Artykuł pomocniczy · pojęcie · Pojęcia · Pozostałe
Algorytm rekomendacji YouTube a organic discovery
także: youtube discovery algorithm · content discovery personalization · Algorytm rekomendacji YouTube a organic discovery
Mechanizm odkrywania treści oparty na systemie rekomendacji, który personalizuje sugestie filmów na podstawie profilu użytkownika, zachowań i atrybutów treści.
Funkcjonowanie
YouTube wykorzystuje spersonalizowany algorytm wyszukiwania i rekomendacji, który wyprowadza atrybuty z profilu użytkownika, takie jak wiek i płeć, wpływając na to, jakie treści są wyświetlane różnym użytkownikom.
Rozszerzona definicja
Algorytm rekomendacji YouTube to mechanizm, który — jak podaje blog.youtube — zbudowany jest na zasadzie pomagania ludziom znaleźć filmy, które chcą oglądać i które przynoszą im wartość1.
Jak to działa
System nie opiera się na jednym stałym „przepisie” — jak podkreśla blog.youtube, stale ewoluuje i uczy się każdego dnia z ponad 80 miliardów informacji zwanych sygnałami2. Na ocenę tego, co użytkownik uznaje za satysfakcjonujące, składają się m.in. kliknięcia, watch time, odpowiedzi w ankietach, udostępnienia, polubienia i dislajki, które budują się na sobie nawzajem3.
Platforma udostępnia twórcom raport pokazujący, ile razy miniatura została wyświetlona widzom (impressions), jak często prowadziła do wyświetlenia (click-through rate) oraz jak te wyświetlenia przełożyły się na watch time4 — dane te stanowią mierzalny ślad interakcji użytkownika z rekomendacją widoczny w panelu analitycznym4.
Dlaczego to ważne
Algorytm rekomendacji decyduje o tym, jakie treści trafiają do konkretnych użytkowników, co czyni go centralnym kanałem dystrybucji na platformie — blog.youtube wskazuje, że celem systemu jest pomaganie ludziom znaleźć filmy, które chcą oglądać i które przynoszą im wartość1. Badanie z użyciem 100 000 „sock puppets” (kont-kukiełek) przeprowadzone w celu izolacji wpływu algorytmu pokazuje, że skala i kierunek rekomendacji są przedmiotem poważnych badań naukowych dotyczących m.in. treści ideologicznie zgodnych oraz coraz bardziej ekstremalnych i problematycznych5.
Przykłady
- Sygnałem wejściowym dla systemu są m.in. odpowiedzi w ankietach przeprowadzanych przez platformę, obok kliknięć i watch time3.
- Badanie z użyciem 100 000 kont-kukiełek pozwoliło naukowcom odizolować wpływ algorytmu na rekomendacje kierujące do treści ideologicznie zgodnych oraz coraz bardziej ekstremalnych i problematycznych5.
- Raport impresji miniatur łączy trzy mierzalne elementy — impressions, CTR i watch time — pokazując, jak wyświetlenie miniatury przekłada się na faktyczny czas oglądania4.
Częste błędy i mity
- Mit: algorytm działa według stałego „przepisu” — w rzeczywistości blog.youtube wprost stwierdza, że system nie opiera się na żadnej takiej recepturze i stale ewoluuje2.
- Mit: algorytm rekomendacji nieuchronnie prowadzi użytkowników ku treściom ekstremalnym — badanie porównujące boty z realnymi wzorcami konsumpcji wykazało, że poleganie wyłącznie na rekomenderze skutkuje średnio mniej stronniczą konsumpcją6.
Powiązane hasła
Źródła i odwołania
-
On YouTube’s recommendation system - YouTube Blog
Our recommendation system is built on the simple principle of helping people find the videos they want to watch and that will give them value.
-
On YouTube’s recommendation system - YouTube Blog
Our recommendation system doesn’t operate off of a “recipe book” of what to do. It’s constantly evolving, learning every day from over 80 billion pieces of information we call signals.
-
On YouTube’s recommendation system - YouTube Blog
It’s constantly evolving, learning every day from over 80 billion pieces of information we call signals. A number of signals build on each other to help inform our system about what you find satisfying: clicks, watchtime, survey responses, sharing, likes, and dislikes.
-
Understand your YouTube content performance - Computer - YouTube Help
This report shows how many times a thumbnail was shown to viewers on YouTube (impressions), how frequently those thumbnails resulted in a view (click-through rate), and how those views ultimately led to watch time.
-
We conduct a systematic audit of the platform using 100,000 sock puppets that allow us to isolate the influence of the algorithm in recommendations to ideologically congenial and increasingly extreme and problematic videos.
-
Causally estimating the effect of YouTube’s recommender system using counterfactual bots
By comparing bots that replicate real users’ consumption patterns with “counterfactual” bots that follow rule-based trajectories, we show that, on average, relying exclusively on the YouTube recommender results in less partisan consumption, where the effect is most pronounced for heavy partisan consumers.
Każde zdanie powyżej odsyła do dosłownego cytatu ze źródła. Daty to daty publikacji lub pobrania źródła.
Źródła faktów
- SEO/references/types/REFS-TYPE-R5-Video-and-YouTube-SEO-ranking-evidence.md