YouTube订阅打法2.0:算法与平台合力,迷思与忧思并存

2020-01-15    来源:全媒派公众号

容器云强势上线!快速搭建集群,上万Linux镜像随意使用

声明:本文来自于微信公众号全媒派(ID:quanmeipai),作者:腾讯传媒,授权站长之家转载发布。

对于YouTube来说, 1 分钟意味着什么?是多达 400 小时的视频上传量; 1 天意味着什么?是高达 10 亿的视频播放量。

在这个内容剧增、用户拥挤的UGC内容平台上,如何精准抓住观众眼球、有效转化订阅无疑是生态内各方的迷思。

youtube

当用户困惑于推荐流的奇怪内容,创作者正因寥寥无几的播放量头秃,广告主也在纠结投放是否能够精准触达,这时候对于平台来说,如何促进内容生态、用户生态的可持续发展及营收的稳定运转,有赖于步步升级的订阅策略。

纵观YouTube十四年的发展,在订阅策略的调整上从未掉以轻心,它已经孵化出一套运作相对成熟、方法较为多维的订阅打法,主以强大的算法,辅以稳健的平台,不断试图从海量视频中更精准地锚定用户。

在今天,想要徜徉在YouTube汇聚的流量巨池,那么就不得不先穿过这片订阅的密林。本期全媒派(ID:quanmeipai)就带你一同拆解YouTube近年来的订阅打法,揭开这背后的订阅“黑箱”。

算法的进击:更智能、更走心

在每分钟就有 400 小时视频上传的YouTube ,如何在指数级膨胀的视频海洋中,精准把握海量用户的需求?强大的算法无疑是最有力的答案。

经过算法的筛选与排序,YouTube能够决定用户能看到什么内容,以及这些内容会出现在哪些位置。根据YouTube首席产品官Neal Mohan的说法,用户在YouTube上花费的时间有70%都用于观看算法推荐的内容,移动端的平均登录时长达 60 分钟。其精准度、有效性可见一斑。

要想在剧增的内容深海、流量巨池中牢握注意力,算法的持续升级无疑是重中之重。

YouTube算法进化简史

YouTube算法不断升级的过程,存在几个重要节点:

  • 2012 年:观看次数

在播放量仅 40 亿/月的古早年代(如今为 10 亿/天),YouTube只根据一种指标进行排序:观看次数。这种策略虽然可以鼓励优质视频,但也带来了 “点击诱饵”(clickbait),例如通过标题党博取眼球等负面操作。这导致用户可能会点击,但不会停留,总体来说,不利于广告主的投放与平台的发展。

  • 2012 年- 2016 年:观看时间、登录时长

这一时期,YouTube推荐机制发生了一项重要转折——加入了观看时间和登录时长两项指标。观看时间是指通过用户观看视频的时长来侧面衡量视频的质量,更加强调用户对内容的投入和参与,以规避“点击诱饵”。登录时长则是指用户在整个平台上停留的时间,这一指标关注人们观看某些视频后是否选择观看更多视频,从而体现平台的粘性。

  • 2016 年:机器学习

在这一年,YouTube公布了白皮书,解释了深度神经网络和机器学习在算法中的作用机制。此外,该论文还拆解了YouTube对视频进行排序、推荐的各项指标,分别为:观看次数(视频的点击量);观看时间;用户在某频道观看了多少视频;用户近期如何观看此主题视频;用户的搜索记录;用户的观看历史;用户的人口统计学信息与地理位置。

YouTube不断升级算法,本意是为了优化内容生态以促进平台的可持续发展,但同时也传播了虚假新闻、仇恨言论等有害内容。平台也在不断调整,例如: 2017 年,调整算法以改善弹出的新闻视频质量; 2019 年,YouTube宣布不再推荐可能会伤害或误导用户的内容。

YouTube算法如何运作

目前YouTube算法指标主要包含以下几项:

  • 是否观看:体现为点击量高的热门内容;

  • 观看时长:观看时间较长的频道和视频往往更容易被推荐;

  • 登录时长:观众花在平台上的时间,在观看某些视频后是否选择看更多视频;

  • 内容评分:点赞、踩赞、分享,“不感兴趣”按钮的点击;

  • “观看速度”(view velocity):在视频发布后立即观看视频的订阅者数量。视频的观看速度越高,排名就越高。在对视频进行排名时,YouTube也会考虑视频发布者拥有的活跃订阅者的数量。

算法的主要任务有二:第一,帮助用户找到他们想看的视频;第二,提高用户的长期参与度和满意度。因此,“弄清用户喜欢什么”是YouTube算法的要义所在。

如何弄清用户的喜好?YouTube在 2016 年发布的算法白皮书打开了这一黑箱。白皮书显示,在机器学习的模型结构中,有两个网络在起作用:

漏斗式的模型结构,来源:《YouTube推荐机制的深度学习网络》, 2016 年

候选网络(The candidate generation network):记录用户的活动历史(搜索记录、观看行为、人口统计学信息),输出与之相契合的几百个视频作为可能推荐给用户的候选。

排序网络(the ranking network):排序阶段更多是面向“场景”,记录用户点击视频的地点、时间、操作,相比候选网络,这一步纳入模型的指标更细致,例如,用户最近的一次搜索词、上一次观看的同一主题下的视频数量、上一次观看同主题视频的时间、用户所使用的语言等等。在为每个视频打上更详细的标签的基础上,依照标准给候选网络中的视频打分,从而确定最终的推荐结果。

