YouTube 人工智能推荐机制如何运作

为什么 YouTube 的推荐功能很重要

YouTube 并非仅凭一条“万能规则”来对视频进行排序。它运行着一个大规模的机器学习系统，该系统通过分析平台上的用户行为进行学习，然后利用这些学习成果来优化首页、“接下来看”推荐、搜索结果、“短视频”信息流等内容。.

超过 27亿月活跃用户 以及 每分钟上传的视频时长超过500小时 （Statista，2023），YouTube无法仅依赖人工内容筛选。推荐系统是该平台保持可用性的关键，这也是算法对用户发现哪些内容以及哪些创作者能够成长产生巨大影响的原因。.

历史背景：YouTube 推荐机制的演变历程

早期阶段（2010年前）：浏览量、点击量和基础协同过滤

在早期，推荐系统相对简单。它们主要依赖人气和简单的“看过X的人也看了Y”逻辑。当内容库规模较小时，这种方法确实有效，但同时也助长了为追求浅层点击而进行优化的倾向。.

• 浏览量和点击量
• 基本协同过滤（看过X的人也看了Y）
• 广泛的受欢迎程度信号

向观看时长的转变（2012年至2016年）：从“浏览量”到“满意度”

当YouTube公开将其核心指标从“观看次数”调整为“观看时长”时，一个重大的转折点就此出现（Think with Google，2012）。其核心洞见很简单：即使观众很快就关闭了视频，高点击率看起来依然不错；而相比单纯的点击量，更长的观看时长更能反映观众的满意度。.

• 如果观众很快就离开，那么较高的点击率（CTR）可能会产生误导。.
• 能够让观众持续观看的视频，比单纯的点击量更能体现观众的满意度。.
• 点击量仍然有助于用户发现内容，但点击后的用户留存已成为关键。.

YouTube 规模的深度学习（2016 年起）

2016年，谷歌人工智能团队发表了《用于YouTube推荐的深度神经网络》一文，文中描述了系统从矩阵因子分解等传统方法向深度神经网络的转变。这一转变不仅提升了个性化推荐的质量，还帮助系统从稀疏的隐式反馈中学习，并满足了YouTube的规模需求以及内容更新的高速节奏。.

持续迭代：多种模型，持续实验

YouTube 的算法并非一成不变。它通过持续的模型优化、A/B 测试基础设施以及在相关性与多样性之间寻求平衡的调整，不断得到更新。此外，该算法还整合了政策和安全系统，包括对违反社区准则的内容进行降权处理。.

来自“Think with Google”（2023）、《The Verge》（2023）和Hootsuite（2023）等渠道的公开说明通常都强调同一个主题：推荐结果源于多种模型、多种信号以及持续的评估。.

YouTube 人工智能算法的工作原理

以深度神经网络作为骨干网络

YouTube 的推荐系统基于深度学习技术，这是机器学习的一个分支，它利用多层神经网络来大规模识别模式。当数据量巨大、反馈往往以隐式形式（如观看、跳过、暂停）而非显式评分出现，且用户与内容之间的关系复杂且不断变化时，深度学习尤其有效。.

这一点之所以重要，是因为从推荐系统的角度来看，YouTube 的互动数据是“稀疏”的。视频数量不计其数，而与视频库的规模相比，许多视频的互动量相对较少。.

两阶段检索系统：候选项生成与排序

为了从海量视频库中高效地推荐内容，YouTube通常采用两阶段系统。第一阶段会筛选出一批可能相关的视频，第二阶段则确定其中哪些视频应优先展示。.

候选项生成网络（高召回率）

• 目的： 生成一组具有较高召回率的、可能相关的视频。.
• 输入： 用户的过往活动，包括观看记录、搜索词和订阅的频道。.
• 工作原理： 基于学习得到的表示，系统会检索出可能符合用户兴趣的视频。.

这一阶段旨在广泛筛选。通常会筛选出数百名候选人，而非直接产生最终名单。.

排名网络（高精度）

• 目的： 以高精度对候选视频进行评分和排序。.
• 输入： 候选视频以及更丰富的背景信息，例如时间、设备和近期行为。.
• 预测目标： 预计观看时长和单次观看时长，以及“点赞”、“评论”和“不感兴趣”等互动信号。”
• 输出： 在“首页”、“接下来”及其他界面中显示的简洁有序的列表。.

实用的思维模型： 候选项生成决定哪些内容值得考虑，而排序则决定哪些内容值得优先展示。.

嵌入向量：数学形式的相似性

YouTube 很大程度上依赖于嵌入向量，这些向量是用户、视频和搜索查询的数值表示。.

• 用户嵌入： 根据观看历史和互动模式来反映用户偏好。.
• 视频嵌入： 描述内容的特征，例如主题、风格以及观众对视频的反应。.

通过嵌入向量，系统可以在高维空间中对用户和视频进行比较。在这个空间中位置相近的项目会被视为相似，即使它们没有共同的显性特征，例如相同的创作者或完全相同的关键词。这也是YouTube即使在用户没有进行明确搜索的情况下，仍能推荐出看似相关的内容的原因之一。.

