTube może zdać sobie sprawę, że zidentyfikowany klaster treści można dalej podzielić na dodatkowe podgrupy.

Zaletą tego algorytmicznego podejścia do generowania klastrów treści jest to, że nie wymaga ono interwencji człowieka lub wymaga jedynie minimalnej interwencji.

Algorytm ten stale identyfikuje nowe grupy treści i tematy, które często dotyczą tylko niewielkiej liczby użytkowników.

Wystarczy kilku YouTuberów, którzy tworzą filmy o nowym słowie kluczowym i grupa ludzi, którzy oglądają ich filmy.

Et voila, utworzono nowy klaster treści.

Przeczytaj ten artykuł, aby dowiedzieć się, jak powiązać strategię dotyczącą treści YouTube z klastrami treści YouTube.

A ponieważ YouTube zna historię oglądania wszystkich użytkowników, może teraz polecić ten nowy klaster treści widzom podobnym do osób, które obejrzały te filmy jako pierwsze.

Funkcje odkrywania YouTube

Algorytm kanału YouTube na stronie głównej

Strona główna YouTube bardzo się zmieniła na przestrzeni lat.

Strona główna YouTube wyświetlała tylko rekomendacje filmów dla kanałów, które subskrybowali użytkownicy.

Kanał na stronie głównej jest teraz w 100% spersonalizowany dzięki rekomendacjom wideo opartym na historii oglądania każdego użytkownika.

YouTube wykorzystuje mieszankę filmów wideo opartych na znanych tematach, które użytkownik ostatnio oglądał, oraz nowych filmów wideo z zupełnie innych kategorii opartych na podobnych użytkownikach, aby sugestie były świeże i ekscytujące.

Dlaczego kanał na stronie głównej nie skupia się wyłącznie na znanych tematach? Po co ryzykować „obrażanie” mojego dobrego gustu kimś, kogo nigdy wcześniej nie widziałem?

Może się to wydawać sprzeczne z intuicją, ale okazuje się, że świeżość jest kluczowym czynnikiem w utrzymaniu ludzi na platformie YouTube na dłużej.

Ludzie mogą oglądać tylko tyle filmów na jeden temat, zanim poczują się wyczerpani psychicznie. Świeże tematy wideo dają wyjście i zapobiegają nudzie.

Aby znaleźć się w kanale na stronie głównej, musisz poprawić współczynnik klikalności i utrzymanie uwagi odbiorców, ponieważ pomogą Ci one dotrzeć do większej liczby odbiorców.

Algorytm kanału subskrypcji YouTube

Kanał subskrypcji jest dość oczywisty. Koncentruje się wyłącznie na filmach z kanałów, które użytkownicy już zasubskrybowali.

Chociaż ten kanał koncentruje się na Twoich subskrypcjach, nie jest to kanał chronologiczny.

YouTube wciąż stara się pokazywać Ci najlepsze możliwe treści, które według niego pozwolą Ci dłużej pozostać na platformie.

Oto, co zobaczysz na kanale subskrypcji.

Ostatnio przesłane filmy z kanałów, które subskrybujesz, z naciskiem na tematy podobne do tych, które już obejrzałeś, oraz filmy, które mają już udokumentowane osiągnięcia pod względem wysokiego współczynnika klikalności i długiego czasu oglądania.

Algorytm sugerowanych filmów na YouTube

Algorytm kanału „Sugerowane” YouTube, który obejmuje również filmy „Następne”, jest ważnym czynnikiem, który należy wziąć pod uwagę dla twórców.

Ta funkcja wybiera filmy do sugerowanego obszaru pod bieżącym filmem na urządzeniach mobilnych lub na prawym pasku bocznym na komputerach stacjonarnych.

Co YouTube rozważa, czy zasugerować jeden z Twoich filmów?

Pierwszym krokiem jest upewnienie się, że metadane Twoich filmów są zgodne z metadanymi filmów, które masz nadzieję polecić.

Obejmuje to podobne tytuły, słowa kluczowe, opisy i sam film wyrażony w napisach.

Twoje treści z większym prawdopodobieństwem zostaną tu polecane, jeśli widzowie będą je oglądać zamiast opuszczać YouTube.

Sztuczna inteligencja szuka również uzupełniających się, szczegółowych filmów i kanałów, a także łamaczy smaku, aby obejrzeć coś innego, więc nigdy nie zostaną przytłoczeni oglądaniem zbyt wielu filmów na dany temat.

Łamacze smaku nie są przypadkowe. Nadal opierają się na osobistych rekomendacjach opartych na historii oglądania każdego użytkownika i danych dotyczących wspólnego oglądania podobnych użytkowników.

