Sitemap

2008년에 저는 YouTube가 Yahoo!Google에 이어 세계에서 두 번째로 큰 검색 엔진이 되었습니다.

그 당시 나는 Search Engine Watch에 글을 쓰고 있었고 내 기사 제목은 확장된 검색에서 YouTube가 Yahoo를 능가했습니까?

(스포일러 경고: 헤드라인의 수사학적 질문에 대한 답변은 "예"였습니다.)

오늘 저는 관련 질문을 하고 싶습니다. "유튜브가 아마존을 능가하는 현존하는 가장 규모가 크고 정교한 산업 추천 시스템인가요?"

이 질문은 수사학적이지 않습니다. 답을 모르기 때문입니다.

하지만 추천 동영상이 YouTube의 검색 알고리즘에 대한 강력한 승수라는 것은 알고 있습니다.

작년에 검색 엔진 저널 기사인 YouTube 알고리즘: 알아야 할 7가지 주요 결과에서 이에 대해 암시했습니다.

“YouTube 검색 및 추천 동영상에서 귀하의 존재를 극대화하려면 메타데이터가 잘 최적화되어 있는지 확인해야 합니다. 여기에는 동영상의 제목, 설명 및 태그가 포함됩니다."

이제 동영상 제목, 설명 및 태그를 최적화하는 방법을 계속 설명했기 때문에 죄송합니다.

나는 "YouTube 검색 및 추천 동영상에서의 귀하의 존재"라는 문구를 완전히 지나쳤습니다.하지만 지금 당장 그 잘못을 바로잡겠습니다.

대부분의 SEO는 검색 결과에 초점을 맞춥니다. 왜냐하면 그것이 Google에서 중요한 것이기 때문입니다.

그러나 대부분의 YouTube 마케팅 담당자는 추천 동영상에 표시되면 YouTube 검색 결과에 표시되는 조회수만큼 조회수를 생성할 수 있다는 것을 알고 있습니다.

왜요?

시청자는 평균 40분 정도 지속되는 세션 동안 여러 개의 동영상을 보는 경향이 있기 때문입니다.

따라서 시청자는 검색을 한 번 수행하고 동영상을 시청한 다음 계속해서 추천 동영상을 시청할 수 있습니다.

즉, YouTube에서 수행되는 각 검색에 대해 두 개 이상의 동영상을 볼 수 있습니다.

이것이 바로 추천 동영상이 YouTube 검색 알고리즘의 힘을 배가시키는 이유입니다.

부끄럽게도 2008년에 이 현상을 이용했다는 것을 인정합니다.

당시 우리 고객 중 하나는 고등학생을 위한 스포츠 경기, 트레이닝 및 라이프스타일 콘텐츠의 국내 최고의 제작 및 유통업체인 STACK Media였습니다.

YouTube의 STACKVids, STACK Football, STACK 야구 및 스택 농구 채널에 최적화된 137개의 비디오를 통해 세계 최고의 운동선수들의 전문적인 스포츠 운동 팁과 내부 이야기를 제공했습니다.

예를 들어, Peyton Manning이 오프 시즌에 사용한 덤벨 벤치 프레스 운동에 대해 이야기한 Will Bartholomew가 등장하는 비디오가 있었습니다.

제목에 어떤 키워드를 사용했습니까?

글쎄, 당신이 비디오의 제목을 보면, 대답은 꽤 분명합니다: Peyton Manning 운동.

그리고 동영상의 설명은 우리가 타겟팅한 검색어에 대해 의아해하는 사람을 남겨두지 않을 것입니다.

“오프 시즌 동안 D1에서 페이튼 매닝 훈련. Manning의 전체 운동을 참조하십시오(STACK 웹사이트의 관련 기사에 대한 추적 링크 포함).”

그러나 우리는 어떤 태그를 사용했습니까?

글쎄, 그 당시 YouTube는 여전히 비디오가 사용하는 태그를 보여주었습니다.

더 이상 그렇지 않습니다.그러나 SES San Jose 2008에서 이 사례 연구를 공유했기 때문에 고객으로부터 다음 태그를 사용했음을 공개할 수 있는 허가를 받았습니다.

  • "페이튼 매닝"
  • "페이튼 매닝 운동"
  • "쿼터백 운동"
  • "쿼터백 훈련"
  • "페이튼 매닝 훈련"
  • "벤치 프레스"
  • "쿼터백 벤치 프레스"
  • "덤벨 벤치 프레스"
  • "매닝 운동"

우리는 어떻게 이러한 태그를 생각해 냈습니까?

우리는 당시 최고 순위의 비디오에서 "Peyton Manning 운동"이라는 용어를 보았고 우리 비디오와 관련이 있는 태그를 가능한 한 많이 사용했습니다.

