Cách YouTube tạo và xếp hạng các video được đề xuất

Cách YouTube tạo và xếp hạng các video được đề xuất

Bạn đã bao giờ tự hỏi làm thế nào các video được đề xuất của YouTube hoạt động chưa? Một bài viết nghiên cứu của Google làm sáng tỏ cách nó sử dụng để tạo và xếp hạng các video được đề xuất.

Trở lại năm 2008, tôi là một trong những nhà văn đầu tiên trong ngành nhận thấy rằng YouTube đã vượt qua Yahoo! để trở thành công cụ tìm kiếm lớn thứ hai trên thế giới, chỉ sau Google.

Trước đó, tôi đã viết cho Search Engine Watch và bài viết của tôi có tiêu đề, YouTube đã vượt qua Yahoo trong các tìm kiếm mở rộng chưa?

(Cảnh báo về spoiler: Câu trả lời cho câu hỏi tu từ trong tiêu đề là: Có Có.

Hôm nay, tôi muốn hỏi một câu hỏi liên quan: YouTube sắp vượt qua Amazon với tư cách là hệ thống khuyến nghị công nghiệp quy mô nhất và tinh vi nhất đang tồn tại?

Câu hỏi này không khoa trương – vì tôi không biết câu trả lời.

Nhưng, tôi biết rằng các video được đề xuất là một hệ số nhân cho thuật toán tìm kiếm của YouTube mà bạn muốn hiểu.

Tôi hơi ngạc nhiên, đã gợi ý về điều này năm ngoái trong một bài viết trên Tạp chí Công cụ Tìm kiếm, Thuật toán YouTube: 7 Phát hiện chính bạn phải biết .

Tôi đã nói, để tối đa hóa sự hiện diện của bạn trong tìm kiếm và video được đề xuất trên YouTube, bạn vẫn cần đảm bảo siêu dữ liệu của mình được tối ưu hóa tốt. Điều này bao gồm tiêu đề, mô tả và thẻ của video của bạn.

Bây giờ, tôi xin lỗi, vì sau đó tôi tiếp tục giải thích cách tối ưu hóa tiêu đề, mô tả và thẻ của video.

Tôi hoàn toàn trượt qua cụm từ, về sự hiện diện của bạn trong tìm kiếm trên YouTube và các video được đề xuất. Nhưng, hãy để tôi sửa sự giám sát đó ngay bây giờ.

Hầu hết các SEO tập trung vào kết quả tìm kiếm – bởi vì đó là điều quan trọng trong Google.

Nhưng, hầu hết các nhà tiếp thị YouTube đều biết rằng việc xuất hiện trong các video được đề xuất có thể tạo ra gần như nhiều lượt xem như xuất hiện trong kết quả tìm kiếm của YouTube.

Tại sao?

Bởi vì người xem có xu hướng xem nhiều video trong các phiên kéo dài trung bình khoảng 40 phút.

Vì vậy, người xem có thể tiến hành một tìm kiếm, xem video và sau đó tiếp tục xem video được đề xuất.

Nói cách khác, bạn có thể nhận được hai hoặc nhiều video được xem cho mỗi tìm kiếm được thực hiện trên YouTube.

Đó là những gì làm cho các video được đề xuất trở thành một hệ số nhân cho thuật toán tìm kiếm của YouTube.

Thật ngớ ngẩn, tôi thừa nhận rằng tôi đã tận dụng hiện tượng này vào năm 2008

Một trong những khách hàng của chúng tôi lúc đó là STACK Media, nhà sản xuất và phân phối hàng đầu quốc gia về hiệu suất thể thao, đào tạo và nội dung lối sống cho các vận động viên trung học.

Chúng tôi đã tối ưu hóa 137 video thành các kênh STACKVids, STACK Football, STACK Basketball và Stack Basketball trên YouTube, trình bày các mẹo tập luyện chuyên nghiệp và câu chuyện bên trong của một số vận động viên hàng đầu thế giới.

Ví dụ, chúng tôi đã có một video giới thiệu Will Bartholomew, người đã nói về bài tập luyện trên băng ghế dự bị mà Peyton Manning sử dụng trong mùa giải.

Những từ khóa nào chúng ta đã sử dụng trong tiêu đề?

Chà, nếu bạn nhìn vào tiêu đề của video, câu trả lời khá rõ ràng: Peyton Manning Workout .