通过这两个网络,YouTube运用机器学习,搭建出一个个人化的候选网络和排序网络,将用户对YouTube的使用具体到某个场景中,让首页显示与用户更相关的推荐内容。

总体而言,整个推荐结果的生成是从终端到终端,高度个人化,但追根溯源,这一系列算法的排序与推荐都离不开用户长期稳定的使用。

被筛选出来的视频会呈现在六个关键位置:搜索结果、推荐内容、用户主页、热门内容、频道订阅、用户通知。

平台的策略:更负责、更开放

在过去的三年里,YouTube也是水逆不断。仇恨言论、极端内容、虚假新闻、过滤气泡引发用户忧思,其算法被斥为“错误信息的引擎”、“极端主义者”。要想促成平台订阅的可持续性,光依靠算法升级,还远远不够。

平台策略作为调控的“另一只手”,也在尝试施以积极的影响。

公开算法策略,提升参与度

面向公众、更开放、更透明,这成为近年来YouTube的一条试水路径。

首先,在算法的调整中着力提升用户的参与度。 2019 年 6 月,YouTube宣布将公开部分算法的运作机制。在推荐视频的下方,YouTube会解释该视频为什么会进入用户的首页。

此外,功能上增加了可排序的主题和过滤功能,人们可以在首页顶部点击他们想要探索的特定主题,能够更具体地选择他们希望看到的推荐视频类型,以及他们希望看到的视频来自哪些创作者,这使得用户可自主决定自己感兴趣的内容,帮助算法更科学。

另一方面,针对内容创作者,YouTube开设了专门的“创作者学院”,重点培训内容生产者提升频道吸引力。一方面向内容生产者说明YouTube算法机制的运作模式、内容的展示界面,帮助他们了解YouTube内部如何运作;另一方面训练内容生产者设计缩图、标题、关键字,以便用户更容易搜集到影片。

严抓内容品控,方法多元化

内容品控,是促进订阅的持续动力。为了减少重复内容、有害信息、虚假新闻,YouTube出台多元手段以维护其内容生态。

打击重复内容:YouTube一再致力于提高原创内容的吸引力,加强对重复低质内容的筛选和打击。例如在 2019 年 9 月,YouTube声称在第二季度删除了 5 倍多的不良内容,包括仇恨言论、虚假信息等。

算法推荐优化:算法机制也向着多样化方向发展,用户被鼓励观看更多元的新内容,防止个别频道的爆发式推荐。

用户协同净化:除机器识别外,YouTube还引入人工机制,用户可以通过“举报”标记不良内容,协同参与平台内容的治理。

惩罚举措升级:全媒派往期文章《YouTube的水逆2019:算法的红与黑,平台的难与易》提到,YouTube沿用了原有的“三振出局”的惩罚系统,它指的是被举报三次的账号将无法再使用。在此基础上,YouTube增加了警告系统,提高处罚系统的透明度,阐明处罚原因、后果以及申诉方式。此外,它更是利用“重定向方法(Redirect Method)”对恐怖主义内容进行打击。

“重定向方法”指的是内容审查员会移除恐怖分子招募视频,与此同时,招募视频的搜索结果将重新定向到反恐怖主义和反极端主义的视频。YouTube也对推荐系统进行了调整,擦边内容的搜索结果将重新定向到权威信源,比如CNN、福克斯等。

视频内容评级:YouTube会针对视频内容进行评级,如“无益处的极端血腥或暴力”,或是支持仇恨思想的视频都会被内容评级员给予低评级,随后平台AI系统会根据评级结果进行机器学习,减少争议性视频出现在推荐系统中的概率。

此外,YouTube为促成订阅还做出许多小的尝试。例如开发简单的频道订阅按钮,用户只需要把鼠标停留在播放器左上角的图标上就可以直接订阅;开放内容资源,许多原创视频、电影和现场活动免费提供给所有YouTube观众,中间插有广告。但是,高级会员可以无广告观看内容,区分会员制和广告投放两种方式将订阅分流。

新时期的“迷”与“忧”

尽管YouTube不断试图更新其订阅机制,但近年来相关的焦虑与批评并未消减。

针对其频频调整的订阅机制,人们始终在问这样几个问题:

观看时长的转向真的能有效引导内容生态的良性发展吗?

谷歌内部的算法工程师承认,当算法推荐以“点击率”为导向时,可能诱发夺人眼目的标题党等现象。但以“观看时长”为指标,则会带来奇长的视频,内容创作者可能仅仅关注时长反而忽视内容创作,也可能因为不堪高昂的制作成本而退出。

以用户为中心、高度个人化的推荐机制与公共生活的参与如何权衡?推荐机制的调整真的能抗衡有毒内容的泛滥吗?

算法伦理与平台责任的关系在新时期需要重新被审视,算法推荐与平台调整的老路子在意见激化、过滤气泡加剧的新生态中也呼唤着新的对策。

此外,还有一些具体问题,例如算法向儿童推荐的不良内容如何遏制,这些都亟待平台解决。

总的来说,尽管YouTube近年来的努力不断,但其面临的问题也越来越复杂严峻。在忧思齐飞的新当口,YouTube在沿袭以往的同时,另一方面更要重新审视平台生态,如何在“创作者-用户-广告主”的链条中重新定位平台责任,是环绕于YouTube周围的新型迷思。

image.png


标签: YouTube YouTube订阅 YouTube算法 

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点!
本站所提供的图片等素材,版权归原作者所有,如需使用,请与原作者联系。

上一篇:今年至少分1亿现金给用户!唱吧陈华的新版本和新计划

下一篇:当一家MCN规模已超过800人,如何搭团队?大禹分享4点经验