Python破解YouTube视频推荐算法，深度解析原理，但还是看不懂！

私信小编001、002、003、004、007任何一个都可以获取一份Python学习资料如果你是某个发行渠道（比如电影、戏剧、电视节目、网络视频）的内容工作者，那么内容的成败就取决于发行机制的运转逻辑。比如说，你制作了一档电视节目，你很想它能火起来，那么你就得知道该在哪里切入广告，怎么宣传节目，上哪个频道播放，所选的频道能被多少家庭收看，等等，诸如此类。

48小时内访问的订阅用户百分比与得到的平均访问次数基于这个观察，我们稍微深挖了一下，发现用这个速率规律去预测一个视频是否会成功，可以做到92%的准确率。其实，还存在一个更直接的相关性：72小时内访问的订阅用户百分比，与视频整个生命周期的累计被访问次数之间。

72小时内访问的订阅用户百分比与整个生命周期内累计的访问次数这两个图以及相关系数充分说明访问次数和访问速率对视频和频道有着直接而重要的影响。除此之外，我们还有证据证明这个规律反过来也成立。差劲的访问速率不但影响这个视频本身，还影响其上一个和下一个视频。下图说明如果Frederator上一个视频48小时内访问速率比较糟糕（少于5%的订阅用户访问），那么接下来上传的视频也会受其影响。

访问了下一个视频的订阅用户百分比与访问了前两个视频的订阅用户平均百分比之间的关系这个数据证实了MatthewPatrick的理论：如果某一个视频点击效果不好，那么你的下一次上传的视频，YouTube就不会给予太多权重让它被你的订阅用户看到。［2］也可能是因为上一个视频表现糟糕，所以访问你的频道次数就会减少，自然地就导致更少的订阅用户以原生的方式访问到。不管到底“为什么”，结果反正就是酱紫。

七天内的平均“48小时内访问视频的订阅用户百分比”与每日整个频道视频访问总数之间的关系

七天平均订阅用户访问人数与总体访问访问次数之间的关系这些图标都说明一件事：一旦新上传视频和整个视频库的访问用户百分比走低，那么频道的总体访问次数也会走低。对于我们来说的启示是：YouTube算法更看重那些能够吸引到核心观众的频道，而惩罚那些不能吸引其核心观众的。访问停留另一个算法非常看重的指标就是访问停留（ViewDuration）。访问停留就是用户会花多长时间停留在单个视频页面。

整个生命周期内，平均访问时长和平均访问量的关系注意，这里没考虑访问时长在八分钟之上的数据。我们还发现，访问停留时长越长，视频表现越好。下面这张图是七天内访问停留时长少于5分钟的视频（1），介于五分钟到十分钟的（5），十分钟以上的（10）分别与访问量的关系。

七天内平均访问量与平均访问停留时长的关系下面这张图也是一个意思，不过从7天拉长到整个生命周期内了。

整个生命周期内平均访问量与平均访问停留时长的关系基于这些发现，我们可以得出一个简单的结论：发布长视频可以提高访问效果。Frederator有一个关于儿童乐园的频道，每周会上传三到四个不同长度（3分钟，10分钟，30分钟。70分钟）的视频，我们发现每个视频发布后的48小时内，70分钟视频的访问次数远远超过其他长度的视频，哪怕是重发一些炒剩饭的旧视频。

7日内总访问量与48小时内访问的订阅用户百分比第二个图是频道内日均访问量与5日内访问的订阅用户百分比的关系。

日均访问量与5日内访问的订阅用户百分比的关系这意味着如果能一直让大量用户从你开始访问YouTube（近5天内平均来看），那么算法就会将用户每日访问向你整个频道视频库倾斜。最后一幅图是日均访问的订阅用户百分比与5天内访问的订阅用户百分比之间的关系。

日均访问的订阅用户百分比与5日内访问的订阅用户百分比之间的关系我们相信这一切都表明，频道效果的连贯性与访问量之间存在相关性，访问量又表现在订阅用户访问百分比，YouTube就会因此把流量倾斜给你。假如说你有一个游戏频道，10万个订阅用户，你每天上传6个视频，每个视频有5%的订阅用户访问。你的每个视频的平均访问订阅用户会稳定在区区5%。

用来开发打分算法的信号量／因素下面这些图是这些信号量实际产生的效果。

三天的算法平均分与访问量的相关趋势

算法打分与访问量的相关性趋势下面这张图更详细一些。

三天的算法打分均值与每日访问量知道你还是很好奇，那下面就揭晓我们模拟出来的各种权重:

各种算法的权重分布模拟

观看时长优化算法的各信号量权重分布模拟

相关推荐及其他算法的各信号量权重分布然而但是but，我们也没有其他数据了，所以我们也不敢肯定在计算相关性时该用哪种回归方式，也只敢说大多数信号和算法之间很相关，而已。也正因为如此，我们对YouTube算法一直热情不减。对YouTube算法的看法根据我们的数据，至少可以得到6个粗浅结论：1.YouTube用算法决定了我们的视频和频道能得到多少访问量。