 

Và mô tả của video sẽ không khiến ai phải bối rối về các cụm từ tìm kiếm mà chúng tôi đang nhắm mục tiêu:

Đào Peyton Manning tập luyện tại D1 trong suốt mùa giải. Xem tập luyện đầy đủ của Manning (với liên kết theo dõi đến một bài viết liên quan trên trang web của STACK).

Nhưng, chúng ta đã sử dụng thẻ nào?

Chà, hồi đó, YouTube vẫn hiển thị những thẻ mà video đang sử dụng.

Đó không còn là trường hợp nữa. Nhưng, tôi đã chia sẻ trường hợp nghiên cứu này tại SES San Jose 2008, vì vậy tôi đã được sự cho phép của khách hàng để tiết lộ rằng chúng tôi đã sử dụng các thẻ sau:

  • Thanh Peyton Manning
  • Tập luyện Peyton Manning tập luyện
  • Tập luyện tứ quý
  • Đào tạo trung vệ
  • Đào tạo Peyton Manning đào tạo
  • Cuốn băng ghế dự bị
  • Cuốn băng ghế dự bị
  • Băng ghế dự bị
  • Tập luyện Manning tập luyện

Làm thế nào chúng ta đến với các thẻ này?

Sau đó, chúng tôi đã xem video xếp hạng hàng đầu về thuật ngữ, tập luyện của Peyton Manning, và sau đó sử dụng nhiều thẻ nhất có thể có liên quan đến video của chúng tôi.

Bằng cách đó, chúng tôi đã cải thiện tỷ lệ trở thành video được đề xuất hàng đầu sau khi ai đó xem video xếp hạng hàng đầu đó.

Ngày nay, thật khó để tìm thấy video được xếp hạng hàng đầu cho thuật ngữ đó vào năm 2008.

Nhưng, điều đáng chú ý là video của STACK hiện đang xếp hạng # 1 cho tập luyện Paleton Manning tập luyện, # 1 cho tập luyện Man Manning, và # 5 cho tập luyện của Peyton Manning.

 

YouTube Khám phá & Xếp hạng các Video được Đề xuất hôm nay như thế nào?

Đó là cách các video được đề xuất hoạt động trở lại khi người dùng tải 13 giờ nội dung video lên YouTube mỗi phút.

Vậy, làm thế nào để YouTube khám phá và xếp hạng các video được đề xuất ngay bây giờ khi hơn 500 giờ nội dung video được tải lên YouTube mỗi phút?

Cho đến gần đây, câu trả lời duy nhất mà tôi có thể tìm thấy đến từ một video trên kênh YouTube Creators có tên, Cách thức các video được đề xuất của YouTube hoạt động .

 

Như mô tả 300 từ của video giải thích:

Video được đề xuất là một bộ video được cá nhân hóa mà một người xem cá nhân có thể quan tâm để xem tiếp theo, dựa trên hoạt động trước đó.

Không có cách nào mà người sáng tạo có thể ảnh hưởng đến hành vi trước đó của người xem, nhưng điều này cũng có nghĩa là một kênh thể thao có thể chạm vào người hâm mộ thể thao.

Chúng được hiển thị cho người xem ở phía bên phải của trang xem trong phần ‘Up next’, bên dưới video trên ứng dụng dành cho thiết bị di động và là video tiếp theo trong chế độ tự động phát.

Hơn 70% thời gian xem YouTube đến từ các thiết bị di động, vì vậy bạn cần có chiến lược đầu tiên trên thiết bị di động cho các video được đề xuất.

Các nghiên cứu về tiêu thụ YouTube đã chỉ ra rằng người xem có xu hướng xem nhiều hơn khi họ nhận được đề xuất từ ​​nhiều kênh khác nhau và các video được đề xuất làm điều đó. Video được đề xuất được xếp hạng để tối đa hóa sự tham gia cho người xem.

Vì vậy, tối ưu hóa dữ liệu meta của bạn vẫn có ích, nhưng bạn cũng cần tạo một phần mở hấp dẫn cho video của mình, duy trì và tạo sự quan tâm trong toàn bộ video, cũng như thu hút khán giả bằng cách khuyến khích các bình luận và tương tác với người xem như một phần nội dung của bạn.