그런 식으로 누군가가 상위 순위 비디오를 본 후 상위 추천 비디오가 될 확률을 높였습니다.

요즘은 2008년 당시 그 용어로 1위를 차지한 영상을 찾기 힘듭니다.

그러나 STACK의 비디오는 현재 "Peyton Manning 운동"에서 1위, "Manning 운동"에서 1위, "Peyton Manning 훈련"에서 5위를 기록하고 있습니다.

오늘날 YouTube는 추천 동영상을 어떻게 발견하고 순위를 매기나요?

사용자가 1분에 13시간 분량의 동영상 콘텐츠를 YouTube에 업로드할 때 추천 동영상이 다시 작동하는 방식이었습니다.

그렇다면 YouTube는 분당 500시간 이상의 동영상 콘텐츠가 YouTube에 업로드되는 상황에서 어떻게 추천 동영상을 검색하고 순위를 매길까요?

최근까지 내가 찾을 수 있었던 유일한 답변은 YouTube 크리에이터 채널의 YouTube 추천 동영상 작동 방식이라는 동영상에서 찾을 수 있었습니다.

비디오의 300단어 설명은 다음과 같이 설명합니다.

"추천 동영상은 개별 시청자가 이전 활동을 기반으로 다음에 보고 싶어할 수 있는 개인화된 동영상 모음입니다."

제작자가 시청자의 이전 행동에 영향을 줄 수 있는 방법은 없지만 스포츠 채널이 스포츠 팬을 활용할 수 있다는 의미이기도 합니다.

"시청자에게 보기 페이지 오른쪽의 '다음 동영상' 아래, 모바일 앱의 동영상 아래, 자동재생의 다음 동영상으로 시청자에게 표시됩니다."

YouTube 시청 시간의 70% 이상이 휴대기기에서 발생하므로 추천 동영상에 대한 모바일 우선 전략이 필요합니다.

“YouTube 소비에 대한 연구에 따르면 시청자는 다양한 채널에서 추천을 받을 때 더 많이 시청하는 경향이 있으며 추천 동영상이 바로 그 역할을 합니다. 추천 동영상은 시청자의 참여도를 극대화하기 위해 순위가 매겨집니다.”

따라서 메타 데이터를 최적화하는 것이 여전히 도움이 되지만 동영상에 대한 매력적인 오프닝을 만들고 동영상 전체에 걸쳐 관심을 유지 및 구축해야 하며 콘텐츠의 일부로 댓글을 장려하고 시청자와 상호작용하여 청중의 참여를 유도해야 합니다.

설명에 따르면 추천 동영상은 다음과 같을 가능성이 더 큽니다.

  • “주제적으로 관련된 ... 비디오. 같은 채널의 비디오일 수도 있고 다른 채널의 비디오일 수도 있습니다."즉, 내 채널 또는 다른 스포츠 채널의 스포츠 팬을 위한 스포츠 동영상입니다.
  • "시청자의 과거 시청 기록 동영상입니다."DeLorean 타임머신이 없으면 시청자의 과거 시청 기록에 영향을 줄 수 있는 방법이 없습니다.

동영상 설명은 제작자에게도 다음과 같이 알려줍니다.

"'추천 동영상' 상자를 클릭하면 트래픽 소스 보고서(YouTube 분석)의 추천 동영상에서 시청자를 채널로 유도하는 동영상을 확인할 수 있습니다."

음, 네.그러나 YouTube 제작자가 이미 알고 있다면 대다수가 알고 있지 않습니까?

마지막으로 설명에는 제작자를 위한 다음 팁이 포함되어 있습니다.

  • 시리즈의 다른 동영상을 시청하려면 동영상에 강력한 클릭 유도문안을 포함하세요.
  • 시청자에게 시리즈의 다른 동영상을 시청해야 하는 이유를 설득하세요.
  • 긴 결말은 시청자가 더 많은 동영상을 시청하지 못하게 할 수 있으므로 동영상이 어떻게 끝나는지 주의하세요.
  • 재생 목록, 링크, 카드 및 최종 화면을 사용하여 다음에 볼 동영상을 제안하세요.
  • 유기적으로 연결된 일련의 비디오를 개발하십시오.
  • 챌린지나 목록과 같이 YouTube에서 인기 있는 형식과 관련된 동영상을 만드세요.

현재 이 영상의 조회수는 394,000회입니다.

따라서 이전에 YouTube 제작자 아카데미로 알려진 수십만 명의 졸업생이 YouTube의 추천 동영상 작동 방식에 대해 적어도 이 정도는 알고 있다고 가정하는 것이 안전합니다.

따라서 이것은 경쟁 우위를 많이 제공하지 않습니다.

