2011 年到 2012 演算法由「觀看次數」改為以「觀看時間」為基礎， 他們發現到觀看次數並不能真實反應出推薦內容是否吻合觀眾所需，因此以「觀看時間」為算法重點，也就是觀眾對影片的黏著度有多高，以這樣影片的算法「觀看次數」在一天內跌了 20%，但平台觀看時間卻上升有史以來第二高，平均觀看時長從 120 秒上升至 140 秒。
隨著行動世代的到來，2014-2015 年展開第二階段的優化，因應 60%的觀看時間發生在行動裝置上，YouTube 更新了行動版介面，調整首頁排版新增區塊像是：再看一次 Watch it Again 。另外也在此時由 Google Brain 團隊導入機器學習技術，增強個人化推薦機制。...
藉由人工智慧優化算法帶來的成效為何呢？ Cristos 表示，目前平台上 70% 用戶觀看時間來自 YouTube 之 自動推薦，此外， 近三年來觀眾瀏覽影片來源從 YouTube 平台 首頁 上自動推薦 成長超過 20 倍，目前在全球每日各 地區推薦超過 20 億組影片。
軟體工程師 Jim McFadden 接著分享了他們在 面對優化影片推薦所遇到的問題。首先， 在內容創作者不段更新的影音內容， 平台上 每分鐘 有超過 500 小時影片上傳至 YouTube，負載龐大的資料，訓練資料 含大量雜訊，而這些問題 Google 藉由 TensorFlow 學習模型以進行更多數據分析，TensorFlow 系統 為大規模分佈式訓練的深層網絡架構，提供一個靈活的框架。...
為了讓系統能針對不同使用者推送合適影片內容，目前 YouTube 使用兩個神經網絡結合之推薦模型，候選生成模型 (Candidate Generation Model) 以及排名模型 (Ranking Model) 這兩個神經網絡的推薦系統。
首先為候選生成影片模型，從數百萬個影音資料中，把多種因素考慮進去，像是觀看歷史紀錄、搜尋歷史和年齡等等，縮限到數百個資料子集，再藉由第二階段的排名模型，以使用者語言、近期觀看紀錄、使用者和該影片過往連結、地理位置等特徵， 最終找到數十個最貼近觀眾的影片內容。
沒有留言:
張貼留言