YouTube 用于个性化推荐的信号

个性化是该系统的核心。YouTube 不仅试图预测用户可能会点击什么，还试图预测他们实际上会继续观看什么。.

用户交互信号（显式和隐式）

历史走势（通常是最有力的单一信号）

观看历史记录反映了真实的行为，因此通常被视为最有力的信号之一。最近的观看行为通常比较早的观看行为更具参考价值，而对某个主题或创作者的持续关注则会强化这种偏好。.

• 近期性： 最近的活动可能具有更大的权重。.
• 频率： 重复出现的模式会强化偏好。.

搜索查询

搜索是一种明确的意图表达。如果有人搜索“DIY家居维修”，系统就能清楚地了解他当下想要什么，而不仅仅是了解他平时观看的内容。.

频道订阅

订阅是一种明确的忠诚度信号，表明用户对特定创作者感兴趣。订阅会影响推荐结果，但并不能完全决定推荐内容，尤其是在“首页”上，YouTube 可能会将用户熟悉的频道与新发现的内容混合展示。.

参与度指标

YouTube 采用了一系列具有不同含义和权重的互动指标。观看时长是核心指标，但其他指标也能帮助系统更准确地理解视频质量、用户满意度和用户意图。.

• 观看时长和单次观看时长： 通常被视为最重要的指标。.
• 喜欢和不喜欢： 明确的正面或负面反馈（“不喜欢”仍作为互动数据）。.
• 评论： 这是更深入参与和社区互动的体现。.
• “不感兴趣”的反馈： 明确指示应避免出现类似内容。.
• 点击率（CTR）： 对于初步发现很有帮助，但相较于单纯的点击率（CTR），用户点击后的留存率更为重要。.
• 分享： 通常表明感知价值和积极情绪。.

人口统计信息（通常为推断得出）

推断得出的人口统计信息有助于对受众进行整体理解和分类，但个性化主要由行为和上下文信号驱动，而非基于个人层面的直接人口统计定向。.

视频内容特征

YouTube 还会评估视频本身的属性，以了解视频的内容以及观众对此的反应。.

• 元数据： 标题、描述、标签和分类有助于内容分类和提升搜索相关性。.
• 缩略图： 对点击决策和初始点击率（CTR）具有重大影响。.
• 视频发布时间： 在某些情况下，较新的视频可能会因“新鲜度”或“热门度”而获得推荐加成。.
• 受众留存率： 观众观看了视频的多少比例，这是一个重要的质量指标。.
• 视频质量： 分辨率和音质会间接影响用户满意度和观看时长。.

情境因素

建议可能会根据具体情况而有所不同，即使是针对同一个人也是如此。.

• 时间： 观看习惯各不相同（新闻类节目与娱乐类节目）。.
• 使用的设备： 移动端和桌面端的模式有所不同。.
• 地点： 影响语言偏好和本地内容发现。.

连续反馈循环与自适应学习

每次互动都是数据

YouTube 之所以能不断优化推荐，是因为它会持续从用户互动中学习。即使是微小的动作，也能作为信号。.

• 观看、重看、快进
• 点赞、点踩、评论
• 搜索、订阅
• 使用“不感兴趣”
• 提前退出视频

实时特征更新与模型学习

随着用户与内容的互动，用户画像和嵌入向量会不断更新；随着系统逐渐了解谁在观看视频以及观看后的情况，视频嵌入向量也会随之演变；同时，模型也会通过持续的训练周期得到优化。.

自适应个性化

用户偏好并非一成不变。有人可能连续几个月观看旅游类内容，随后转而关注育儿技巧，接着又沉迷于烹饪视频。该系统设计上具有自适应性，因此当出现新的观看模式后，推荐内容会迅速随之调整。.

YouTube 推荐机制的关键组成部分

• 候选项生成网络： 检索大量潜在的相关视频，以实现高召回率。.
• 排名网络： 对候选内容进行评分和排序，以实现高精度，这通常与预期观看时长和单次观看时长相关。.
• 嵌入式模型： 对用户、视频和查询进行建模，以便系统能够超越关键词层面来衡量相似度。.
• 特征存储库： 管理并向模型提供大量特征集（历史数据、视频属性、上下文）。.
• A/B测试基础设施： 通过大规模测试变更，以确认满意度和参与度是否得到可量化的提升。.

A/B测试尤为重要，因为模型的微小调整可能会对数十亿用户产生巨大的生态系统影响。.

推荐内容的显示位置（推荐类型）

YouTube 在整个产品中贯彻相同的核心原则，但每个界面都有不同的目标。.

首页推荐

• 目标： 开始或重新开始一次观看会话。.
• 常受以下因素影响： 观看记录、订阅内容和推断出的兴趣。.
• 典型配方： 熟悉的创作者、相关主题和探索性内容。.

