نحوه عملکرد سیستم توصیه YouTube در سال 2025

در یک فیلم اخیر مصاحبه، René Ritchie YouTube با تاد بیوپرا ، مدیر ارشد رشد و کشف یوتیوب صحبت کرد تا در مورد عملکرد سیستم توصیه های پلتفرم و آنچه سازندگان می توانند امسال انتظار داشته باشند ، صحبت کند.

بحث آنها نشان داد که چگونه زمان روز ، نوع دستگاه ، رضایت بیننده و ظهور مدل های بزرگ زبان (LLM) در حال تغییر شکل الگوریتم های YouTube است.

در اینجا آنچه شما باید در مورد سیستم توصیه YouTube و نحوه عملکرد آن بدانید آورده شده است.

توصیه های شخصی

یکی از مضامین اصلی مصاحبه ، تمرکز YouTube بر تطبیق محتوا با ترجیحات بیننده فردی است.

به گفته Beaupré:

وی گفت: "اغلب اوقات سازندگان می گویند سلام ، اوه ، سیستم توصیه ای ویدیوی من را به سمت مردم سوق می دهد یا اینکه چرا فیلم من را بیرون نمی آورد ، بله ، آنها ممکن است از آنها بخواهند و نحوه کار این کار را انجام می دهند ... خیلی زیاد نیست در مورد فشار دادن آن به همان اندازه که می کشد ... "

وی در ادامه توضیح می دهد که خوراک خانگی YouTube محتوا را بر اساس آنچه که هر بیننده به احتمال زیاد در هر لحظه از آن لذت می برد ، اولویت بندی می کند:

"وقتی صفحه اصلی را باز می کنید ، YouTube می گوید هی رنه در اینجا است ، ما باید بهترین مطالب را که امروز رنه را خوشحال می کند ، به رنه بدهیم."

معیارها و رضایت

در حالی که نرخ کلیک از طریق (CTR) و زمان تماشای همچنان مهم است ، سیستم YouTube همچنین رضایت کاربر را که از طریق نظرسنجی های مستقیم و سایر سیگنال های بازخورد به دست می آید ، به خود اختصاص می دهد.

یادداشت های Beaupré:

"ما این مفهوم رضایت را معرفی کردیم ... ما سعی می کنیم نه فقط در مورد رفتار بیننده و آنچه آنها انجام می دهند ، درک کنیم ، بلکه در مورد زمان صرف شده چه احساسی دارند."

او توضیح داد که هدف یوتیوب پرورش رضایت بیننده بلند مدت است:

"... ما به مواردی مانند لایک ، دوست نداشتن ، این پاسخ های نظرسنجی نگاه می کنیم ... ما سیگنال های مختلفی داریم تا بتوانیم از این رضایت استفاده کنیم ... ما می خواهیم با مخاطبان خود رابطه برقرار کنیم درست همانطور که سازندگان می خواهند با طرفداران خود انجام دهند."

محتوای همیشه سبز و روند

الگوریتم های YouTube می توانند فیلم های قدیمی تر را که به دلیل مباحث گرایش ، لحظات ویروسی یا علایق دلتنگی دوباره مرتبط می شوند ، شناسایی کنند.

Beaupré از توانایی سیستم در محوری استناد می کند:

"... شاید مانند همین حالا ویدئویی وجود داشته باشد که به مخاطبان خاصی برسد اما در شش ماه مانند آن باشد ... این باعث می شود که این فیلم دوباره مرتبط باشد ... اگر این موضوع مرتبط باشد و شاید برای مخاطبان متفاوت از اولین بار از آن لذت ببرد."

زمینه: زمان ، دستگاه و عادات بیننده

Beaupré فاش کرد که سیستم YouTube بسته به اینکه کسی در صبح یا شب ، از طریق تلفن همراه یا یک تلویزیون تماشا می کند ، ممکن است انواع مختلفی از مطالب را نشان دهد:

"سیستم توصیه از زمان و دستگاه استفاده می کند ... به عنوان برخی از سیگنالهایی که ما از آنها یاد می گیریم که آیا مطالب مختلفی وجود دارد که در آن زمینه های مختلف جذاب باشد ... اگر تمایل دارید ترجیح دهید صبح و کمدی در کمدی تماشا کنید شب ... اگر آنها این الگوی را داشته باشند ، سعی خواهیم کرد از بینندگان دیگری مانند شما بیاموزیم. "

نوسانات در نماها

سازندگان غالباً نگران این هستند که دیدگاه های آنها فرو رود ، اما Beaupré پیشنهاد می کند که این می تواند یک جریان طبیعی و جریان طبیعی باشد:

"... اولین چیز این است که طبیعی است ... به خصوص منطقی نیست که انتظار داشته باشید که همیشه در بالاترین سطح دیدگاه های خود از همه زمان ها باشید ... من شما را تشویق می کنم که بیش از حد نگران آن نباشید ..."

