بروزرسانی: 02 تیر 1404
چگونه سیستم توصیه YouTube در سال 2025 کار می کند
در یک مصاحبه ویدیویی اخیر، رابط یوتیوب، رنه ریچی، با تاد بوپره، مدیر ارشد رشد و اکتشاف یوتیوب، صحبت کرد تا در مورد عملکردهای سیستم توصیه پلتفرم و آنچه سازندگان در سال جاری انتظار دارند صحبت کند.
بحث آنها نشان داد که چگونه زمان روز، نوع دستگاه، رضایت بیننده و ظهور مدل های زبان بزرگ (LLM) الگوریتم های YouTube را تغییر می دهند.
در اینجا چیزی است که باید در مورد سیستم توصیه YouTube و نحوه کار آن بدانید.
توصیه های شخصی
یکی از موضوعات اصلی مصاحبه، تمرکز یوتیوب بر تطبیق محتوا با ترجیحات فردی بیننده است.
به گفته بوپره:
«اغلب مواقع سازندگان می گویند هی، سیستم توصیه ویدیوی من را به مردم می فرستد یا چرا ویدیوی من را بیرون نمی کشد، بله، ممکن است آن ها بپرسند و نحوه کار آن این است... خیلی زیاد نیست. در مورد هل دادن آن به همان اندازه که می کشد…”
او در ادامه توضیح می دهد که فید اصلی یوتیوب محتوا را بر اساس آنچه که هر بیننده در هر لحظه به احتمال زیاد از آن لذت می برد، اولویت بندی می کند:
وقتی صفحه اصلی را باز می کنید، یوتیوب می گوید سلام رنه اینجاست، ما باید بهترین محتوا را به رنه بدهیم که امروز رنه را خوشحال می کند.»
معیارها و رضایت
در حالی که نرخ کلیک (CTR) و زمان تماشا همچنان مهم هستند، سیستم YouTube همچنین رضایت کاربران را که از طریق نظرسنجی های مستقیم و سایر سیگنال های بازخورد به دست می آید، به حساب می آورد.
Beaupré یادداشت می کند:
ما این مفهوم رضایت را معرفی کردیم... ما سعی می کنیم نه تنها در مورد رفتار بیننده و آنچه که انجام می دهد، بلکه درک کنیم که آنها در مورد زمانی که صرف می کنند چه احساسی دارند."
او توضیح می دهد که هدف یوتیوب ایجاد رضایت درازمدت بینندگان است:
ما به مواردی مانند پسندیدن، دوست نداشتن، این پاسخ های نظرسنجی نگاه می کنیم... سیگنال های مختلفی برای دریافت این رضایت داریم... ما می خواهیم با مخاطبان خود رابطه برقرار کنیم، درست همانطور که سازندگان می خواهند با طرفداران خود انجام دهند.»
محتوای همیشه سبز و پرطرفدار
الگوریتم های YouTube می توانند ویدیوهای قدیمی تری را شناسایی کنند که به دلیل موضوعات پرطرفدار، لحظات ویروسی یا علایق نوستالژیک دوباره مرتبط می شوند.
Beaupré به توانایی سیستم برای چرخش اشاره می کند:
"... شاید در حال حاضر ویدیویی وجود داشته باشد که به مخاطب خاصی برسد، اما پس از آن مانند شش ماه دیگر... این ویدئو را دوباره مرتبط می کند... اگر مرتبط باشد و شاید برای مخاطبی متفاوت از آن که بار اول از آن لذت برده اید."
زمینه: زمان، دستگاه، و عادات بیننده
Beaupré فاش کرد که سیستم یوتیوب ممکن است انواع مختلفی از محتوا را بسته به اینکه فردی در صبح یا شب، با تلفن همراه یا تلویزیون تماشا می کند نشان دهد:
«سیستم توصیه از زمان روز و دستگاه استفاده می کند... به عنوان برخی از سیگنال هایی که ما از آن ها یاد می گیریم تا بفهمیم آیا محتوای متفاوتی وجود دارد که در آن زمینه های مختلف جذاب است یا نه... اگر تمایل به تماشای اخبار در صبح و کمدی در ساعت دارید. شب... ما سعی خواهیم کرد از تماشاگران دیگری مانند شما یاد بگیریم، اگر آنها این الگو را دارند."
