Sitemap

2008 में वापस, मैं उद्योग में उन पहले लेखकों में से एक था, जिन्होंने यह नोटिस किया था कि YouTube ने Yahoo!केवल गूगल के बाद दुनिया का दूसरा सबसे बड़ा सर्च इंजन बनने के लिए।

उस समय, मैं सर्च इंजन वॉच के लिए लिख रहा था और मेरा लेख शीर्षक था, क्या यूट्यूब ने याहू को विस्तृत खोजों में पास किया है?

(स्पॉयलर अलर्ट: हेडलाइन में बयानबाजी के सवाल का जवाब था: "हां।")

आज, मैं एक संबंधित प्रश्न पूछना चाहता हूं: "क्या YouTube अमेज़ॅन को अस्तित्व में सबसे बड़े पैमाने पर और सबसे परिष्कृत औद्योगिक अनुशंसा प्रणाली के रूप में पारित करने वाला है?"

यह प्रश्न अलंकारिक नहीं है - क्योंकि मुझे इसका उत्तर नहीं पता है।

लेकिन, मुझे पता है कि सुझाए गए वीडियो YouTube के खोज एल्गोरिथम के लिए एक बल गुणक हैं जिसे आप समझना चाहेंगे।

मैं थोड़े, पिछले साल एक खोज इंजन जर्नल लेख, YouTube एल्गोरिथम: 7 प्रमुख खोज जो आपको अवश्य जानना चाहिए में संकेत दिया।

मैंने कहा, "यूट्यूब खोज और सुझाए गए वीडियो में अपनी उपस्थिति को अधिकतम करने के लिए, आपको अभी भी यह सुनिश्चित करना होगा कि आपका मेटाडेटा अच्छी तरह से अनुकूलित है। इसमें आपके वीडियो का शीर्षक, विवरण और टैग शामिल हैं।"

अब, मैं माफी मांगता हूं, क्योंकि मैंने तब समझाया था कि आपके वीडियो के शीर्षक, विवरण और टैग को कैसे अनुकूलित किया जाए।

मैं पूरी तरह से वाक्यांश से आगे निकल गया, "YouTube खोज में आपकी उपस्थिति और सुझाए गए वीडियो।"लेकिन, मैं अभी उस निरीक्षण को ठीक कर दूं।

अधिकांश SEO खोज परिणामों पर ध्यान केंद्रित करते हैं - क्योंकि यही Google में मायने रखता है।

लेकिन, अधिकांश YouTube विपणक जानते हैं कि सुझाए गए वीडियो में दिखने से YouTube के खोज परिणामों में दिखाई देने वाले लगभग उतने ही दृश्य उत्पन्न हो सकते हैं।

क्यों?

क्योंकि दर्शक औसतन लगभग 40 मिनट तक चलने वाले सत्रों के दौरान कई वीडियो देखते हैं।

इसलिए, एक दर्शक एक खोज कर सकता है, एक वीडियो देख सकता है, और फिर सुझाए गए वीडियो को देखने के लिए आगे बढ़ सकता है।

दूसरे शब्दों में, YouTube पर की जाने वाली प्रत्येक खोज के लिए आपको दो या अधिक वीडियो देखे जा सकते हैं।

यही कारण है कि सुझाए गए वीडियो YouTube के खोज एल्गोरिथम के लिए एक बल गुणक बनाते हैं।

भद्देपन से, मैं स्वीकार करता हूं कि मैंने 2008 में इस घटना का लाभ उठाया था।

हमारे ग्राहकों में से एक तब स्टैक मीडिया था, जो देश के अग्रणी निर्माता और हाई स्कूल एथलीटों के लिए खेल प्रदर्शन, प्रशिक्षण और जीवन शैली सामग्री का वितरक था।

हमने YouTube पर STACKVids, STACK फ़ुटबॉल, स्टैक बेसबॉल और स्टैक बास्केटबॉल चैनलों के लिए 137 वीडियो को ऑप्टिमाइज़ किया, जिसमें दुनिया के कुछ प्रमुख एथलीटों की विशेषज्ञ खेल कसरत युक्तियाँ और अंदर की कहानियाँ प्रस्तुत की गईं।

उदाहरण के लिए, हमारे पास एक वीडियो था जिसमें विल बार्थोलोम्यू को दिखाया गया था, जिसने डंबल बेंच प्रेस कसरत के बारे में बात की थी जिसे पेटन मैनिंग ने ऑफ-सीजन में इस्तेमाल किया था।

हमने टाइटल में किन कीवर्ड्स का इस्तेमाल किया?

