Объяснение алгоритма YouTube

Как быстро развить свой канал на YouTube, работая с алгоритмом YouTube, а не против него

Многие маленькие ютуберы изо всех сил пытаются развивать свой канал.

Хотя существует множество причин, по которым ваш канал YouTube не растет, одна из самых распространенных — непонимание того, как работает алгоритм YouTube.

В этой статье я покажу вам, как алгоритм YouTube работает внутри.

Вы узнаете, как алгоритм машинного обучения определяет тему каждого видео, как он группирует похожие каналы YouTube, как он понимает, что интересует каждого зрителя, и как он рекомендует новые видео и каналы, на которые зрители не подписаны.

Если вас меньше интересуют мельчайшие детали алгоритма YouTube, вы также можете прочитать мое более тактическое руководство о том, как взломать алгоритм YouTube.

Как алгоритм YouTube понимает тему видео на YouTube

Одним из главных приоритетов YouTube является возможность понять содержание каждого видео, чтобы затем порекомендовать нужное видео нужному человеку.

YouTube использует множество методов для анализа каждого видео.

Он использует как прямые, так и косвенные метаданные для извлечения данных о ключевых словах из видео и анализа видео и аудио с помощью сложных алгоритмов машинного обучения.

Текстовый анализ

Самый простой анализ основан на извлечении ключевых слов из текста.

С этой целью YouTube просматривает ряд прямых и косвенных текстовых атрибутов, чтобы экстраполировать описательные ключевые слова, точно отражающие содержание его видео.

Анализ ключевых слов заголовка, описания и тегов видео

Пользователи могут добавлять название видео, описание видео, теги видео и категорию видео к своим видео.

Как и в случае со всеми генерируемыми пользователями метаданными, проблема заключается в том, что они часто подвержены ошибкам, двусмысленности и неполноте.

Из-за этого YouTube должен сначала очистить и улучшить все записанные метаданные, чтобы сделать их пригодными для использования в рамках своего алгоритма рекомендаций.

Пример:

Кто-то может написать в Instagram, Insta, gram или IG, ссылаясь на одно и то же приложение для социальных сетей. YouTube решает эту двусмысленность, группируя внутри себя синонимы с одинаковыми названиями.

Затем он использует контекстные данные, чтобы понять контекст ключевого слова «Instagram». Кто-то говорит о компании Instagram, культурном влиянии Instagram, о том, как использовать приложение Instagram в качестве пользователя или о расширении аудитории в Instagram в качестве создателя контента?

Унифицированные и расширенные метаданные затем сохраняются для каждого видео для дальнейшего анализа.

Я рекомендую ознакомиться с моими статьями о том, как озаглавить ваши видео на YouTube и как оптимизировать заголовки ваших видео для получения более подробной информации.

Анализ субтитров

Транскрипции видео в виде субтитров, безусловно, являются лучшим источником метаданных видео для анализа контента.

При точной расшифровке они представляют собой однозначное преобразование устного слова в письменное, что делает его доступным для инструментов анализа машинного обучения YouTube.

По сути, YouTube может использовать те же передовые технологии, которые использует его материнская компания Google для анализа миллиардов веб-сайтов, страниц и сообщений в блогах для SEO.

Первоначально YouTube полагался на то, что пользователи загружали или расшифровывали свои собственные субтитры.

Поскольку это была утомительная работа, лишь горстка чрезвычайно преданных пользователей YouTube действительно добавляла субтитры к своим видео.

Хотя субтитры были намного лучше для анализа текста, они были бы бесполезны, если бы только 1 из 100 000 имел субтитры.

YouTube решил эту проблему, вложив значительные средства в собственное программное обеспечение для распознавания голоса, которое автоматически расшифровывало каждое загруженное видео и преобразовывало его в субтитры.

Проблема с транскрипцией на YouTube заключается в том, что иногда она не является 100% точной.

Он часто неправильно понимает, что люди говорят в видео, а затем использует неправильные слова в своих субтитрах, особенно если звуковое оборудование более низкого качества, фоновый шум очень высок или если у кого-то есть акцент.

Это имеет несколько потенциально очень опасных последствий для любого создателя контента YouTube.

В лучшем случае YouTube не связывает важное ключевое слово, по которому вы хотите ранжироваться, с вашим видео.

В худшем случае безобидное слово может быть истолковано как оскорбление, что приведет к демонетизации или автоматической забастовке сообщества.