Theo mô tả, các video được đề xuất có nhiều khả năng là:

  • Video Video mà liên quan đến chủ đề. Chúng có thể là video từ cùng một kênh hoặc từ một kênh khác. Nói cách khác, video thể thao cho người hâm mộ thể thao từ kênh của bạn hoặc kênh thể thao khác.
  • Video Video từ lịch sử xem của người xem trước đây. Trừ khi bạn có cỗ máy thời gian DeLorean, không có cách nào bạn có thể ảnh hưởng đến lịch sử đồng hồ của người xem.

Mô tả của video cũng cho người sáng tạo:

Bạn có thể xem video nào đưa người xem đến kênh của mình từ Video được đề xuất trong báo cáo Nguồn lưu lượng truy cập (trong Phân tích YouTube) bằng cách nhấp vào hộp ‘Video được đề xuất’.

Ừm, vâng. Nhưng, đừng đại đa số nếu những người sáng tạo YouTube đã biết điều đó?

Cuối cùng, mô tả bao gồm các mẹo sau cho người tạo:

  • Bao gồm lời kêu gọi hành động mạnh mẽ trong video của bạn để xem video khác trong chuỗi của bạn.
  • Thuyết phục người xem tại sao họ nên đi và xem một video khác trong loạt của bạn.
  • Hãy chú ý đến cách video của bạn kết thúc vì những kết thúc dài có thể khiến người xem không thể xem nhiều video hơn.
  • Sử dụng danh sách phát, liên kết, thẻ và màn hình cuối để đề xuất video tiếp theo để xem.
  • Phát triển một loạt các video được kết nối hữu cơ.
  • Tạo các video có liên quan đến các định dạng phổ biến trên YouTube, chẳng hạn như các thách thức hoặc danh sách.

Bây giờ, video này có 394.000 lượt xem.

Vì vậy, thật an toàn khi giả định rằng hàng trăm nghìn sinh viên tốt nghiệp trước đây được gọi là Học viện sáng tạo YouTube biết ít nhất điều này về cách các video được đề xuất của YouTube hoạt động.

Vì vậy, điều này sẽ không cung cấp cho bạn nhiều lợi thế cạnh tranh.

Tuy nhiên, có nhiều thông tin chi tiết hơn – mặc dù nó được ẩn một cách an toàn trong tầm nhìn rõ ràng cho đến khi một nguồn ẩn danh, người có thể hoặc không thể là một người Anan, đã gửi cho tôi một liên kết đến nơi tôi có thể tìm thấy nó.

Liên kết đã đưa tôi đến một bài báo đã được xuất bản vào ngày 15 tháng 9 năm 2016 và hiện được lưu trữ trên Google Research.

Bài viết nghiên cứu cũ này được viết bởi Paul Covington, Jay Adams và Emre Sargin của Google. Nó có quyền, Mạng lưới thần kinh sâu sắc cho các khuyến nghị của YouTube .

Các hệ thống đề xuất của YouTube tạo và xếp hạng các video được đề xuất như thế nào?

Nếu bạn đang tìm kiếm một lợi thế cạnh tranh nghiêm trọng, thì bạn sẽ muốn tải xuống bản PDF và tự mình đọc tài liệu nghiên cứu này.

Nhưng, nếu bạn cần phải tin rằng đọc một tài liệu học thuật dài 8 trang hơn ba tuổi rưỡi là đáng để bạn dành thời gian và sự chú ý, thì hãy chia sẻ một số điểm nổi bật mà tôi thấy bị vấy bẩn trong vụ Mạng lưới thần kinh sâu cho các đề xuất của YouTube.

Đối với người mới bắt đầu, Covington, Adams và Sargin tiết lộ rằng hệ thống khuyến nghị khổng lồ của YouTube bao gồm hai mạng thần kinh: một cho thế hệ ứng cử viên và một để xếp hạng.

Đó là quan trọng.

Hay như Mon Mothma (Caroline Blakiston) đã nói một cách long trọng trong Chiến tranh giữa các vì sao: Tập VI – Sự trở lại của Jedi (1983), Tử Nhiều người cả hai đã chết để mang đến cho chúng ta thông tin này.

Giấy của họ nói:

Mạng thế hệ ứng cử viên lấy các sự kiện từ lịch sử hoạt động YouTube của người dùng làm đầu vào và truy xuất một tập hợp nhỏ (hàng trăm) video từ một kho văn bản lớn. Những ứng cử viên này thường có liên quan đến người dùng với độ chính xác cao.