“接下来”和侧边栏推荐

• 目标： 延长当前会话。.
• 常受以下因素影响： 与当前视频的相似度、其他观众随后观看了哪些视频，以及个人的观看习惯。.
• 优化重点： 连续性与势头。.

搜索结果

• 目标： 回答一个明确的查询。.
• 受以下因素影响： 该查询的关键词相关性、元数据以及表现（观看时长、互动率）。.
• 由以下人员个性化定制： 关注浏览历史和以往的交互记录，这些信息可能会导致不同用户获得的搜索结果排序不同。.

“热门”标签页

• 目标： 在整个平台上推荐热门和新兴视频。.
• 个性化程度： 通常个性化程度较低，更多地受市场势头和广泛吸引力驱动。.

订阅源

• 目标： 显示用户明确关注的频道中的内容。.
• 常见行为： 通常按时间顺序排列，有时会通过排名突出显示热门视频。.

YouTube 短视频 Feed

• 系统： 一款专为短视频垂直观看场景优化的独特推荐引擎。.
• 重点： 快速消费、新奇感以及更快的反馈循环。.
• 发现效应： 能够支持快速发现，因为许多项目可以在更短的时间内被消耗。.

直播推荐

• 系统： 针对实时内容的专用逻辑。.
• 常受以下因素影响： 实时观众数、话题相关性以及创作者与直播观众的互动历史。.

现代深度学习中的过滤概念

尽管 YouTube 采用了深度学习技术，但经典的推荐原理仍然适用。实际上，这些原理已被整合到神经网络模型和特征中，而非作为完全独立的模块来实现。.

基于内容的过滤

• 根据观众已观看内容的主题、类型、创作者风格、关键词或视觉模式，推荐类似的视频。.
• 通常借助视频嵌入技术，将相似的内容进行聚类。.

协同过滤

• 推荐与该用户类似的用户观看并互动过的视频。.
• 通常借助用户嵌入技术，将口味相似的用户进行聚类。.

混合方法

YouTube 目前采用的方法融合了这两种方式。当内容相似性明显时，基于内容的信号会起到作用；而当内容虽无明显关联，但在类似受众群体中表现良好时，协作信号则有助于发现这类内容。.

现实生活中的例子

示例 3：搜索性能的影响

当用户搜索“DIY家居维修”时，搜索结果中很可能会显示在该搜索词下观看时长和互动量表现优异的视频，即使该用户此前从未观看过家居维修类内容。搜索意图会缩小搜索范围，随后基于表现和个性化因素，最终排名会进行重新排序。.

例4：小众创作者的崛起

如果视频在初期就获得了较高的观看时长和互动量，即使是规模较小的频道也能迎来流量激增。这种表现能为相关受众在“首页”带来更多展示量，并进入“接下来看”板块，从而将覆盖范围扩展到订阅者之外。.

例 5：激励机制从“点击诱饵”转向

具有误导性的标题和缩略图虽然仍能吸引点击，但如果观众很快离开，这些内容就很难维持传播效果。那些围绕预期观看时长和单次观看时长进行优化的系统，往往会对表现为“早期放弃”的不满意行为进行惩罚。.

例 6：平台增长动态

推荐功能不仅能延长用户的观看时长，还能帮助用户发现既有创作者和新晋创作者。业界评论常指出，推荐功能推动了大部分观看时长，广为引用的估计数据有时甚至超过70%。这些数字最好视为估算值，而非经确认的平台统计数据，但趋势很明确：推荐功能是YouTube内容消费模式的核心。.

优点与局限性

YouTube 人工智能算法与其他算法的对比

YouTube 推荐与传统搜索引擎的对比

YouTube 以推荐为先，而传统网络搜索则以查询为先。两者均可运用先进的机器学习技术，但 YouTube 主要依赖隐式反馈（观看时长、留存率、互动率）以及显式行为（订阅、搜索），而网络搜索则主要由显式查询意图和相关性信号驱动。 YouTube 通常会进行优化以延长用户在平台上的观看时间，而网页搜索往往旨在快速提供答案，并可能将用户引导至其他网站。.

常见问题解答

关于 YouTube 推荐功能需要了解的要点

YouTube的人工智能算法最好理解为一个两阶段的深度学习系统：它首先筛选出一组候选视频，然后根据预测的满意度对它们进行排序，其中单次观看时长是核心指标。 该系统从几乎每一次用户互动中学习，随着用户偏好的变化而调整，并根据推荐位置的不同（从首页、接下来观看、搜索到短视频和直播）应用略有差异的逻辑。.

对于内容创作者和营销人员而言，其实际意义不言而喻： 包装能吸引点击，但满意度才能维持分发. 标题和缩略图虽然能吸引注意力，但观众留存率和单次观看时长才是将一个有潜力的视频转化为推荐引擎的关键。一种切实可行的运营思路是：优化视频前30秒的内容以提升留存率，确保标题和缩略图与视频的实际内容相符，并合理规划视频结构，让观众在看完后自然而然地想继续观看其他相关视频。.