ठीक है, यदि आप वीडियो के शीर्षक को देखते हैं, तो उत्तर बहुत स्पष्ट है: पेटन मैनिंग वर्कआउट।

और वीडियो का विवरण किसी को भी उन खोज शब्दों के बारे में भ्रमित नहीं करेगा जिन्हें हम लक्षित कर रहे थे:

"पीटन मैनिंग ऑफ सीजन के दौरान D1 पर प्रशिक्षण। मैनिंग की पूरी कसरत देखें (स्टैक की वेबसाइट पर संबंधित लेख के ट्रैकिंग लिंक के साथ)।"

लेकिन, हमने किन टैग्स का इस्तेमाल किया?

ठीक है, उस समय, YouTube ने अभी भी दिखाया था कि एक वीडियो कौन से टैग का उपयोग कर रहा था।

अब वह बात नहीं रही।लेकिन, मैंने इस केस स्टडी को एसईएस सैन जोस 2008 में साझा किया था, इसलिए मुझे अपने क्लाइंट से यह खुलासा करने की अनुमति मिली कि हमने निम्नलिखित टैग का उपयोग किया है:

  • "पीटन मैनिंग"
  • "पीटन मैनिंग कसरत"
  • "क्वार्टरबैक कसरत"
  • "क्वार्टरबैक प्रशिक्षण"
  • "पीटन मैनिंग प्रशिक्षण"
  • "बेंच प्रेस"
  • "क्वार्टरबैक बेंच प्रेस"
  • "डंबेल बेंच प्रेस"
  • "मैनिंग कसरत"

हम इन टैगों के साथ कैसे आए?

हमने उस समय शीर्ष रैंकिंग वाले वीडियो को "पीटन मैनिंग वर्कआउट" शब्द के लिए देखा, और फिर जितने टैग हम कर सकते थे उतने का उपयोग किया जो हमारे वीडियो के लिए भी प्रासंगिक थे।

इस तरह, किसी के द्वारा उस शीर्ष रैंकिंग वाले वीडियो को देखने के बाद, हमने शीर्ष सुझाए गए वीडियो बनने की हमारी संभावना में सुधार किया।

इन दिनों, उस वीडियो को ढूंढना मुश्किल है जो 2008 में उस अवधि के लिए शीर्ष स्थान पर था।

लेकिन, यह ध्यान देने योग्य है कि स्टैक का वीडियो वर्तमान में "पीटन मैनिंग कसरत" के लिए # 1 रैंक, "मैनिंग कसरत" के लिए # 1 और "पीटन मैनिंग प्रशिक्षण" के लिए # 5 रैंक करता है।

YouTube आज सुझाए गए वीडियो को कैसे खोजता और रैंक करता है?

जब उपयोगकर्ता हर मिनट 13 घंटे की वीडियो सामग्री YouTube पर अपलोड कर रहे थे, तब सुझाए गए वीडियो ने इस तरह से काम किया।

तो, YouTube अब सुझाए गए वीडियो की खोज और रैंक कैसे करता है जबकि YouTube पर हर मिनट 500 घंटे से अधिक वीडियो सामग्री अपलोड की जाती है?

कुछ समय पहले तक, मुझे YouTube क्रिएटर्स चैनल पर YouTube के सुझाए गए वीडियो कैसे काम करते हैं, शीर्षक वाले एक वीडियो से एकमात्र उत्तर मिल सकता था।

जैसा कि वीडियो के 300 शब्दों के विवरण में बताया गया है:

"सुझाए गए वीडियो वीडियो का एक वैयक्तिकृत संग्रह है जिसे एक व्यक्तिगत दर्शक पूर्व गतिविधि के आधार पर आगे देखने में रुचि ले सकता है।"

ऐसा कोई तरीका नहीं है जिससे क्रिएटर्स किसी दर्शक के पिछले व्यवहार को प्रभावित कर सकें, लेकिन इसका मतलब यह भी है कि एक स्पोर्ट्स चैनल खेल के प्रशंसकों में टैप कर सकता है।

"वे दर्शकों को 'अप नेक्स्ट' के तहत, मोबाइल ऐप पर वीडियो के नीचे, और ऑटोप्ले में अगले वीडियो के रूप में दर्शकों को दिखाए जाते हैं।"