Bây giờ, chúng tôi không thể tối ưu hóa video của mình cho lịch sử xem của người xem trước đây – trừ khi chúng tôi có cỗ máy thời gian.

Nhưng, chúng tôi có thể tạo video được nhắm mục tiêu đến đối tượng mà YouTube cũng sử dụng để nhắm mục tiêu các chiến dịch quảng cáo video.

Nói cách khác, video của bạn sẽ không có một tập hợp nhỏ (hàng trăm) video nếu đó là về một chủ đề hoàn toàn khác so với các video khác trên kênh của bạn hoặc nếu nó nhắm mục tiêu một nhóm nhân khẩu học hoàn toàn khác so với trước đây.

Ồ, và thậm chí đừng nghĩ đến việc tạo một video mới nhắm vào người hâm mộ âm nhạc của người hâm mộ nếu tất cả các video khác mà người đăng ký kênh của bạn đã xem đều nhắm mục tiêu vào người hâm mộ thể thao.

Như tôi đã chỉ ra trong một bài báo có tựa đề, Xu hướng nền tảng: Cách thức dọc của nội dung tăng phạm vi tiếp cận trên YouTube và Facebook , được xuất bản trên Tubular Insight vào tháng 9 năm 2018, một nửa tá nhà xuất bản đầu tiên kỹ thuật số nhận ra đang theo đuổi chiến lược theo chiều dọc.

Điều này bao gồm: Axel Springer SE, Nhóm Nine, BuzzFeed, UNILAD, Jungle Creations, Nhóm LADbible và 9GAG.

Đây là câu hỏi tu từ mà tôi đã hỏi trong bài viết đó:

Vì vậy, tại sao tất cả các nhà xuất bản này sẽ phân chia các thuộc tính của họ thành nhiều chiều dọc thay vì chỉ nhồi một loạt nội dung vào các kênh YouTube ngang, khổng lồ? Bởi vì trong một hệ sinh thái video trực tuyến cạnh tranh ngày càng tăng, bạn có nhiều khả năng thu hút khán giả với nội dung được nhắm mục tiêu hẹp vào lợi ích đặc biệt của họ so với bạn với một bộ sưu tập nội dung ngẫu nhiên có thể hoặc không thể thu hút các sở thích chung của họ. Nói cách khác, đi sâu hơn thông minh hơn là đi rộng.

Điều này đưa chúng ta đến mạng lưới thần kinh thứ hai để xếp hạng.

Covington, Adams và Sargin thừa nhận rằng có nhiều cách để xếp hạng các video được đề xuất. Nhưng họ tiết lộ:

Xếp hạng trên mạng theo tỷ lệ nhấp (TLB) thường thúc đẩy các video lừa đảo mà người dùng không hoàn thành (‘clickbait’) trong khi xem thời gian tốt hơn để thu hút sự tham gia.

Vì vậy, tránh sử dụng các tiêu đề và hình thu nhỏ gây hiểu lầm, clickbaity hoặc giật gân.

Vâng, họ đã làm việc trong quá khứ.

Tuy nhiên, họ đã đi theo con đường của dodo khi YouTube thay thế lượt xem của Cameron bằng cách xem đồng hồ thời gian trên thuật toán của nó vào tháng 10 năm 2012.

Được rồi, vì vậy mạng thần kinh thứ hai không sử dụng TLB làm tín hiệu. Nó sử dụng tín hiệu nào khác?

Các tác giả của bài báo quan sát thấy rằng các tín hiệu quan trọng nhất của Keith bao gồm:

  • Tương tác trước đây của người dùng với video và các video tương tự khác là gì?
  • Người dùng đã xem bao nhiêu video từ kênh này?
  • Lần cuối cùng người dùng xem video về chủ đề này là khi nào?

Covington, Adams và Sargin nói:

Các tính năng liên tục này mô tả các hành động của người dùng trong quá khứ đối với các mặt hàng liên quan đặc biệt mạnh mẽ bởi vì chúng khái quát tốt trên các mặt hàng khác nhau. Chúng tôi cũng đã thấy rất quan trọng khi tuyên truyền thông tin từ thế hệ ứng viên thành xếp hạng dưới dạng các tính năng, ví dụ như nguồn nào đề cử ứng cử viên video này? Họ đã chỉ định những điểm số nào?

