یوتیوب فاش کرد که چگونه هوش مصنوعی، رضایت بیننده، زمینه و ابزارهای چندزبانه سیستم توصیهگر آن را برای سال ۲۰۲۵ تغییر میدهند.
- یوتیوب با “کشیدن” محتوا برای هر بیننده به جای پخش گسترده ویدیوها، اقدام به توصیه ویدیوها میکند.
- زمان تماشای ویدیو تنها عامل تعیینکننده نیست – رضایت بیننده و بازخورد او نقش مهمی ایفا میکند.
- زمان روز و نوع دستگاه مستقیماً بر محتوای توصیهشده تأثیر میگذارند.
در یک مصاحبه ویدیویی اخیر، رنه ریچی، رابط یوتیوب، با تاد بوپر، مدیر ارشد رشد و کشف یوتیوب، گفتگو کرد تا در مورد عملکرد سیستم توصیهگر پلتفرم و انتظارات سازندگان در این سال بحث کند.
بحث آنها نشان داد که چگونه زمان روز، نوع دستگاه، رضایت بیننده و ظهور مدلهای زبانی بزرگ (LLM) در حال تغییر الگوریتمهای یوتیوب هستند. در اینجا آنچه شما باید در مورد سیستم توصیهگر یوتیوب و نحوه عملکرد آن بدانید آمده است.
توصیههای شخصیسازیشده
یکی از موضوعات اصلی این مصاحبه، تمرکز یوتیوب بر تطبیق محتوا با ترجیحات فردی بینندگان است. به گفته بوپر:
“اغلب اوقات سازندگان میگویند “هی، سیستم توصیهگر ویدیوی من را به مردم نشان میدهد یا چرا ویدیوی من را نشان نمیدهد؟” بله آنها ممکن است این سؤال را بپرسند و نحوه کار آن این است که… اینقدرها مربوط به پخش کردن آن نیست بلکه بیشتر مربوط به کشیدن آن است…”
او ادامه میدهد که صفحه اصلی یوتیوب محتوا را بر اساس آنچه که احتمالاً هر بیننده در هر لحظه از آن لذت میبرد، اولویتبندی میکند:
“وقتی صفحه اصلی را باز میکنید، یوتیوب میگوید “سلام رنه، ما باید بهترین محتوایی را که امروز رنه را خوشحال میکند به او بدهیم.”
معیارها و رضایت
در حالی که نرخ کلیک (CTR) و زمان تماشای ویدیو همچنان مهم هستند، اما سیستم یوتیوب همچنین رضایت کاربر را که از طریق نظرسنجیهای مستقیم و سایر سیگنالهای بازخورد به دست میآید، در نظر میگیرد. بوپر خاطرنشان میکند:
“ما این مفهوم رضایت را معرفی کردیم… ما سعی میکنیم نه تنها رفتار بیننده و کاری که انجام میدهد، بلکه احساس آنها در مورد زمانی که صرف میکنند را نیز درک کنیم.”
او توضیح میدهد که هدف یوتیوب پرورش رضایت بلندمدت بیننده است:
“…ما به مواردی مانند لایکها، دیسلایکها، پاسخهای نظرسنجی نگاه میکنیم… ما انواع مختلفی از سیگنالها برای دستیابی به این رضایت داریم… ما میخواهیم همانطور که سازندگان میخواهند با طرفداران خود ارتباط برقرار کنند، با مخاطبان خود نیز رابطه برقرار کنیم.”
محتوای همیشه سبز و روندها
الگوریتمهای یوتیوب میتوانند ویدیوهای قدیمیتری را که به دلیل موضوعات داغ، لحظات ویروسی یا علایق نوستالژیک دوباره مرتبط میشوند، شناسایی کنند. بوپر به توانایی سیستم در چرخش اشاره میکند:
“…شاید درست در همین لحظه ویدیویی وجود دارد که به مخاطب خاصی میرسد اما سپس مانند شش ماه بعد… این ویدیو را دوباره مرتبط میکند… اگر مرتبط باشد و شاید برای مخاطب متفاوتی نسبت به زمانی که برای اولین بار از آن لذت میبرد.”
زمینه: زمان، دستگاه و عادات بیننده
بوپر فاش کرد که سیستم یوتیوب ممکن است بسته به اینکه فرد صبح یا شب، در تلفن همراه یا تلویزیون در حال تماشا است، انواع مختلفی از محتوا را نشان دهد:
“سیستم توصیهگر از زمان روز و دستگاه… به عنوان برخی از سیگنالهایی که از آنها یاد میگیریم برای درک اینکه آیا محتوای متفاوتی در آن زمینههای مختلف جذاب است یا خیر استفاده میکند… اگر تمایل دارید که صبح اخبار و شب کمدی تماشا کنید… ما سعی خواهیم کرد از سایر بینندگان مانند شما یاد بگیریم که آیا آنها این الگو را دارند یا خیر.”
توضیحات:
- رابط یوتیوب: به شخصی گفته میشود که به عنوان نماینده یوتیوب با رسانهها و جامعه ارتباط برقرار میکند.