Если вы хотите получить наилучшие возможные результаты для своих расшифровок и субтитров, включая правильное использование заглавных букв и пунктуацию, я рекомендую проверить Descript и Otter для достижения наилучших результатов.

Анализ плейлиста

YouTube также будет использовать косвенные контекстные метаданные, чтобы понять, о чем тот или иной YouTube.

Включено ли конкретное видео в один или несколько списков воспроизведения видео, созданных вашим каналом или другими пользователями? Если да, то какие ключевые слова включены в название и описание плейлиста?

Затем YouTube может проанализировать каждый плейлист, объединив все заголовки видео в каждом плейлисте, а затем использовать алгоритмы распознавания образов для определения общих ключевых слов, которые точно описывают общие черты всех видео.

Эти общие черты в списках воспроизведения могут служить дополнительной контекстной информацией для каждого встроенного видео.

Например, если определенный плейлист содержит несогласованные данные и шум, YouTube проигнорирует данные, потому что кто-то собирает несвязанные видео.

Вы можете быстро привести в порядок существующие плейлисты с помощью инструмента TubeBuddy Playlists Action Tool.

Анализ комментариев

Еще одним источником метаданных видео являются комментарии YouTube. Это более актуально для более крупных каналов, которые постоянно получают большое количество комментариев к каждому видео.

YouTube может выполнять поиск по определенным ключевым словам и шаблонам, которые указывают на описательные утверждения.

Пример:

«Большое спасибо. Ваше видео действительно помогло мне понять, как привлечь больше людей к подписке на мой канал YouTube».

В этом случае в одном из шаблонов поиска может быть «как…»

Опять же, важно отметить, что YouTube не принимает комментарии за чистую монету. В противном случае мошенникам было бы легко обмануть систему, чтобы получить несправедливое преимущество.

Вместо этого YouTube использует все данные для повышения уровня достоверности, подтверждая соответствие всех точек данных.

Если вы хотите получить представление о том, что видит YouTube, загляните в Облако слов комментариев TubeBuddy.

Анализ информационных карт и конечных заставок

Последними источниками метаданных видео являются информационные карты и конечные заставки.

Связаны ли встроенные карточки с конкретными видео, плейлистами или внешними веб-сайтами?

Если да, то какой текст содержится в названии и описании каждой карты?

В случае видео YouTube, какие метаданные и кластеры контента связаны с каждым видео? Есть ли сходства и совпадения между исходным и целевым видео или плейлистами?

Что такое URL-адрес каждой страницы, заголовок страницы и HTML-контент в случае веб-сайтов?

Инструмент массовой обработки TubeBuddy для информационных карточек и конечных заставок сэкономит вам массу времени.

Визуальный анализ

YouTube использует инструмент анализа фотографий на основе искусственного интеллекта для анализа миниатюр видео и отдельных видеокадров на основе искусственного интеллекта Google Cloud Vision.

Замечательная особенность Google Cloud Vision AI заключается в том, что вы можете получить открытый доступ к нему, чтобы оценить свои собственные миниатюры видео.

Вы можете прочитать мою статью о том, как создать идеальную миниатюру YouTube для пошагового руководства.

Вот некоторые из объектов, которые YouTube и Cloud Vision могут распознавать:

• Люди
• Лица
• Эмоции
• Жесты
• Одежда
• Объекты и атрибуты
• Доминирующие цвета
• Стиль
• Логотипы
• Распознавание текста
• Рейтинг безопасного поиска
  • Взрослый
  • подделка
  • Медицинский
  • Насилие
  • Пикантный

Честно говоря, даже немного страшно, насколько точным стал ИИ за эти годы.

YouTube использует ту же технологию для покадрового анализа каждого видео.

В основном для выявления контента, защищенного авторским правом, и любого контента, который может привести к нарушению принципов сообщества.

В качестве дополнительного преимущества YouTube идентифицирует людей и объекты в каждом из ваших видео.

Если бы ваше видео называлось «Как приготовить идеальный салат из помидоров», имело бы смысл «увидеть» в ваших видео настоящие помидоры.

Это не только помогает YouTube бороться с поддельными кликбейтными заголовками, но также является отличным источником дополнительных метаданных, которые может быть трудно выразить в виде текста.

Допустим, у вас есть видео с заголовком «3 недооцененных места в Лондоне», и три места, которые вы показали в своем видео, — это «Рынок Боро», «Парк Темз-Барриер» и «Ричмонд-парк».