YouTube देखने का 70% से अधिक समय मोबाइल उपकरणों से आता है, इसलिए आपको सुझाए गए वीडियो के लिए मोबाइल-प्रथम रणनीति की आवश्यकता है।

"यूट्यूब खपत के अध्ययनों से पता चला है कि जब दर्शक विभिन्न चैनलों से अनुशंसाएं प्राप्त करते हैं तो दर्शक बहुत अधिक देखते हैं, और सुझाए गए वीडियो ऐसा ही करते हैं। सुझाए गए वीडियो को दर्शकों के लिए अधिकतम जुड़ाव के लिए रैंक किया गया है। ”

इसलिए, अपने मेटा डेटा को अनुकूलित करने से अभी भी मदद मिलती है, लेकिन आपको अपने वीडियो के लिए एक सम्मोहक शुरुआत बनाने, पूरे वीडियो में रुचि बनाए रखने और बनाने के साथ-साथ टिप्पणियों को प्रोत्साहित करके और अपनी सामग्री के हिस्से के रूप में अपने दर्शकों के साथ बातचीत करके अपने दर्शकों को शामिल करने की आवश्यकता है।

विवरण के अनुसार, सुझाए गए वीडियो के निम्न होने की अधिक संभावना है:

  • "वीडियो ... जो सामयिक रूप से संबंधित हैं। वे एक ही चैनल के या किसी दूसरे चैनल के वीडियो हो सकते हैं।”दूसरे शब्दों में, खेल प्रशंसकों के लिए आपके चैनल या किसी अन्य खेल चैनल से खेल वीडियो।
  • "दर्शक के पिछले देखने के इतिहास के वीडियो।"जब तक आपके पास DeLorean टाइम मशीन नहीं है, तब तक आप दर्शकों के पिछले देखने के इतिहास को प्रभावित करने का कोई तरीका नहीं है।

वीडियो का विवरण क्रिएटर्स को यह भी बताता है:

"आप 'सुझाए गए वीडियो' बॉक्स पर क्लिक करके देख सकते हैं कि कौन से वीडियो ट्रैफ़िक स्रोत रिपोर्ट (यूट्यूब एनालिटिक्स में) में सुझाए गए वीडियो से दर्शकों को आपके चैनल पर लाते हैं।"

उम, हाँ।लेकिन, अगर YouTube निर्माता पहले से ही यह जानते हैं तो क्या अधिकांश लोग नहीं हैं?

अंत में, विवरण में रचनाकारों के लिए निम्नलिखित युक्तियां शामिल हैं:

  • अपनी श्रृंखला में एक और वीडियो देखने के लिए अपने वीडियो में मजबूत कॉल-टू-एक्शन शामिल करें।
  • दर्शकों को समझाएं कि उन्हें क्यों जाना चाहिए और आपकी शृंखला का दूसरा वीडियो देखना चाहिए।
  • इस बात का ध्यान रखें कि आपके वीडियो कैसे समाप्त होते हैं क्योंकि लंबे अंत दर्शकों को अधिक वीडियो देखने से हतोत्साहित कर सकते हैं।
  • अगला वीडियो देखने का सुझाव देने के लिए प्लेलिस्ट, लिंक, कार्ड और एंड-स्क्रीन का उपयोग करें।
  • ऐसे वीडियो की एक श्रृंखला विकसित करें जो व्यवस्थित रूप से जुड़े हों।
  • ऐसे वीडियो बनाएं जो YouTube पर लोकप्रिय प्रारूपों से संबंधित हों जैसे कि चुनौतियां या सूचियां।

अब, इस वीडियो को 394,000 बार देखा जा चुका है।

इसलिए, यह मान लेना सुरक्षित है कि YouTube निर्माता अकादमी के नाम से जाने जाने वाले कई लाख स्नातक कम से कम इतना जानते हैं कि YouTube के सुझाए गए वीडियो कैसे काम करते हैं।

तो, यह आपको अधिक प्रतिस्पर्धा में बढ़त नहीं देगा।

हालाँकि, अधिक विस्तृत जानकारी उपलब्ध है - हालाँकि यह स्पष्ट रूप से स्पष्ट रूप से छिपी हुई थी जब तक कि एक गुमनाम स्रोत, जो बोथन हो सकता है या नहीं, ने मुझे एक लिंक भेजा जहाँ मैं इसे पा सकता था।

लिंक मुझे एक पेपर पर ले गया जो 15 सितंबर, 2016 को प्रकाशित हुआ था और अब इसे Google अनुसंधान पर संग्रहीत किया गया है।

इस पुराने शोध पत्र को Google के पॉल कोविंगटन, जे एडम्स और एमरे सरगिन ने लिखा था।इसका शीर्षक है, "यूट्यूब अनुशंसाओं के लिए गहरे तंत्रिका नेटवर्क।"

YouTube की अनुशंसा प्रणाली कैसे सुझाए गए वीडियो उत्पन्न और रैंक करती है?

