2008年に、私はYouTubeがYahoo!を通過したことに気付いた業界で最初の作家の1人でした。グーグルに次ぐ世界第2位の検索エンジンになること。
当時、私は検索エンジンウォッチのために書いていて、私の記事は「YouTubeは拡張検索でYahooに合格しましたか？」というタイトルでした。
（ネタバレ注意：見出しの修辞的な質問に対する答えは「はい」でした。）
今日は、関連する質問をしたいと思います。「YouTubeは、Amazonを、現存する最大規模で最も洗練された産業用レコメンデーションシステムとして追い抜こうとしているのでしょうか？」
この質問は修辞的ではありません–答えがわからないからです。
ただし、提案された動画は、理解したいYouTubeの検索アルゴリズムの力の乗数であることを私は知っています。
去年の検索エンジンジャーナルの記事、YouTubeアルゴリズム：知っておくべき7つの重要な発見でちょっとほのめかしました。
「YouTubeの検索や提案された動画での存在感を最大化するには、メタデータが十分に最適化されていることを確認する必要があります。これには、動画のタイトル、説明、タグが含まれます。」
次に、動画のタイトル、説明、タグを最適化する方法について説明しましたので、お詫び申し上げます。
「YouTube検索と提案された動画でのあなたの存在」というフレーズをすり抜けました。しかし、今すぐその見落としを訂正させてください。
ほとんどのSEOは検索結果に焦点を合わせています。これは、Googleで重要なことだからです。
ただし、ほとんどのYouTubeマーケターは、提案された動画に表示されると、YouTubeの検索結果に表示されるのとほぼ同じ数の視聴回数が発生する可能性があることを知っています。
なんで？
視聴者は、平均して約40分間続くセッション中に複数の動画を視聴する傾向があるためです。
したがって、視聴者は1回の検索を実行し、ビデオを視聴してから、提案されたビデオを視聴し続ける可能性があります。
つまり、YouTubeで行われた検索ごとに、2つ以上の動画が表示される可能性があります。
これが、提案された動画をYouTubeの検索アルゴリズムの力の乗数にしている理由です。
ひどく、私は2008年にこの現象を利用したことを認めます。
当時のクライアントの1つは、高校のアスリート向けのスポーツパフォーマンス、トレーニング、ライフスタイルコンテンツの国内有数のプロデューサーおよびディストリビューターであるSTACKMediaでした。
YouTubeのSTACKVids、STACK Football、STACK Baseball、Stack Basketballチャンネルに向けて、137本の動画を最適化しました。これらのチャンネルでは、スポーツトレーニングのヒントや、世界有数のアスリートの裏話を紹介しています。
たとえば、ペイトン・マニングがオフシーズンに使用したダンベルベンチプレスのトレーニングについて語ったウィルバーソロミューを特集したビデオがありました。
タイトルにどのキーワードを使用しましたか？
ビデオのタイトルを見ると、答えは非常に明白です。ペイトンマニングワークアウトです。
そして、ビデオの説明は、私たちがターゲットにしている検索用語について誰もが戸惑うことはありません。
「オフシーズン中のD1でのペイトンマニングのトレーニング。マニングの完全なトレーニングを参照してください（STACKのWebサイトの関連記事への追跡リンクがあります）。」
しかし、どのタグを使用しましたか？
ええと、当時、YouTubeはまだビデオが使用しているタグを示していました。
もはやそうではありません。しかし、私はこのケーススタディをSES San Jose 2008で共有したので、クライアントから次のタグを使用したことを開示する許可を得ました。
- 「ペイトン・マニング」
- 「ペイトンマニングワークアウト」
- 「クォーターバックトレーニング」
- 「クォーターバックトレーニング」
- 「ペイトンマニングトレーニング」
- "ベンチプレス"
- 「クォーターバックベンチプレス」
- 「ダンベルベンチプレス」
- 「マニングワークアウト」
これらのタグはどのようにして思いついたのですか？
当時、「ペイトンマニングワークアウト」という用語でトップランクの動画を見て、動画に関連するタグをできるだけ多く使用しました。