Algorytm kanału zyskującego popularność w YouTube

Większość ludzi uważa, że ​​sekcja „Trendy” YouTube zawiera tylko filmy, które są obecnie popularne.

To założenie jest błędne.

Popularne tematy to tematy, o których ludzie obecnie rozmawiają w wiadomościach i mediach społecznościowych.

Chodzi o to, co jest relacjonowane w wiadomościach, w mediach społecznościowych, na stronach internetowych, na blogach i gdzie indziej.

Funkcja zyskująca popularność jest „specyficzna geograficznie”, co oznacza, że ​​YouTube wyświetla różne filmy w zależności od lokalizacji widza.

Algorytm kanału powiadomień YouTube

Użytkownicy otrzymują również dostosowane rekomendacje wideo za pośrednictwem powiadomień YouTube.

Aby Twoje filmy znalazły się w kanale powiadomień, użytkownicy muszą najpierw zasubskrybować Twój kanał YouTube, a następnie kliknąć ikonę dzwonka.

Następnie YouTube powiadomi subskrybentów w czasie rzeczywistym o wszelkich nowych filmach, które prześlesz na swój kanał.

Subskrybenci otrzymują powiadomienie za pośrednictwem aplikacji YouTube lub powiadomień na pulpicie.

Zazwyczaj powiadomienia wideo pojawiają się sekwencyjnie bez dyskryminacji, co oznacza, że ​​YouTube wyświetli wszystkie powiadomienia ze wszystkich kanałów, niezależnie od liczby subskrybentów.

Jedynym wyjątkiem jest sytuacja, gdy użytkownik włączy zbyt wiele powiadomień dla zbyt wielu kanałów. W tym przypadku YouTube używa swojego algorytmu trafności na podstawie tego, co użytkownik najprawdopodobniej obejrzy w następnej kolejności.

Algorytm wyników wyszukiwania w YouTube

Wyszukiwarka YouTube kładzie duży nacisk na SEO YouTube, w tym optymalizację słów kluczowych tytułu, opisu, tagów wideo i słów kluczowych znajdujących się w napisach każdego filmu.

Dodatkowo bierze pod uwagę liczbę subskrybentów kanału i czas oglądania filmów, jeśli chodzi o decydowanie, który kanał pojawi się w wynikach wyszukiwania, a które filmy będą umieszczane na górze.

Świeżość to kolejny ważny czynnik rankingowy, który umożliwia polecanie nowych i zaktualizowanych treści, dając szansę mniejszym kanałom.

Aby to wykorzystać, nowe filmy muszą zoptymalizować tytuły filmów i miniatury, aby uzyskać wysoki współczynnik klikalności; w przeciwnym razie nowe filmy będą z czasem spadać w rankingu, jeśli nikt ich nie kliknie.

YouTube wprowadził również rozdziały wideo, które umożliwiają „pocięcie filmu na sekcje”, dzięki czemu widzowie mogą łatwo zidentyfikować konkretne odpowiedzi na określone pytania. Możesz włączyć tę opcję w swoim filmie lub utworzyć własne rozdziały wideo ze słowami kluczowymi, które pasują do tematu filmu. Dzięki temu YouTube może wyświetlać Twoje filmy w wynikach wyszukiwania.

Następne kroki

Wow, algorytm YouTube to niezwykła technologia.

Teraz, gdy rozumiesz już każdy aspekt działania algorytmu YouTube pod maską, co jeszcze możesz zrobić, aby szybko rozwinąć swój (odnoszący sukcesy) kanał YouTube?

Polecam przeczytanie mojego bardzo taktycznego przewodnika po rozwoju YouTube, aby pomóc Ci złamać algorytm YouTube.

Pomija wiele szczegółów technicznych algorytmu YouTube, które omówiliśmy w tym artykule, na rzecz praktycznych porad i zaleceń dotyczących wdrażania kluczowych lekcji na temat algorytmu YouTube.

Następnie możesz zapoznać się z niektórymi z moich artykułów na temat rozwoju YouTube poniżej.

• Jak znaleźć idealną niszę dla swojego kanału YouTube, wybierając odpowiednie klastry treści dla swojego kanału.
• Jak zoptymalizować tytuł wideo, a także tutaj.
• Jak zaprojektować niesamowite miniatury do swojego filmu, które uzyskują kliknięcia.
• Jak poprawić współczynnik klikalności wyświetleń w YouTube.
• Jak dostać się do pierwszych 1000 subskrybentów YouTube.
• Jak szybko zbudować 4000 godzin czasu oglądania, aby zarabiać na swoim kanale YouTube.
• Jak możesz zarabiać na swoim kanale YouTube, także tutaj, tutaj i tutaj.
• Na koniec moja pełna recenzja najlepszego narzędzia do wzrostu YouTube TubeBuddy.