نوسانات در نماها
سازندگان اغلب نگرانند که دیدگاه هایشان کاهش یابد، اما بوپره پیشنهاد می کند که این می تواند یک جریان طبیعی باشد:
"...اولین چیز این است که طبیعی است... انتظار اینکه همیشه در بالاترین سطح دید خود از همه زمان ها باشید، چندان منطقی نیست... من شما را تشویق می کنم که زیاد نگران این موضوع نباشید..."
او همچنین توصیه می کند که معیارها را در دوره های طولانی تر مقایسه کنید و از ابزارهایی مانند Google Trends استفاده کنید:
"...ما می بینیم که فصلی بودن می تواند نقشی داشته باشد... شما را تشویق می کند که به فراتر از... 90 روز یا بیشتر نگاه کنید تا به نوعی متن کامل را ببینید."
صوتی چند زبانه
بسیاری از سازندگان در حال بررسی صداهای چندزبانه برای گسترش مخاطبان خود هستند.
Beaupré نشان می دهد که چگونه YouTube برای پشتیبانی از آهنگ های دوبله سازگار شده است:
«...ما باید قابلیت های جدیدی اضافه می کردیم... آگاه بودیم که این ویدیو در واقع به چندین زبان در دسترس است... بنابراین اگر خالقی هستید که علاقه مند است دسترسی خود را از طریق دوبله افزایش دهد... مطمئن شوید که عناوین و توضیحات شما نیز آپلود شده اند (در ) عناوین و توضیحات ترجمه شده…”
او همچنین بر ثبات تاکید می کند:
ما به ویژه سازندگانی را دیده ایم که حداقل ۸۰ درصد از زمان تماشا را دوبله می کنند... نسبت به کسانی که کمتر دوبله می کنند موفق تر هستند.»
ادغام LLM
با نگاهی به آینده، مدل های زبان بزرگ (LLM) به YouTube امکان می دهد محتوای ویدیویی و اولویت های بیننده را بهتر درک کند.
بوپره می گوید:
«...ما از فناوری مدل زبان بزرگ برای توصیه های YouTube استفاده کرده ایم تا... آنها را برای بینندگان مرتبط تر کنیم... به جای اینکه فقط به خاطر بسپاریم که این ویدیو با این نوع بیننده خوب است... ممکن است در واقع بتواند اجزای تشکیل دهنده را درک کند. از ظرف بهتر و شاید برخی عناصر بیشتر از سبک ویدیو…”
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 شبیه… دستور پخت حفظ شده.»
نکات کلیدی برای سازندگان
در اینجا بهترین نکات از مکالمه 21 دقیقه ای آنها در سیستم توصیه YouTube آورده شده است.
- سیستم توصیه درباره «کشیدن» محتوا برای هر بیننده است، نه فشار دادن کلی ویدیوها.
- معیارهایی مانند CTR و زمان تماشا مهم هستند، اما رضایت (دوست داشتن، دوست نداشتن، بازخورد بررسی شده) نیز ضروری است.
- در صورت بروز علاقه مجدد، YouTube می تواند ویدیوهای قدیمی تر را دوباره ظاهر کند.
- زمان روز و استفاده از دستگاه بر توصیه ها تأثیر می گذارد.
- نوسانات نمایش طبیعی است - فصلی بودن، رویدادهای پرطرفدار، و عوامل خارجی همگی می توانند در این کار نقش داشته باشند.
- دوبله و عناوین ترجمه شده ممکن است به دستیابی به بازارهای جدید کمک کند، به خصوص اگر درصد بالایی از محتوای شما به همان زبان موجود باشد.
- مدل های زبان بزرگ، درک دقیق تری را تقویت می کنند - سازندگان باید با نحوه تأثیرگذاری این موضوع بر کشف هماهنگ باشند.
مصاحبه کامل را در ادامه مشاهده کنید.
[embed]https://www.youtube.com/watch?v=dhYIb72L1hU[/embed]
یوتیوب قصد دارد تا اواخر امسال به روزرسانی های بیشتری را در VidCon به اشتراک بگذارد.
تصویر ویژه: مامون_شیخ/شاتراستاک
منبع