youtube推荐关注（youtube有趣的订阅）
油管怎么关注别人
具体操作如下：
（使用浏览器扫码进入在线客服窗口）
复制联系方式
1、在Facebook的主界面上，在最上方可以看到相应的搜索框。
2、在输入框中输入想关注的人的名字，点击旁边的搜索框，或者直接按回车键。
3、在众多的搜索结果中，可以看到很多带有关键字，只要明星后边有蓝色勾勾，就表明是明星本人，接下来进入明星主页。
4、最后点击关注即可。
在YouTube上，全世界人们都爱看什么？
全世界的人们在看什么？年轻人又在看什么？
你可随意都能抛出一个答案：看开心点的。
这确实是一个万能的答案，在网络上观看视频，早已经成为人们娱乐生活的一种方式。但选择观看什么内容的背后，折射出某种价值行为。
如何讨好年轻人，已经成为互联网产品或是内容产品团队绞尽脑汁要做的事。
毕竟，谁不想抓住未来？
2005年2月14日，在加利福尼亚州圣马特奥的日本餐厅内，这个域名为网站被启动，两个多月之后，第一部YouTube视频上传，名为《Me at the zoo》，现在还可以在YouTube上观看。
据数据显示，至今已经有超过13亿用户在YouTube上建立自己账户，人们每天观看近50亿个视频，人们每分钟向网站上传300小时的视频。
经过十多年的发展，YouTube已经成为超级无敌视频媒体平台，内容覆盖领域广泛，不同领域的视频博主在YouTube上分享他们的视频，受用户喜欢的视频博主会获得不错的收益。
但内容丰富的同时，人们关注的内容逐渐趋于“同质化”，在最欢迎的前10个视频里，音乐视频内容成为主流。
但偶尔会有些意外东西，不信你多留意一下这10个视频。
放眼全世界，千禧一代和Z世代用户仍然认为YouTube 是世界上最值得信赖的视频媒体平台。这两部分人群占比超过全球人口三分一，在一个覆盖绝大多数国家互联网视频平台上，如果这些内容被观看次数足够多，就会牢牢抓住这波年轻群体。
不管是他们创作的内容还是消费的内容，都被商家和品牌视为掌上明珠，想尽办法牢牢圈住，世界上任何地方，人在何处，资本就去往何处。
这10个最受欢迎的YouTube视频中，肯定有你不陌生的，即使在我们身处在「带墙」的网络世界，那些世界流行的，同样也会在我们面前出现。
10.Katy Perry「凯蒂·佩里」 - Roa r（28.42亿）
如果你使用谷歌搜索《Roar》，得到靠前的搜索结果是1981年Noel Marshall自编自导自演的恐怖喜剧片《Roar》，电影讲述一家人与狮子、老虎等大型猫科动物在一起生活的故事……
电影在拍摄期间，造成演员和工作人受伤人数达到70人，Roar也成为史上最危险的电影拍摄，同时电影意外上映之后，也是亏得得一塌糊涂。
我想导演一定想不到，在三十几年之后，美国歌手Katy Perry的一首同名歌曲《Roar》在社交网络风靡全球，Roar的视频在YouTube上有28.42亿的观看次数。
Roar真是一首超级积极励志的鸡汤歌曲，不管是歌词还是音乐视频内容，视频里主角Katy 乘坐的飞机坠毁于荒郊野外，男友被猛兽攻击，自己独自与猛兽抗争，最终成为原始森林女王。
励志的套路都很熟悉，看来全世界人们都需要点鸡汤来鼓励。
9.Maroon 5「魔力红乐 队」-Sugar（30.16亿）
这个世界上没有哪一对步入婚姻的新人，不期待一场特别的婚礼。
当一支乐队在所有人都不知道的情况下，出现在婚礼现场，可能是意外，也可能是破坏。Maroon 5的《Sugar》给人制造很多意外，在Sugar》的MV视频中，给人留下不少温暖浪漫的瞬间，曾在朋友圈刷屏一阵。
Sugar的视频创意来自喜剧电影《婚礼敖客》的导演 David Dobkin，音乐的MV中带有明显的电影色彩。