そうすることで、誰かがそのトップランクのビデオを見た後、トップ候補のビデオになる可能性を高めました。
最近では、2008年にその期間でトップランクにランクされた動画を見つけるのは困難です。
ただし、STACKの動画は現在、「ペイトンマニングトレーニング」で1位、「ペイトンマニングトレーニング」で1位、「ペイトンマニングトレーニング」で5位にランクされていることは注目に値します。
YouTubeは今日、提案された動画をどのように見つけてランク付けしていますか？
これが、ユーザーが1分ごとに13時間の動画コンテンツをYouTubeにアップロードしていたときに、提案された動画がどのように機能したかを示しています。
では、毎分500時間以上の動画コンテンツがYouTubeにアップロードされている今、YouTubeはどのようにして提案された動画を見つけてランク付けするのでしょうか。
最近まで、私が見つけた唯一の答えは、YouTubeクリエイターチャンネルの「YouTubeのおすすめ動画のしくみ」というタイトルの動画からでした。
動画の300語の説明で説明されているように、
「おすすめの動画は、以前のアクティビティに基づいて、個々の視聴者が次に見たいと思う可能性のある動画のパーソナライズされたコレクションです。」
クリエイターが視聴者の以前の行動に影響を与える方法はありませんが、これはスポーツチャンネルがスポーツファンを利用できることも意味します。
「視聴者には、ウォッチページの右側の[次へ]の下、モバイルアプリの動画の下、自動再生の次の動画として表示されます。」
YouTubeの総再生時間の70％以上がモバイルデバイスからのものであるため、提案された動画にはモバイルファーストの戦略が必要です。
「YouTubeの消費に関する調査によると、視聴者はさまざまなチャンネルからおすすめを受け取ったときに、より多く視聴する傾向があり、提案された動画はまさにそれを実現しています。提案された動画は、視聴者のエンゲージメントを最大化するためにランク付けされています。」
したがって、メタデータを最適化することは依然として役立ちますが、動画への説得力のあるオープニングを作成し、動画全体で関心を維持および構築し、コンテンツの一部としてコメントを促し、視聴者と対話することで視聴者を引き付ける必要があります。
説明によると、提案された動画は次のようになる可能性が高くなります。
- 「ビデオ…トピックに関連しています。同じチャンネルの動画でも、別のチャンネルの動画でもかまいません。」つまり、自分のチャンネルまたは別のスポーツチャンネルのスポーツファン向けのスポーツ動画です。
- 「視聴者の過去の視聴履歴からの動画。」デロリアンタイムマシンを持っていない限り、視聴者の過去の視聴履歴に影響を与える方法はありません。
動画の説明は、クリエイターにも次のことを伝えています。
「[おすすめの動画]ボックスをクリックすると、トラフィックソースレポート（YouTubeアナリティクス）のおすすめの動画から視聴者をチャンネルに誘導する動画を確認できます。」
ええと、はい。しかし、YouTubeクリエイターがすでにそれを知っているのであれば、大多数はそうではありませんか？
最後に、説明には、作成者向けの次のヒントが含まれています。
- シリーズの別の動画を視聴するには、動画に強力な召喚状を含めます。
- 視聴者に、シリーズの別の動画を見に行く理由を説得します。
- 長いエンディングは視聴者がより多くのビデオを見るのを思いとどまらせる可能性があるため、ビデオがどのように終わるかに注意してください。
- 再生リスト、リンク、カード、エンドスクリーンを使用して、次に視聴する動画を提案します。
- 有機的に接続された一連のビデオを開発します。
- チャレンジやリストなど、YouTubeで人気のある形式に関連する動画を作成します。
現在、この動画の再生回数は394,000回です。
そのため、以前はYouTubeクリエイターアカデミーとして知られていた数十万人の卒業生が、YouTubeが提案する動画の仕組みについて少なくともこれだけ知っていると考えて間違いありません。
したがって、これでは競争力はあまり得られません。
ただし、入手可能なより詳細な情報があります。ボサンである場合もそうでない場合もある匿名の情報源から、私が見つけた場所へのリンクが送られてくるまで、それは安全に見えないように隠されていました。