Если бы ИИ YouTube мог распознавать определенные места исключительно на основе визуального распознавания, например, путем преобразования знака в текст с помощью технологии OCR.

После этого YouTube порекомендует ваше видео тем, кто ищет «лучший продуктовый рынок в Лондоне».

Это работает во многих случаях, даже если вы не включаете их в свой заголовок, описание, теги или субтитры.

Анализ аудио

YouTube также анализирует каждый момент музыки, звуков и произнесенных слов во всех видео.

Самая очевидная причина — это, опять же, идентификация музыки, защищенной авторским правом, для системы идентификации контента YouTube.

Дополнительные аудиоданные также дают ценную информацию о том, что происходит в каждом видео.

Конкретные песни связаны с конкретными исполнителями, музыкальным жанром и другими песнями, которые могут хорошо сочетаться друг с другом.

Звуки и звуковые эффекты часто сообщают о конкретных событиях. Например, звук «мяу» указывает на присутствие кошки.

Произнесенные слова могут указывать на присутствие конкретного человека в вашем видео.

Контекстный анализ

YouTube также использует более широкие контекстные данные, чтобы лучше понять тему каждого видео.

Канал

• Что мы знаем о канале YouTube, который загружает видео?
• С какими кластерами контента связан канал YouTube?
• Что мы знаем о пользователях, которые смотрят видео с этого канала?
• Какие большие группы аудитории смотрят видео с этого канала?
• Какие демографические группы смотрят видео с этого канала?

Внешние сайты

• Было ли это видео встроено на внешние сайты?
• Если да, то какую дополнительную информацию мы можем экстраполировать из содержания веб-страницы, в которую было встроено конкретное видео?
• Что еще публикует этот сайт?
• Кто автор конкретной статьи?
• Какими темами известен этот автор?
• Что такое рейтинг авторитетности сайта?

Анализ зрителей

• Как зрители отреагировали на это видео?
• Какие временные диапазоны просматривались и как часто?
• Какие временные диапазоны были пропущены и как часто?
• Каков рейтинг кликов каждого зрителя при просмотре видео?
• Каково время просмотра зрителя в минутах/процентах?
• Что мы знаем о коллективе зрителей с низким процентом времени просмотра?
• Что мы знаем о коллективе зрителей с высоким процентом времени просмотра?

Как алгоритм YouTube находит похожие каналы YouTube, чтобы рекомендовать их

Как алгоритм YouTube связывает каналы YouTube с отдельными темами, категориями и кластерами контента?

Когда вы смотрите видеоролики, размещенные на YouTube-канале CNN, вы, вероятно, понимаете, что они в первую очередь ориентированы на создание новостного контента.

Но как YouTube может определить то же самое для своих миллионов каналов YouTube в масштабе?

Самый простой подход — попросить каждый канал YouTube провести самоклассификацию.

Просто выберите нужную категорию из длинного списка категорий каналов, и все будет в порядке?

Ну не так быстро...

Проблема с самоклассификацией заключается в том, что она подвержена ошибкам.

У создателя контента YouTube может не быть четкого направления канала или стратегии контента. Таким образом, они могут не знать, какую категорию выбрать.

Создатели также могут запутаться в том, какую категорию выбрать, если они не понимают определения или значения каждой категории.

Иногда они также могут быть перегружены, особенно если список категорий очень длинный.

Решение?

Они алгоритмически определяют категорию канала YouTube!

Вот как YouTube может понять, о чем каналы YouTube.

Они рассматривают три различных фактора.

• Каково содержание каждого из их видео?
• Каковы самые популярные темы и темы во всех их видео?
• Какие черты, характеристики и интересы разделяют зрители их видео?

Все три части информации дополняют друг друга.

Чем гармоничнее данные, тем выше показатель уверенности YouTube в том, что тот или иной канал относится к определенной категории и нише. Более вероятно, что YouTube порекомендует ваши видео в разделе «Предлагаемые видео» каналов YouTube в той же нише.

Вот почему так важно разработать четкую контент-стратегию YouTube для всех ваших видео. Вы можете узнать больше о создании стратегии контента с нуля в моей статье о стратегии кластера контента YouTube.

Как алгоритм YouTube определяет, что интересует каждого пользователя

YouTube отслеживает все, что пользователи делают на своем веб-сайте.