在MV中也出现一对华裔新人的面孔，婚礼现场挂满的灯笼，浓浓中式婚礼氛围。
YouTube上30亿的观看次数背后传递30亿次希望和甜蜜。
8.Justin Bieber「贾斯汀·比伯」- Sor ry（31.7亿）
第7个最快突破30亿播放次数的视频，来自当红辣子鸡贾斯汀·比伯的《Sorry》，也是到目前为止他最受欢迎的YouTube视频，目前有31.7亿播放次数。
7.PINKFONG-Baby Shark Dance「小鲨鱼 舞」（32.18亿）
作为成年人，建议你花两分钟时间观看一下Baby Shark Dance，你获得怎样的体验，两分钟之后你心中会有一个明确的答案。
我也不信你只会观看一遍。
Baby Shark Dance是由韩国流行音乐制造商Pinkfong制作儿童歌曲，歌曲简单，节奏明快，反复重复，小鲨鱼舞也足够简单，这也可能是互联网上年轻的父母，完整学会的第一支舞蹈。
Baby Shark Dance在YouTube上32亿的播放次数背后，你能想象到无数个家庭父母在陪伴孩子跳舞场景。互联网也是奇怪的地方，你谷歌一下Baby Shark Dance就会发现很多成年人的版本，他们无比地放飞自我。
6.PSY「鸟叔」- 江南Style（34.05亿）
鸟叔的Gangnam Style是第一个被观看超过十亿次的YouTube视频，现在播放次数高达34.05亿次。
曾经，那极具魔性的Gangnam Style曾像病毒一样，影响全球流行文化，除此之外，Gangnam Style也被吉尼斯世界纪录评为YouTube上最“喜欢”的视频。
在音乐视频里，鸟叔那套独创的“骑马舞”加上魔性般的音乐节奏，制造一股“精神病毒”席卷全球，很容易让人想模仿鸟叔跳起舞，胖子也能跳，为什么我不能呢。
因此，出了各种xx版本的Style，从娱乐圈到政商界，就连美国航天局NASA的工程师都加入模仿Gangnam Style。而后，一向给人很严肃形象的军队也纷纷加入模仿，那时，已经没什么能阻止Gangnam Style了。
5.Mark Rons on「马克·容森」-Up town Funk（36.63亿）
《Uptown Funk》出现在这个年代，只能被认为是流行放克，即使网络很多人在批评模仿80年代的放克，但对于大众消费来说，无关紧要，在YouTube上高36.63亿的播放次数就是最好的证明，现在还是稳稳地留在前十这个榜单上。
这首《Uptown Funk》不管是歌词还是MV视频里的演绎，火星哥都把自身那股“骚浪气”发挥到极致。大金链，戒指，粉红西装，随性的舞蹈编排，加上火星哥独特的唱腔，里里外外都弥漫着一股玩乐的复古气息。
4.Маша и Медведь 「玛莎和熊)」- Маша плюс каша（40.92亿）
终于等来一个不是音乐相关的视频，也是唯一一个。
玛莎和熊是俄罗斯的一档儿童动画系列喜剧，由Animakkord工作室制作。玛莎是一位性格外向的女孩，善良好奇心又强，超喜欢恶作剧，经常提出各种奇怪的问题，还喜欢讲恐怖故事。
而熊呢，是一位学霸型的马戏艺术家，获奖无数，最喜欢做的事就是经常把自己奖牌和奖杯擦得铮亮。熊喜欢住在森林里，性格沉闷，拥有诸多技能，企图传授给玛莎，但玛莎是不会轻易接受学霸教育的，不然故事怎么讲下去。
一组数据告诉你，玛莎和熊有多受欢迎。
在YouTube上超过了40亿观看次数，是有史以来观看次数最多的五个视频之一，视频平均每秒观看400次，也是最受瞩目的非音乐剧和排名第一的俄语视频；该系列作为世界上最受瞩目的动画电影被列入吉尼斯世界纪录。
3.Wiz Khalifa「维兹·卡利法」 - See You Again （42.05亿）