このリンクから、2016年9月15日に公開され、現在GoogleResearchにアーカイブされている論文に移動しました。
この古い研究論文は、GoogleのPaul Covington、Jay Adams、EmreSarginによって書かれました。「YouTubeの推奨事項のためのディープニューラルネットワーク」というタイトルが付けられています。
YouTubeのレコメンデーションシステムはどのように提案された動画を生成してランク付けしますか？
真剣な競争力を求めている場合は、PDFをダウンロードして、この研究論文を自分で読んでください。
しかし、3年半以上前の8ページの学術文書を読むことは時間と注意を払う価値があると確信する必要がある場合は、「 YouTubeの推奨事項のためのディープニューラルネットワーク。」
まず、Covington、Adams、Sarginは、YouTubeの大規模なレコメンデーションシステムが「候補世代用とランキング用の2つのニューラルネットワーク」で構成されていることを明らかにしました。
それは重要です。
または、Mon Mothma（Caroline Blakiston）がStar Wars：Episode VI – Return of the Jedi（1983）で厳粛に述べているように、「多くのボサンがこの情報を提供するために亡くなりました。」
彼らの論文は次のように述べています。
「候補者生成ネットワークは、ユーザーのYouTubeアクティビティ履歴からイベントを入力として受け取り、大きなコーパスからビデオの小さなサブセット（数百）を取得します。これらの候補者は、一般的にユーザーに高い精度で関連することを目的としています。」
現在、タイムマシンがない限り、視聴者の過去の視聴履歴に合わせて動画を最適化することはできません。
ただし、YouTubeが動画広告キャンペーンのターゲティングにも使用する視聴者をターゲットにした動画を作成することはできます。
つまり、チャンネル内の他の動画とはまったく異なるトピックに関するものである場合、または過去とはまったく異なる人口統計グループを対象としている場合、その動画は小さなサブセット（数百）の動画になりません。
ああ、チャンネルのチャンネル登録者が視聴した他のすべての動画が「スポーツファン」をターゲットにしている場合は、「音楽ファン」をターゲットにした新しい動画を作成することも考えないでください。
2018年9月にTubularInsightで公開された「プラットフォームトレンド：コンテンツの垂直化がYouTubeとFacebookでリーチを拡大する方法」というタイトルの記事で指摘したように、デジタルファーストのパブリッシャーの半ダースはすでに垂直戦略を追求しています。
これには、Axel Springer SE、Group Nine、BuzzFeed、UNILAD、Jungle Creations、LADbible Group、および9GAGが含まれます。
その記事で私が尋ねた修辞的な質問は次のとおりです。
「では、なぜこれらすべてのパブリッシャーは、幅広いコンテンツを巨大な水平方向のYouTubeチャンネルに詰め込むのではなく、プロパティをいくつかの垂直方向にセグメント化するのでしょうか。競争が激化するオンライン動画エコシステムでは、一般的な関心にアピールする場合もしない場合もあるコンテンツのランダムなコレクションを使用するよりも、特定の関心を対象としたコンテンツを視聴者に提供する可能性が高くなります。言い換えれば、広くするよりも深くする方が賢明です。」
これにより、ランク付けのための2番目のニューラルネットワークが表示されます。
Covington、Adams、Sarginは、提案された動画をランク付けする方法はたくさんあることを認めています。しかし、彼らは次のことを開示しています。
「クリック率（CTR）によるランキングは、ユーザーが完了していない欺瞞的な動画（「クリックベイト」）を促進することがよくありますが、総再生時間はエンゲージメントをより適切に捉えます。」
したがって、誤解を招く、クリックベイト、またはセンセーショナルなタイトルやサムネイルの使用は避けてください。
はい、彼らは過去に働いていました。
しかし、2012年10月にYouTubeがアルゴリズムで「視聴回数」を「総再生時間」に置き換えた後、彼らはドードーの道を歩みました。