Họ thêm:

Các tính năng của mô tả tần suất hiển thị video trong quá khứ cũng rất quan trọng để giới thiệu ‘churn’ trong các đề xuất (yêu cầu liên tiếp không trả về danh sách giống hệt nhau). Nếu một người dùng gần đây đã đề xuất một video nhưng không xem nó, thì mô hình sẽ tự nhiên giảm ấn tượng này trong lần tải trang tiếp theo. Phục vụ ấn tượng đến từng giây và lịch sử đồng hồ là một kỳ công kỹ thuật nằm ngoài phạm vi của bài viết này, nhưng rất quan trọng để tạo ra các khuyến nghị đáp ứng.

Covington, Adams và Sargin tiết lộ:

Mục tiêu của chúng tôi là dự đoán thời gian xem dự kiến ​​sẽ đưa ra các ví dụ đào tạo là tích cực (ấn tượng video đã được nhấp) hoặc tiêu cực (ấn tượng không được nhấp). Các ví dụ tích cực được chú thích với lượng thời gian người dùng dành để xem video. Để dự đoán thời gian xem dự kiến, chúng tôi sử dụng kỹ thuật hồi quy logistic có trọng số, được phát triển cho mục đích này.

Nói cách khác, nếu bạn muốn tối ưu hóa video của mình cho các hệ thống đề xuất của YouTube, thì bạn cần giúp người xem tìm thấy video họ muốn xem, sau đó tối đa hóa sự tham gia và sự hài lòng lâu dài của họ.

Điều đó thật khó.

Nhưng, với hơn 500 giờ nội dung video được tải lên YouTube mỗi phút, đó là những gì bạn cần làm trong những ngày này.

Điều này có nghĩa gì với bạn?

Nhưng xin chờ chút nữa!

Các tác giả của bài báo cũng tiết lộ rằng YouTube đã và đang sử dụng hệ thống học tập sâu của Hồi giáo để thiết kế, lặp đi lặp lại và duy trì hệ thống khuyến nghị khổng lồ, kể từ năm 2016.

Và họ đã thấy cải tiến hiệu suất kịch tính của cải thiện với những tác động rất lớn đối với người dùng ngay cả hồi đó.

Bây giờ, điều đó có thể không giữ bạn vào ban đêm.

Nhưng, nếu Google đưa ra những gì họ đã học được, ồ, ví dụ như Google Mua sắm, thì tôi sẽ cá rằng nó sẽ tạo ra những cơn ác mộng cho các nhà nghiên cứu và nhà phát triển tại Amazon.

Bây giờ, điều này có ý nghĩa gì với bạn?

Tôi nhận ra rằng trọng tâm của bạn là tiếp thị kỹ thuật số, SEO, tiếp thị nội dung và tìm kiếm có trả tiền. Vâng, điều đó đã đưa bạn đến nay.

Thế còn bốn năm tới?

Chà, nếu bạn hoặc ai đó trong nhóm của bạn đã hiểu về TensorFlow, (trước đây gọi là Google Brain), thì bạn đã sẵn sàng khuấy động.

Nhưng, nếu bạn không có nhà nghiên cứu hoặc nhà phát triển trong nhóm của mình, người hiểu cách sử dụng hệ sinh thái toàn diện, linh hoạt của các công cụ, thư viện và tài nguyên cộng đồng để thúc đẩy công nghệ học máy (ML) tiên tiến nhất xây dựng và triển khai các ứng dụng hỗ trợ ML cho tổ chức hoặc khách hàng của bạn, sau đó bạn cần tìm kiếm một cách nhanh chóng.

Tại sao?

Bởi vì xuống đường, số phận của bạn – và số phận của tổ chức hoặc khách hàng của bạn – sẽ gia tăng trong tay các hệ thống khuyến nghị.

Đó là lý do tại sao nó đáng để bạn dành thời gian và sự chú ý để đọc Mạng sâu thần kinh của YouTube cho các khuyến nghị của YouTube hôm nay.

Giống như một trong những đồ chơi gián điệp kính tiềm vọng cho phép trẻ em nhìn quanh các góc và trên tường, tài liệu học thuật dài 8 trang này có thể giúp bạn nhìn thấy những gì bị che giấu trong tầm nhìn trong hơn ba năm rưỡi.

Scroll to Top