그러나 더 자세한 정보를 사용할 수 있습니다. 보탄일 수도 있고 아닐 수도 있는 익명의 출처가 내가 찾을 수 있는 링크를 나에게 보낼 때까지 일반 눈에 안전하게 숨겨져 있었지만.

링크를 통해 2016년 9월 15일에 출판된 논문으로 이동했으며 현재 Google Research에 보관되어 있습니다.

이 오래된 연구 논문은 Google의 Paul Covington, Jay Adams 및 Emre Sargin이 작성했습니다.제목은 "YouTube 추천을 위한 심층 신경망"입니다.

YouTube의 추천 시스템은 어떻게 추천 동영상을 생성하고 순위를 매기나요?

심각한 경쟁 우위를 찾고 있다면 PDF를 다운로드하고 이 연구 보고서를 직접 읽고 싶을 것입니다.

하지만 3년 반 이상 된 8페이지 분량의 학술 문서를 읽는 것이 시간과 주의를 기울일 가치가 있다고 확신해야 한다면 " YouTube 추천을 위한 심층 신경망."

우선 Covington, Adams 및 Sargin은 YouTube의 대규모 추천 시스템이 "두 개의 신경망, 즉 후보 생성과 순위 지정을 위한 신경망"으로 구성되어 있음을 밝혔습니다.

중요합니다.

또는 몬 모스마(캐롤라인 블래키스톤)가 스타워즈: 에피소드 6 – 제다이의 귀환(1983)에서 엄숙하게 말했듯이 "많은 보탄이 이 정보를 가져오기 위해 죽었습니다."

그들의 논문은 다음과 같이 말합니다.

“후보 생성 네트워크는 사용자의 YouTube 활동 기록에서 이벤트를 입력으로 받아 대규모 코퍼스에서 비디오의 작은 하위 집합(수백)을 검색합니다. 이러한 후보는 일반적으로 사용자와 높은 정확도로 관련이 있습니다.”

이제 우리는 타임머신이 없는 한 시청자의 과거 시청 기록에 맞게 동영상을 최적화할 수 없습니다.

그러나 YouTube에서 동영상 광고 캠페인을 타겟팅하는 데 사용하는 잠재고객을 대상으로 하는 동영상을 만들 수 있습니다.

즉, 동영상이 채널의 다른 동영상과 완전히 다른 주제에 관한 것이거나 과거와 완전히 다른 인구통계학적 그룹을 대상으로 하는 경우 동영상의 작은 하위 집합(수백)에 포함되지 않습니다.

아, 그리고 채널 구독자가 시청한 다른 모든 동영상이 '스포츠 팬'을 대상으로 했다면 '음악 팬'을 대상으로 하는 새 동영상을 만들 생각조차 하지 마십시오.

2018년 9월 Tubular Insight에 게시된 플랫폼 트렌드: 콘텐츠 수직화가 YouTube 및 Facebook에서 도달 범위를 늘리는 방법이라는 기사에서 지적했듯이, 6개의 디지털 퍼스트 퍼블리셔가 이미 수직 전략을 추구하고 있음을 인지하고 있습니다.

여기에는 Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group 및 9GAG가 포함됩니다.

제가 그 기사에서 던진 수사학적 질문은 다음과 같습니다.

"그럼 왜 이 모든 퍼블리셔들은 방대한 콘텐츠를 거대한 수평적 YouTube 채널에 채우는 대신 자신의 자산을 여러 카테고리로 분류할까요? 경쟁이 심화되는 온라인 비디오 생태계에서 일반 관심사에 호소할 수도 있고 그렇지 않을 수도 있는 무작위 콘텐츠 모음보다 특정 관심사를 좁게 타겟팅하는 콘텐츠로 잠재고객의 참여를 유도할 가능성이 더 높기 때문입니다. 다시 말해 넓게 가는 것보다 깊게 가는 것이 현명하다.”

이것은 순위를 매기기 위해 두 번째 신경망을 제공합니다.

Covington, Adams, Sargin은 추천 동영상의 순위를 매기는 방법이 여러 가지임을 인정합니다.그러나 그들은 다음을 공개합니다.

"클릭률(CTR)로 순위를 매기는 것은 종종 사용자가 완료하지 않은 사기성 동영상('클릭베이트')을 조장하는 반면 시청 시간은 참여를 더 잘 포착합니다."

따라서 오해의 소지가 있는 클릭, 선정적인 제목 및 미리보기 이미지를 사용하지 마십시오.

예, 그들은 과거에 일했습니다.

그러나 2012년 10월 YouTube가 알고리즘에서 "조회수"를 "시청 시간"으로 대체하면서 그들은 도도의 길을 갔습니다.

자, 두 번째 신경망은 CTR을 신호로 사용하지 않습니다.다른 어떤 신호를 사용합니까?