Каждое движение мыши. Каждый клик по миниатюре YouTube.

Сколько процентов миниатюры было видно на каждой странице.

Если видео воспроизводится на переднем или заднем плане.

Какие миниатюры и заголовки видео были показаны каждому пользователю и сколько раз?

Какова была CTR каждого показа видео?

Сколько просмотров у каждого видео на YouTube?

Каково было время просмотра видео в минутах и ​​процентах после нажатия на видео? Каков типичный процент времени просмотра видео этим пользователем? Время просмотра этого видео выше или ниже среднего?

Что кто-то сделал после просмотра определенного видео в первый раз?

Они занимались? Они нажимали кнопку «нравится/не нравится»? Они написали комментарий? Был ли это положительный или отрицательный комментарий, основанный на анализе настроений?

Расширил ли пользователь описание видео?

Зритель поделился видео? Если да, то на какой платформе? И что было наиболее вероятной причиной обмена?

Они подписались на канал YouTube? Если да, то на какой странице? Если на странице видео, сколько процентов видео они посмотрели?

Изучали ли они конкретные каналы YouTube? Какие названия видео были им видны? На что они нажали?

Добавляли ли они видео в определенные плейлисты? Как назывался этот плейлист? Каковы темы и темы других видео в том же плейлисте?

Они нажали кнопку посмотреть позже?

Каковы связанные кластеры контента, темы и темы этого видео? Интересовался ли этот пользователь каким-либо из этих кластеров контента на основе прошлого поведения и истории просмотров? Существуют ли обычно пересекающиеся интересы между двумя кластерами контента, например Linux и разработкой программного обеспечения?

Затем YouTube использует все эти точки данных, чтобы передать свои алгоритмы машинного обучения для поиска закономерностей среди нескольких пользователей.

Подвести итоги.

YouTube сначала классифицирует видео, чтобы понять, о чем каждое видео.

Затем он группирует темы в более широкие группы контента и ниши.

Если кто-то смотрит определенное видео, связанные с ним кластеры контента связываются с профилем пользователя как интересы.

Чем больше видео кто-то смотрит из одного и того же кластера контента, тем больше вероятность того, что он порекомендует этому пользователю видео из той же категории.

Этот анализ позволяет YouTube понять, что интересует каждого пользователя, но не ограничивается только анализом видео.

YouTube также использует данные совместного просмотра для дальнейшего уточнения интересов отдельных пользователей.

Чтобы получить тактическое руководство о том, как реализовать эти уроки, ознакомьтесь с моей статьей о том, как взломать алгоритм YouTube.

Алгоритм YouTube создает отдельные демографические группы и группы по интересам на основе того, что люди смотрят

Как алгоритм YouTube связывает отдельных зрителей с более широкими кластерами контента?

YouTube группирует пользователей на основе общих интересов и связанных кластеров контента, поэтому он может давать рекомендации на основе истории других пользователей и новых видео, которые были добавлены в определенные кластеры контента.

Эта функция очень похожа на алгоритм рекомендаций Amazon для часто покупаемых вместе предложений и похожих аудиторий Facebook.

YouTube записывает историю просмотров каждого пользователя, вошедшего в систему на своей платформе.

Затем он одновременно просматривает историю просмотров всех людей и вычисляет среднее расстояние между любыми двумя видео в рамках одного сеанса. Чем меньше расстояние, если кто-то смотрит оба видео подряд, тем больше расстояние, если они смотрят пару других видео между ними.

Как только YouTube рассчитает среднее расстояние между двумя видео, он может связать их использование с похожей историей просмотров и рекомендовать новые видео на основе пользователей с общими интересами.

Более продвинутая система может объединять еще больше источников данных.

Каков процесс алгоритма YouTube для определения новых тем и кластеров контента?

Категории видео на YouTube

В первые дни YouTube пытался вручную определить список возможных категорий видео и просил пользователей выбрать одну из следующих тем для каждого из своих видео:

• Кино и анимация
• Автомобили и транспорт
• Музыка
• Домашние животные и животные
• Спортивный
• Путешествия и события
• Игры
• Люди и блоги
• Комедия
• Развлекательная программа
• Новости и политика
• Как сделать и стиль
• Образование
• Научные технологии
• Некоммерческие организации и активизм

Вы по-прежнему можете найти настройку категории видео на странице настроек видео, хотя сегодня она неактуальна и игнорируется.