यदि आप एक गंभीर प्रतिस्पर्धा में बढ़त की तलाश कर रहे हैं, तो आप पीडीएफ डाउनलोड करना चाहते हैं और अपने लिए इस शोध पत्र को पढ़ना चाहते हैं।

लेकिन, अगर आपको यह आश्वस्त करने की आवश्यकता है कि साढ़े तीन साल से अधिक पुराना 8-पृष्ठ का अकादमिक दस्तावेज़ पढ़ना आपके समय और ध्यान देने योग्य है, तो आइए कुछ हाइलाइट्स को साझा करें जो मुझे गिलहरी में मिलीं “ YouTube अनुशंसाओं के लिए डीप न्यूरल नेटवर्क।"

शुरुआत के लिए, कोविंगटन, एडम्स और सरगिन ने खुलासा किया कि YouTube की विशाल अनुशंसा प्रणाली में "दो तंत्रिका नेटवर्क शामिल हैं: एक उम्मीदवार पीढ़ी के लिए और एक रैंकिंग के लिए।"

वह महत्वपूर्ण है।

या, जैसा कि मोन मोथमा (कैरोलिन ब्लैकिस्टन) ने स्टार वार्स: एपिसोड VI - रिटर्न ऑफ द जेडी (1983) में गंभीरता से कहा है, "कई बोथन हमें यह जानकारी लाने के लिए मर गए।"

उनका पेपर कहता है:

“उम्मीदवार पीढ़ी नेटवर्क उपयोगकर्ता के YouTube गतिविधि इतिहास से घटनाओं को इनपुट के रूप में लेता है और एक बड़े कॉर्पस से वीडियो के एक छोटे सबसेट (सैकड़ों) को पुनः प्राप्त करता है। इन उम्मीदवारों का उद्देश्य आम तौर पर उच्च परिशुद्धता वाले उपयोगकर्ता के लिए प्रासंगिक होना है।"

अब, हम अपने वीडियो को दर्शकों के पिछले देखने के इतिहास के लिए अनुकूलित नहीं कर सकते - जब तक कि हमारे पास टाइम मशीन न हो।

लेकिन, हम ऐसे वीडियो बना सकते हैं जो दर्शकों पर लक्षित हों जिनका उपयोग YouTube वीडियो विज्ञापन अभियानों को लक्षित करने के लिए भी करता है।

दूसरे शब्दों में, यदि आपका वीडियो आपके चैनल के अन्य वीडियो की तुलना में पूरी तरह से अलग विषय के बारे में है, या यदि यह आपके अतीत की तुलना में पूरी तरह से अलग जनसांख्यिकीय समूह को लक्षित करता है, तो आपका वीडियो वीडियो के एक छोटे उपसमुच्चय (सैकड़ों) में समाप्त नहीं होगा।

ओह, और "संगीत प्रशंसकों" पर लक्षित एक नया वीडियो बनाने के बारे में भी न सोचें, यदि आपके चैनल के ग्राहकों द्वारा देखे गए सभी अन्य वीडियो "खेल प्रशंसकों" पर लक्षित थे।

जैसा कि मैंने एक लेख में बताया, प्लेटफ़ॉर्म ट्रेंड्स: हाउ द वर्टिकलाइज़ेशन ऑफ़ कंटेंट, यूट्यूब और फेसबुक पर पहुंच बढ़ाता है, जिसे सितंबर 2018 में ट्यूबलर इनसाइट पर प्रकाशित किया गया था, आधा दर्जन डिजिटल-फर्स्ट पब्लिशर्स की मान्यता है कि वे पहले से ही एक वर्टिकल स्ट्रैटेजी का अनुसरण कर रहे हैं।

इसमें शामिल हैं: एक्सल स्प्रिंगर एसई, ग्रुप नाइन, बज़फीड, यूनिलाड, जंगल क्रिएशंस, द लैडबाइबल ग्रुप और 9जीएजी।