이 논문의 저자는 "가장 중요한 신호"가 다음과 같다고 말합니다.

  • 사용자가 이전에 동영상 자체 및 기타 유사한 동영상과 상호작용한 내용은 무엇입니까?
  • 사용자가 이 채널에서 본 동영상은 몇 개입니까?
  • 사용자가 이 주제에 대한 비디오를 마지막으로 본 것은 언제입니까?

Covington, Adams 및 Sargin은 다음과 같이 말합니다.

“관련 항목에 대한 과거 사용자 작업을 설명하는 이러한 연속 기능은 서로 다른 항목에 걸쳐 잘 일반화되기 때문에 특히 강력합니다. 우리는 또한 후보 세대의 정보를 기능 형태의 순위로 전파하는 것이 중요하다는 것을 발견했습니다. 이 비디오 후보를 지명한 출처는? 그들은 어떤 점수를 매겼습니까?”

그들은 추가합니다:

"과거 비디오 노출 빈도를 설명하는 기능은 추천에 '이탈'을 도입하는 데도 중요합니다(연속 요청은 동일한 목록을 반환하지 않음). 사용자가 최근에 동영상을 추천받았지만 시청하지 않은 경우 모델은 다음 페이지 로드 시 자연스럽게 이 노출을 강등합니다. 최신 인상과 시청 기록을 제공하는 것은 이 백서의 범위를 벗어나는 엔지니어링 위업이지만 반응형 권장 사항을 생성하는 데 중요합니다.”

Covington, Adams 및 Sargin은 다음과 같이 폭로합니다.

"우리의 목표는 양성(동영상 노출이 클릭됨) 또는 음성(노출이 클릭되지 않음)인 교육 예제를 통해 예상 시청 시간을 예측하는 것입니다. 긍정적인 예에는 사용자가 비디오를 시청한 시간이 주석으로 표시됩니다. 예상 시청 시간을 예측하기 위해 이러한 목적으로 개발된 가중 로지스틱 회귀 기술을 사용합니다."

즉, YouTube의 추천 시스템에 맞게 동영상을 최적화하려면 시청자가 보고 싶은 동영상을 찾도록 도와주고 장기적 참여와 만족도를 극대화해야 합니다.

어렵다.

하지만 1분에 500시간 이상의 동영상 콘텐츠가 YouTube에 업로드되고 있기 때문에 오늘날에는 이것이 필요합니다.

이것은 당신에게 무엇을 의미합니까?

하지만 더 많은 것이 있습니다!

이 논문의 저자는 또한 YouTube가 2016년부터 "대량 추천 시스템"을 설계, 반복 및 유지하기 위해 "딥 러닝"을 사용하고 있다고 밝혔습니다.

그리고 그 당시에도 "사용자가 대면하는 엄청난 영향"과 함께 "극적인 성능 향상"을 보았습니다.

자, 그것은 밤에 당신을 유지하지 못할 수 있습니다.

그러나 Google이 예를 들어 Google 쇼핑에 배운 것을 출시하면 Amazon의 연구원과 개발자에게 악몽이 될 것입니다.

자, 이것이 당신에게 무엇을 의미합니까?

귀하의 초점이 디지털 마케팅, SEO, 콘텐츠 마케팅 및 유료 검색에 있다는 것을 알고 있습니다.자, 여기까지 왔습니다.

앞으로 4년은 어떻게 될까요?

글쎄, 당신이나 팀의 누군가가 이미 TensorFlow(이전에는 Google Brain으로 알려짐)를 이해하고 있다면 당신은 락앤롤 준비가 된 것입니다.

그러나 TensorFlow의 포괄적이고 유연한 도구, 라이브러리 및 커뮤니티 리소스 에코시스템을 사용하여 최첨단 머신 러닝(ML)을 구현하는 방법을 이해하는 연구원이나 개발자가 팀에 없다면 조직이나 클라이언트를 위한 ML 기반 애플리케이션을 구축 및 배포한 다음 신속하게 찾아야 합니다.

왜요?

앞으로 당신의 운명과 당신의 조직이나 고객의 운명은 추천 시스템의 손에 달려 있기 때문입니다.

그렇기 때문에 오늘 "YouTube 추천을 위한 심층 신경망"을 읽는 데 시간과 주의를 기울일 가치가 있습니다.

아이들이 "모서리와 벽 너머를 볼" ​​수 있게 해주는 잠망경 스파이 장난감 중 하나와 마찬가지로 이 8페이지 분량의 학술 문서는 3년 반 이상 동안 잘 보이지 않는 곳에 숨겨져 있던 것을 보는 데 도움이 될 수 있습니다.

추가 리소스:

모든 카테고리: 블로거