Самостоятельная классификация вызвала множество проблем, потому что создатели видео не понимали, как должна работать каждая категория и чем категории должны отличаться друг от друга.

Результатом стала несовместимая маркировка.

График знаний Freebase

YouTube быстро осознал ограничения этих 15 категорий и начал работать над более целостным подходом, основанным на базе данных графа знаний Freebase.

Freebase представляла собой большую совместную базу знаний с более чем 39 миллионами структурированных объектов данных.

Он был организован вокруг «сущностей», также известных как темы. Каждая сущность была связана с одним или несколькими «типами». Каждый тип имел уникальный набор «атрибутов».

Например, объект «автомобиль» был связан, среди прочего, с типом «двигатель», у которого был атрибут «лошадиная сила».

Как и в Википедии, имена сущностей, типов и атрибутов Freebase были переведены на разные языки, что стало отличной новостью для международной экспансии YouTube.

YouTube использовал базу данных Freebase в качестве основы для разработки собственной системы категорий.

Google уже разработал несколько систем таксономии для классификации содержимого веб-страниц для своей поисковой системы и рекламных целей.

YouTube использовал алгоритмы классификатора Google для обработки каждого объекта, типа и атрибута базы данных Freebase, чтобы связать их с системой таксономии Google.

Полученная модель была дополнительно обогащена путем связывания определенных тем с выделенными страницами портала Википедии.

Переход от 15 к более чем 39 миллионам тематических категорий стал огромным шагом вперед для YouTube, но он по-прежнему имел бесчисленные ограничения.

Самая большая проблема заключалась в том, что он полагался на человеческую классификацию и иерархический нисходящий подход к организации тем.

Это стало более очевидным с взрывным ростом новых технологий и идей.

Ручные категории были слишком негибкими и слишком медленными, чтобы адаптироваться к изменениям.

Сегодня большинство идей и концепций не имеют черно-белых определений, часто неоднозначны и изменчивы по смыслу и постоянно развиваются с течением времени.

Является ли iPhone телекоммуникационным устройством, мобильным компьютером, телефоном, видеокамерой или смартфоном? Что, если мы рассмотрим приложения? Калькулятор, текстовый процессор, игровая приставка?

Что, если у нас есть более сложные концепции и идеи с 20 уровнями иерархии? Как мы это организуем?

YouTube решил отказаться от Freebase в 2015 году в пользу нового алгоритма алгоритмического классификатора, который не требует какой-либо человеческой классификации и курирования.

Алгоритмическая генерация кластеров контента

Как компьютер может создать сверхточную карту каждой вообразимой темы в мире, а затем структурировать эту карту в четко определенные кластеры контента?

Этого можно достичь с помощью передовых алгоритмов машинного обучения, которые просматривают миллиарды точек данных метаданных видео и истории просмотра пользователями.

Во-первых, каждое видео преобразуется в текстовые метаданные путем извлечения заголовка видео, описания, тегов и комментариев и преобразования звуковой дорожки в субтитры с помощью алгоритмов распознавания текста.

Неактуальная информация отбрасывается.

Объединенные текстовые данные каждого видео анализируются и группируются на основе ключевых слов и фраз.

Затем идентифицированные ключевые слова и фразы сортируются и взвешиваются по релевантности и частоте.

Затем ключевые слова связываются вместе на основе данных о просмотре видео.

YouTube просматривает каждое ключевое слово или фразу по одному

Затем он составляет список всех видео, содержащих определенное ключевое слово или фразу.

А затем идентифицирует всех пользователей, которые посмотрели как минимум два разных видео с одним и тем же ключевым словом или фразой в течение одного сеанса.

Затем YouTube анализирует историю просмотров всех сеансов и вычисляет среднее расстояние просмотра между всеми видео, содержащими целевое ключевое слово или фразу.

Допустим, у нас есть три видео с одним и тем же ключевым словом A, B и C.

Если Джейн начала с A, затем f, затем B и, наконец, C.

Расстояние между A и B будет равно 2, а расстояние от A до C будет равно 3 и так далее.

Чем короче расстояние между двумя видео, тем релевантнее видео и, соответственно, связанные ключевые слова.

Объединение миллионов видео и данных о просмотре пользователями дает довольно хорошее представление о релевантности ключевых слов.

Теперь давайте сделаем что-нибудь сумасшедшее.