यहाँ वह अलंकारिक प्रश्न है जो मैंने उस लेख में पूछा था:

"तो, इन सभी प्रकाशकों ने विशाल, क्षैतिज ... YouTube चैनलों में सामग्री की एक विस्तृत श्रृंखला को भरने के बजाय अपनी संपत्तियों को कई कार्यक्षेत्रों में क्यों विभाजित किया? क्योंकि एक बढ़ती प्रतिस्पर्धी ऑनलाइन वीडियो पारिस्थितिकी तंत्र में, आप दर्शकों को उनके विशेष हितों पर सीमित रूप से लक्षित सामग्री के साथ संलग्न करने की अधिक संभावना रखते हैं, क्योंकि आप सामग्री के यादृच्छिक संग्रह के साथ हैं जो उनके सामान्य हितों के लिए अपील कर सकते हैं या नहीं। दूसरे शब्दों में, विस्तृत जाने की तुलना में गहराई तक जाना अधिक चतुर है।"

यह हमें रैंकिंग के लिए दूसरे तंत्रिका नेटवर्क में लाता है।

कोविंगटन, एडम्स और सरगिन स्वीकार करते हैं कि सुझाए गए वीडियो को रैंक करने के कई तरीके हैं।लेकिन वे खुलासा करते हैं:

"क्लिक-थ्रू दर (सीटीआर) द्वारा रैंकिंग अक्सर भ्रामक वीडियो को बढ़ावा देती है जिसे उपयोगकर्ता पूरा नहीं करता है ('क्लिकबैट') जबकि देखने का समय जुड़ाव को बेहतर ढंग से पकड़ लेता है।"

इसलिए, भ्रामक, क्लिकबैटी, या सनसनीखेज शीर्षक और थंबनेल का उपयोग करने से बचें।

हां, उन्होंने अतीत में काम किया था।

लेकिन, अक्टूबर 2012 में जब YouTube ने अपने एल्गोरिथम में "व्यू" को "वॉच टाइम" के साथ बदल दिया, तो वे डोडो के रास्ते पर चले गए।

ठीक है, इसलिए दूसरा तंत्रिका नेटवर्क सिग्नल के रूप में CTR का उपयोग नहीं करता है।यह किन अन्य संकेतों का उपयोग करता है?

पेपर के लेखक मानते हैं कि "सबसे महत्वपूर्ण संकेतों" में शामिल हैं:

  • वीडियो और इसी तरह के अन्य वीडियो के साथ उपयोगकर्ता की पिछली बातचीत क्या थी?
  • उपयोगकर्ता ने इस चैनल से कितने वीडियो देखे हैं?
  • पिछली बार उपयोगकर्ता ने इस विषय पर वीडियो कब देखा था?

कोविंगटन, एडम्स और सरगिन कहते हैं:

"संबंधित वस्तुओं पर पिछले उपयोगकर्ता कार्यों का वर्णन करने वाली ये निरंतर विशेषताएं विशेष रूप से शक्तिशाली हैं क्योंकि वे अलग-अलग वस्तुओं में अच्छी तरह से सामान्यीकरण करती हैं। हमने उम्मीदवार पीढ़ी से रैंकिंग में सुविधाओं के रूप में जानकारी को प्रचारित करना भी महत्वपूर्ण पाया है, उदा। किन स्रोतों ने इस वीडियो उम्मीदवार को नामांकित किया? उन्होंने क्या अंक दिए?"

वे जोड़ते हैं:

"पिछले वीडियो इंप्रेशन की आवृत्ति का वर्णन करने वाली विशेषताएं अनुशंसाओं में 'मंथन' शुरू करने के लिए भी महत्वपूर्ण हैं (लगातार अनुरोध समान सूचियों को वापस नहीं करते हैं)। यदि किसी उपयोगकर्ता को हाल ही में एक वीडियो की सिफारिश की गई थी, लेकिन उसने उसे नहीं देखा, तो मॉडल स्वाभाविक रूप से अगले पृष्ठ लोड पर इस इंप्रेशन को अवनत कर देगा। अप-टू-द-सेकेंड इंप्रेशन और वॉच हिस्ट्री को प्रस्तुत करना इस पेपर के दायरे से बाहर अपने आप में एक इंजीनियरिंग उपलब्धि है, लेकिन उत्तरदायी सिफारिशें तैयार करने के लिए महत्वपूर्ण है। ”

कोविंगटन, एडम्स और सरगिन प्रकट करते हैं:

“हमारा लक्ष्य प्रशिक्षण उदाहरणों को देखते हुए अपेक्षित देखे जाने के समय का अनुमान लगाना है जो या तो सकारात्मक हैं (वीडियो इंप्रेशन क्लिक किया गया था) या नकारात्मक (इंप्रेशन क्लिक नहीं किया गया था)। उपयोगकर्ता द्वारा वीडियो देखने में बिताए गए समय के साथ सकारात्मक उदाहरणों की व्याख्या की जाती है। अपेक्षित घड़ी समय का अनुमान लगाने के लिए हम वेटेड लॉजिस्टिक रिग्रेशन की तकनीक का उपयोग करते हैं, जिसे इस उद्देश्य के लिए विकसित किया गया था।"

दूसरे शब्दों में, यदि आप अपने वीडियो को YouTube के अनुशंसा सिस्टम के लिए अनुकूलित करना चाहते हैं, तो आपको दर्शकों को वे वीडियो ढूंढने में सहायता करनी होगी, जिन्हें वे देखना चाहते हैं, और फिर उनके दीर्घकालिक जुड़ाव और संतुष्टि को अधिकतम करें।

यह मुश्किल है।

लेकिन, YouTube पर हर मिनट 500 घंटे से अधिक की वीडियो सामग्री अपलोड होने के साथ, इन दिनों आपको यही करने की आवश्यकता है।

यह आप के लिए क्या महत्व रखता है?

लेकिन रुकिए, और भी बहुत कुछ है!

पेपर के लेखकों ने यह भी खुलासा किया कि YouTube 2016 से "एक बड़े पैमाने पर सिफारिश प्रणाली" को डिजाइन, पुनरावृति और बनाए रखने के लिए "गहरी शिक्षा" का उपयोग कर रहा है।

और उन्होंने "नाटकीय प्रदर्शन सुधार" को "भारी उपयोगकर्ता-सामना करने वाले प्रभाव" के साथ तब भी देखा था।

अब, हो सकता है कि वह आपको रात में जगाए न रखे।

लेकिन, अगर Google ने जो सीखा है, ओह, उदाहरण के लिए, Google शॉपिंग को रोल आउट करता है, तो मैं शर्त लगा सकता हूं कि यह अमेज़ॅन में शोधकर्ताओं और डेवलपर्स के लिए दुःस्वप्न पैदा करेगा।

अब, इसका आपके लिए क्या मतलब है?

मुझे पता है कि आपका ध्यान डिजिटल मार्केटिंग, एसईओ, कंटेंट मार्केटिंग और सशुल्क खोज पर है।खैर, यह आपको यहाँ तक पहुँचाया।

अगले चार वर्षों के बारे में क्या?

ठीक है, अगर आप या आपकी टीम का कोई व्यक्ति पहले से ही TensorFlow, (जिसे पहले Google ब्रेन के नाम से जाना जाता था) को समझता है, तो आप रॉक एंड रोल के लिए तैयार हैं।

लेकिन, अगर आपकी टीम में कोई शोधकर्ता या डेवलपर नहीं है जो समझता है कि मशीन लर्निंग (एमएल) में अत्याधुनिक उपकरणों, पुस्तकालयों और सामुदायिक संसाधनों का उपयोग करने के लिए TensorFlow के व्यापक, लचीले पारिस्थितिकी तंत्र का उपयोग कैसे करें। अपने संगठन या क्लाइंट के लिए एमएल-पावर्ड एप्लिकेशन बनाएं और तैनात करें, फिर आपको एक… तेजी से खोजने की जरूरत है।

क्यों?

क्योंकि सड़क के नीचे, आपका भाग्य - और आपके संगठन या ग्राहकों का भाग्य - सिफारिश प्रणालियों के हाथों में बढ़ रहा होगा।

इसलिए आज "यूट्यूब अनुशंसाओं के लिए गहरे तंत्रिका नेटवर्क" को पढ़ने के लिए आपका समय और ध्यान देने योग्य है।

उन पेरिस्कोप जासूसी खिलौनों में से एक की तरह, जो बच्चों को "कोनों और दीवारों के चारों ओर देखने" देता है, यह 8-पृष्ठ अकादमिक दस्तावेज़ आपको यह देखने में मदद कर सकता है कि साढ़े तीन साल से अधिक समय तक सादे दृष्टि में क्या छिपा हुआ है।

और अधिक संसाधनों:

सब वर्ग: ब्लॉग