さて、2番目のニューラルネットワークはCTRを信号として使用しません。他にどのような信号を使用していますか？
論文の著者は、「最も重要なシグナル」には次のものが含まれると述べています。
- 動画自体や他の同様の動画に対するユーザーの以前のやり取りはどのようなものでしたか？
- ユーザーはこのチャンネルから何本の動画を視聴しましたか？
- ユーザーがこのトピックに関するビデオを最後に見たのはいつですか。
Covington、Adams、およびSarginは次のように述べています。
「関連アイテムに対する過去のユーザーアクションを説明するこれらの継続的な機能は、異種のアイテム間で十分に一般化されるため、特に強力です。また、候補世代から機能の形でランキングに情報を伝播することが重要であることがわかりました。この動画候補をノミネートしたソースはどれですか？彼らはどのようなスコアを割り当てましたか？」
彼らは次のように付け加えます。
「過去の動画のインプレッションの頻度を説明する機能も、推奨事項に「チャーン」を導入するために重要です（連続したリクエストは同じリストを返しません）。ユーザーが最近動画を推薦されたが視聴しなかった場合、モデルは次のページの読み込み時にこの印象を自然に降格します。最新の印象と視聴履歴を提供することは、このペーパーの範囲外のエンジニアリング上の偉業ですが、応答性の高い推奨事項を作成するために不可欠です。」
コヴィントン、アダムス、サーギンが明かす：
「私たちの目標は、ポジティブ（動画のインプレッションがクリックされた）またはネガティブ（インプレッションがクリックされなかった）のトレーニング例を前提として、予想総再生時間を予測することです。肯定的な例には、ユーザーがビデオの視聴に費やした時間の注釈が付けられています。予想総再生時間を予測するために、この目的のために開発された加重ロジスティック回帰の手法を使用します。」
つまり、YouTubeのレコメンデーションシステムに合わせて動画を最適化する場合は、視聴者が視聴したい動画を見つけて、長期的なエンゲージメントと満足度を最大化できるようにする必要があります。
それは難しいです。
しかし、毎分500時間以上の動画コンテンツがYouTubeにアップロードされているため、最近はそれを行う必要があります。
これはあなたにとって何を意味しますか？
しかし、待ってください、もっとあります！
論文の著者はまた、YouTubeが2016年以来、「ディープラーニング」を使用して「大規模なレコメンデーションシステム」を設計、反復、維持していることを明らかにしました。
そして、当時でも「ユーザー向けの大きな影響」を伴う「劇的なパフォーマンスの向上」が見られました。
さて、それはあなたを夜に追いつかないかもしれません。
しかし、Googleが学んだことを、たとえばGoogleショッピングに展開すれば、Amazonの研究者や開発者にとって悪夢になることは間違いありません。
さて、これはあなたにとってどういう意味ですか？
あなたの焦点はデジタルマーケティング、SEO、コンテンツマーケティング、有料検索にあると思います。さて、それはあなたをここまで導いた。
次の4年間はどうですか？
さて、あなたまたはあなたのチームの誰かがすでにTensorFlow（以前はGoogle Brainとして知られていました）を理解しているなら、あなたはロックンロールする準備ができています。
ただし、TensorFlowのツール、ライブラリ、コミュニティリソースの包括的で柔軟なエコシステムを使用して、最先端の機械学習（ML）を推進する方法を理解している研究者や開発者がチームにいない場合は、組織またはクライアント向けにMLを利用したアプリケーションを構築してデプロイする場合は、そのアプリケーションをすばやく見つける必要があります。
なんで？
将来的には、あなたの運命、そしてあなたの組織やクライアントの運命は、レコメンデーションシステムの手に渡って増加するでしょう。
そのため、今日「YouTubeの推奨事項のためのディープニューラルネットワーク」を読むことは、時間と注意を払う価値があります。
子供たちが「角を曲がって壁を越えて見る」ことができる潜望鏡のスパイおもちゃの1つと同じように、この8ページの学術文書は、3年半以上にわたって目に見えないところに隠されていたものを確認するのに役立ちます。
その他のリソース：