Давайте создадим гигантскую многомерную интеллект-карту и объединим все ключевые слова со средней дистанцией просмотра.

В итоге вы получите гигантский график с миллионами взаимосвязанных точек данных.

YouTube сначала предварительно обрабатывает график с помощью алгоритма «извне-внутрь», чтобы найти исходные видео и ключевые слова, чтобы разделить график на кластеры контента.

YouTube ищет естественные границы с минимальным перекрытием и большим средним расстоянием просмотра.

Как только YouTube определил потенциальные кластеры контента, он выбирает два случайных начальных видео из каждого кластера, чтобы начать локальный углубленный анализ кластера контента.

Этот алгоритм работает изнутри наружу и пытается вырастить кластерный граф локального контента с четко определенными краями, определяя кратчайший путь между двумя исходными видео, а затем связывая релевантные соседние видео с похожими ключевыми словами.

В конечном процессе YouTube удаляет видео с наименьшим показателем сходства, обычно с краев кластера, для большей ясности.

Иногда YouTube может понять, что идентифицированный кластер контента можно разделить на дополнительные подкластеры.

Преимущество этого алгоритмического подхода к созданию кластера контента заключается в том, что он не требует или требует лишь минимального вмешательства человека.

Этот алгоритм постоянно идентифицирует новые группы контента и темы, которые часто имеют отношение только к небольшому числу пользователей.

Все, что нужно, — это несколько пользователей YouTube, которые снимают видео о новом ключевом слове, и группа людей, которые смотрят их видео.

И вуаля, новый кластер контента создан.

Прочтите эту статью о том, как связать вашу контентную стратегию YouTube с кластерами контента YouTube.

А поскольку YouTube знает историю просмотров каждого, теперь он может рекомендовать этот новый кластер контента аудитории, похожей на тех, кто смотрел эти видео первыми.

Функции обнаружения YouTube

Алгоритм подачи главной страницы YouTube

Домашняя страница YouTube сильно изменилась за эти годы.

На главной странице YouTube отображались видеорекомендации только для тех каналов, на которые подписаны пользователи.

Лента главной страницы теперь на 100% персонализирована с видеорекомендациями, основанными на истории просмотров каждого пользователя.

YouTube использует сочетание видео на знакомые темы, которые пользователь недавно смотрел, и новые видео из совершенно разных категорий, основанные на похожих пользователях, чтобы предложения оставались свежими и интересными.

Почему лента главной страницы не посвящена исключительно знакомым темам? Зачем рисковать «оскорбить» мой хороший вкус кем-то, кого я никогда раньше не видел?

Это может показаться нелогичным, но оказывается, что свежесть является решающим фактором, позволяющим дольше удерживать людей на платформе YouTube.

Люди могут посмотреть столько видео на одну тему, прежде чем почувствуют себя умственно истощенными. Свежие темы видео дают выход и не дают скучать.

Чтобы попасть в ленту главной страницы, вам необходимо улучшить рейтинг кликов и удержание аудитории, поскольку это поможет вам охватить более широкую аудиторию.

Алгоритм подписки на YouTube

Канал подписки говорит сам за себя. Он ориентирован исключительно на видео с каналов, на которые уже подписаны пользователи.

Хотя этот канал ориентирован на ваши подписки, он не является хронологическим каналом.

YouTube по-прежнему пытается показать вам наилучший контент, который, по его мнению, позволит вам дольше оставаться на платформе.

Вот что вы увидите в ленте подписки.

Недавно загруженные видео с каналов, на которые вы подписаны, с акцентом на темы, похожие на то, что вы уже смотрели, и видео, которые уже имеют подтвержденный послужной список с точки зрения высокого рейтинга кликов и большого времени просмотра.

Алгоритм рекомендуемых видео YouTube

Алгоритм фида YouTube «Предлагается», который также включает видео «Далее», является важным фактором, который следует учитывать создателям.

Эта функция выбирает видео для предлагаемой области под текущим видео на мобильных устройствах или на правой боковой панели на настольных компьютерах.

Что рассматривает YouTube, стоит ли предлагать одно из ваших видео?

Первый шаг — убедиться, что метаданные ваших видео совпадают с метаданными видео, которые вы надеетесь порекомендовать.

Это включает в себя похожие заголовки, ключевые слова, описания и само видео, выраженное его субтитрами.

Ваш контент, скорее всего, будет рекомендован здесь, если он заставляет зрителей смотреть, а не покидать YouTube.