او همچنین مقایسه معیارها را در دوره های طولانی تر و ابزارهای اهرمی مانند Google Trends توصیه می کند:

"... ما می بینیم که فصلی می تواند نقشی داشته باشد ... شما را ترغیب می کند تا فراتر از… 90 روز یا بیشتر برای دیدن متن کامل."

صدای صوتی چند زبانه

بسیاری از سازندگان برای گسترش مخاطبان خود در حال جستجوی صدای چند زبانه هستند.

Beaupré نشان می دهد که چگونه YouTube برای پشتیبانی از آهنگ های دوبله شده سازگار شده است:

"... ما باید برخی از قابلیت های جدید را اضافه کنیم ... آگاه باشید که این ویدیو در واقع به زبان های مختلفی در دسترس است ... بنابراین اگر شما یک خالق هستید که علاقه مند به گسترش دسترسی شما از طریق دوبله ها هستید ... اطمینان حاصل کنید که عناوین و توضیحات شما ... نیز بارگذاری شده است [in] عناوین و توضیحات ترجمه شده ... "

او همچنین بر قوام تأکید می کند:

"ما در سازندگان خاص دیده ایم که حداقل 80 ٪ از زمان ساعت را دوبله می کنند ... تمایل به موفقیت بیشتری نسبت به کسانی که کمتر دوبله می کنند ..."

ادغام LLM

با نگاهی به آینده ، مدل های بزرگ زبان (LLMS) YouTube را قادر می سازد تا محتوای ویدیو و ترجیحات بیننده را بهتر بشناسد.

Beaupré می گوید:

"... ما از فناوری بزرگ الگوی زبان برای توصیه هایی در YouTube استفاده کرده ایم تا ... آنها را به بینندگان مرتبط تر کنیم ... به جای اینکه فقط به خاطر بسپاریم که این فیلم با این نوع بیننده خوب است ... ممکن است در واقع بتواند مواد تشکیل دهنده را درک کند از ظرف بهتر و شاید برخی از عناصر دیگر سبک فیلم ... "

Beaupré آن را به یک سرآشپز متخصص تشبیه می کند که می تواند دستور العمل ها را تطبیق دهد:

"... ما می خواهیم بیشتر شبیه سرآشپز متخصص باشیم و کمتر از این دستور العمل به یاد داشته باشید."

غذای اصلی برای سازندگان

در اینجا بهترین راه حل های مکالمه 21 دقیقه ای آنها در سیستم توصیه YouTube آورده شده است.

1. سیستم توصیه در مورد "کشیدن" محتوا برای هر بیننده است ، نه فشار دادن فیلم ها به صورت جهانی.
2. معیارهایی مانند CTR و زمان ساعت مچی ، اما رضایت (لایک ، دوست نداشتن ، بازخورد مورد بررسی) نیز ضروری است.
3. در صورت ظهور علاقه تجدید ، YouTube می تواند فیلم های قدیمی را دوباره زنده کند.
4. زمان روز و استفاده از دستگاه توصیه می کند.
5. مشاهده نوسانات طبیعی است - فصلی ، وقایع گرایش و عوامل خارجی همه می توانند در بازی باشند.
6. دوبله و عناوین ترجمه شده ممکن است به رسیدن به بازارهای جدید کمک کند ، به خصوص اگر درصد بالایی از محتوای شما به همان زبان موجود باشد.
7. مدل های بزرگ زبان ، درک ظریف تر را توانمند می کنند - سازندگان باید در مورد چگونگی تأثیر این کشف ، متناسب باشند.

مصاحبه کامل را در زیر مشاهده کنید.

[embed]https://www.youtube.com/watch؟v=dhyib72l1hu[/embed]

YouTube قصد دارد در اواخر سال جاری به روزرسانی های بیشتری را در VIDCON به اشتراک بگذارد.

تصویر برجسته: Mamun_sheikh/Shutterstock