- کشیدن محتوا: به معنای آن است که سیستم توصیهگر به جای پخش گسترده ویدیوها به صورت تصادفی، به صورت هدفمند و بر اساس علایق و رفتارهای هر بیننده، محتوا را برای او انتخاب میکند.
- رضایت بیننده: شامل مواردی مانند لایک کردن، دیسلایک کردن، نظرات، زمان توقف تماشا و ترک ویدیو میشود.
- محتوای همیشه سبز: به محتوایی گفته میشود که با گذشت زمان ارزش و جذابیت خود را حفظ میکند و همچنان مورد توجه قرار میگیرد.
- مدلهای زبانی بزرگ (LLM): به مدلهای هوش مصنوعی پیشرفتهای گفته میشود که قادر به تولید متن، ترجمه زبان، نوشتن انواع مختلف محتوا خلاقانه و پاسخ به سؤالات شما به روشی آموزنده هستند.
-
ترجمه کامل:
نوسانات بازدیدها
سازندگان اغلب نگران کاهش بازدیدهای خود هستند، اما بوپر پیشنهاد میکند که این میتواند یک جریان طبیعی جزر و مد باشد:
“… اولین نکته این است که این طبیعی است… انتظار داشتن این که همیشه در بالاترین سطح بازدیدهای خود از تمام دوران باشید، منطقی نیست… من شما را تشویق میکنم که خیلی نگران آن نباشید…”
او همچنین توصیه میکند که معیارها را در دورههای طولانیتر مقایسه کنید و از ابزارهایی مانند Google Trends استفاده کنید:
“…ما میبینیم که فصلی بودن میتواند نقش داشته باشد… شما را تشویق میکنم که فراتر از… ۹۰ روز یا بیشتر نگاه کنید تا نوعی زمینه کامل را ببینید.”
صداهای چندزبانه
بسیاری از سازندگان در حال بررسی صداهای چندزبانه برای گسترش مخاطبان خود هستند. بوپر برجسته میکند که چگونه یوتیوب برای پشتیبانی از آهنگهای دوبله شده سازگار شده است:
“…ما نیاز داشتیم برخی از قابلیتهای جدید را اضافه کنیم… آگاه باشیم که این ویدیو در واقع در چندین زبان در دسترس است… بنابراین اگر شما یک سازنده هستید که علاقهمند به گسترش دسترسی خود از طریق دوبله هستید… مطمئن شوید که عناوین و توضیحات شما… نیز آپلود شدهاند [در] عناوین و توضیحات ترجمه شده…”
او همچنین بر ثبات تأکید میکند:
“ما به ویژه در سازندگانی که حداقل ۸۰ درصد از… زمان تماشای خود را دوبله میکنند… تمایل به موفقیت بیشتری نسبت به کسانی که کمتر دوبله میکنند، مشاهده کردهایم…”
یکپارچهسازی LLM
با نگاه به آینده، مدلهای زبانی بزرگ (LLM) به یوتیوب اجازه میدهند تا محتوای ویدیویی و ترجیحات بینندگان را بهتر درک کند. بوپر میگوید:
“…ما فناوری مدلهای زبانی بزرگ را برای توصیهها در یوتیوب اعمال کردهایم تا… آنها را برای بینندگان مرتبطتر کنیم… به جای اینکه فقط به خاطر بسپاریم که این ویدیو معمولاً با این نوع بیننده خوب است… ممکن است در واقع بتواند درک کند. مواد تشکیل دهنده ظرف بهتر و شاید برخی از عناصر بیشتر سبک ویدیو…”
بوپر آن را به یک سرآشپز متخصص تشبیه میکند که میتواند دستور العملها را تطبیق دهد:
“…ما میخواهیم بیشتر شبیه سرآشپز متخصص باشیم و کمتر شبیه… دستور پخت حفظ شده باشیم.”
نکات کلیدی برای سازندگان
در اینجا مهمترین نکات از گفتگوی ۲۱ دقیقهای آنها در مورد سیستم توصیهگر یوتیوب آورده شده است.
- سیستم توصیهگر در مورد “کشیدن” محتوا برای هر بیننده است، نه پخش جهانی ویدیوها.
- معیارهایی مانند CTR و زمان تماشای ویدیو مهم هستند، اما رضایت (لایکها، دیسلایکها، بازخورد نظرسنجی شده) نیز ضروری است.
- یوتیوب میتواند ویدیوهای قدیمیتر را در صورت ظهور مجدد علاقه، دوباره نمایش دهد.
- زمان روز و استفاده از دستگاه بر توصیهها تأثیر میگذارد.
- نوسانات بازدیدها طبیعی هستند – فصلی بودن، رویدادهای روند و عوامل خارجی همه میتوانند نقش داشته باشند.
- دوبله کردن و عناوین ترجمه شده ممکن است به دسترسی به بازارهای جدید کمک کند، به ویژه اگر درصد بالایی از محتوای شما به همان زبان در دسترس باشد.
- مدلهای زبانی بزرگ درک ظریفتری را ممکن میسازند – سازندگان باید به نحوه تأثیرگذاری این موضوع بر کشف توجه داشته باشند.
- talahost.com
Shortlink for this post: https://blog.talahost.com/?p=1693