ИИ также ищет дополнительные подробные видео и каналы, а также отвлекающие от вкуса моменты, чтобы посмотреть что-то еще, поэтому они никогда не будут перегружены просмотром слишком большого количества видео на любую заданную тему.

Нарушители вкуса не случайны. Они по-прежнему основаны на личных рекомендациях, основанных на истории просмотра каждого пользователя и данных о совместном просмотре похожих пользователей.

Алгоритм подачи трендов на YouTube

Большинство людей считают, что раздел YouTube «популярные» содержит только те видео, которые популярны в данный момент.

Это предположение неверно.

Актуальные темы — это темы, о которых люди в настоящее время говорят в новостях и социальных сетях.

Это все о том, что сообщается в новостях, в социальных сетях, на веб-сайтах, в блогах и в других местах.

Функция трендов является «геозависимой», что означает, что YouTube отображает разные видео в зависимости от местоположения зрителя.

Алгоритм ленты уведомлений YouTube

Пользователи также получают индивидуальные видеорекомендации через уведомления YouTube.

Чтобы ваши видео попадали в ленту уведомлений, пользователи должны сначала подписаться на ваш канал YouTube, а затем щелкнуть значок колокольчика.

После этого YouTube будет уведомлять подписчиков в режиме реального времени о любых новых видео, которые вы загружаете на свой канал.

Подписчики получают уведомление через свое приложение YouTube или уведомления на рабочем столе.

Обычно видеоуведомления появляются последовательно без какой-либо дискриминации, а это означает, что YouTube будет отображать все уведомления со всех каналов, независимо от количества подписчиков.

Единственное исключение — когда пользователь включает слишком много уведомлений для слишком большого количества каналов. В этом случае YouTube использует свой алгоритм релевантности, основанный на том, что пользователь, скорее всего, посмотрит дальше.

Алгоритм результатов поиска YouTube

Поиск на YouTube уделяет большое внимание поисковой оптимизации YouTube, включая оптимизацию ключевых слов в заголовке, описании, тегах видео и ключевых словах, содержащихся в субтитрах каждого видео.

Кроме того, он учитывает количество подписчиков канала и время просмотра видео, когда дело доходит до решения, какой канал будет отображаться в поиске, а какие видео будут выдвинуты наверх.

Свежесть — еще один важный фактор ранжирования, который позволяет рекомендовать новый и обновленный контент, давая шанс небольшим каналам.

Чтобы воспользоваться этим преимуществом, новые видео должны оптимизировать свои заголовки и миниатюры видео, чтобы получить высокий рейтинг кликов; в противном случае рейтинг новых видео со временем будет понижен, если на них никто не нажмет.

YouTube также развернул разделы видео, которые позволяют «разбивать видео на разделы», чтобы зрители могли легко найти конкретные ответы на конкретные вопросы. Вы можете включить эту опцию в своем видео или создать свои собственные видеоглавы с ключевыми словами, которые соответствуют теме вашего видео. Это полезно для того, чтобы помочь YouTube отображать ваши видео в результатах поиска.

Следующие шаги

Вау, алгоритм YouTube — замечательная технология.

Теперь, когда вы понимаете каждый аспект работы алгоритма YouTube, что еще вы можете сделать, чтобы быстро расширить свой (успешный) канал YouTube?

Я рекомендую прочитать мое очень тактическое руководство по развитию YouTube, чтобы помочь вам взломать алгоритм YouTube.

В нем опущены многие технические детали алгоритма YouTube, которые мы рассмотрели в этой статье, в пользу практических советов и рекомендаций о том, как реализовать ключевые уроки алгоритма YouTube.

После этого вы можете ознакомиться с некоторыми из моих статей о росте на YouTube ниже.

• Как найти идеальную нишу для своего канала YouTube, выбрав правильные кластеры контента для своего канала.
• Как оптимизировать название видео, а также здесь.
• Как создать потрясающие миниатюры для видео, которые будут получать клики.
• Как повысить рейтинг кликов по показам на YouTube.
• Как набрать свою первую 1000 подписчиков на YouTube.
• Как быстро набрать 4000 часов просмотров, чтобы монетизировать свой канал на YouTube.
• Как заработать на своем канале YouTube, также здесь, здесь и здесь.
• И последнее, но не менее важное: мой полный обзор лучшего инструмента для роста YouTube TubeBuddy.