Wiz Khalifa和Charlie Puth的《See You Again》是电影《激情与速度7》的推广曲，电影和歌曲都是对保罗·沃克致敬，《See You Again》成为2015年全球最畅销的歌曲。
《See You Again》的视频是2017年7月10日至8月4日YouTube上观看次数最多的视频，后来被超越了，现在YouTube的观看次数已超42.05亿，排名第三。
2.Ed Sheeran 「艾德·希兰」- Shape of You（43.54亿 ）
这俱乐部不是个能找到安慰的地方，所以我们去往酒吧，我和我朋友们在桌前干着杯，一饮而尽，再缓缓诉起衷肠……
这是《Shape of You》的中文歌词。
如果当时艾德把这首歌给蕾哈娜，那YouTube的视频榜单记录上应该没他什么事了。
歌曲的MV视频讲述了一个很滑稽的爱情的故事，艾德去拳馆练习拳击，遇到心动女孩，两人很快产生情爱花火，但女孩很快离开他，并给艾德留下一张照片她比赛时某个场馆的照片。失去爱情的艾德烦躁不安，加倍练习打拳，当他信心十足地去往比赛现场时，发现那是一个相扑比赛，很快就被对手KO了。
然后，女孩突然出现，一脚踢向那相扑运动员。
这是爱情的力量吗？那43.54亿观看次数的背后都是为爱充电了！
1.Luis Fo nsi「路易斯·冯西」 - Desp acito（63.87亿）
《Despacito》被称为流行音乐史上最成功的西班牙语歌曲之一，在YouTube视频以63.87亿的观看次数排名第一。
Luis Fonsi写《Despacito》知道这歌会红，但他一定想不到会这么红。
你可以不懂《Despacito》表达什么，但只要音乐响起，你就能感受到拉丁美洲人的那份快乐。
音乐MV视频选在波多黎各旧圣胡安的La Perla社区和当地的LaForicía酒吧拍摄，有海、有鸭子、有热舞女郎，脏乱涂鸦的街区，正在玩牌的拉美大叔……
这些异国风情，你忍不住会多看几次。
以上10个视频，是在YouTube上最受欢迎的视频，尽管大部分都是为人们提供娱乐内容。
当任何地区或是国家的流行文化内容，能够挤进这个YouTube榜单时，内容就会覆盖到世界更加广泛的地方，YouTube已成为流行文化强势输出的试验场。
YouTube作为世界上用户最多覆盖面最广的视频站点，人们关注的东西越来越趋同，这种趋同的背后，那股微小差异又成为某个族群流行文化，是族群的连接点，渴望自己输出的文化能得到更多更广泛的认可。
《Despacito》何尝不是一个例子呢，毕竟《Despacito》成功之后，旅行者对波多黎的兴趣飙升至45%。
全世界人们爱看什么？
爱看的，就是那些让人获得某种新奇的，获得某种价值认可的，哪怕它再怎么流行，依然有大多数人张开双臂去拥抱。
图片说明：来自视频截图
关于YouTube推荐系统的论文学习
本文是2010年发表在RecSys上的文章。本文主要介绍的是YouTube的个性化推荐的相关内容。
用户使用YouTube一般有三个原因：
--看他们在其他地方找到的单一视频（直接导航）；
--围绕某个主题（搜索和目标导向浏览）查看特定视频；
--受他们感兴趣内容的吸引。
推荐系统主要是针对第三点，目的是帮助用户发现他们感兴趣的高质量视频，并且推荐结果应该随时间和用户最近的行为更新。
在YouTube的推荐应用中，面临以下挑战：
--用户上传的视频的元信息非常少；
--视频时长比较短（一般小于10分钟）；
--用户行为短暂、多变而且噪声很多；
--视频生命周期短。
这是YouTube的推荐和普通视频网站推荐不同的地方，这些挑战也是现在很多短视频公司关注的问题。
推荐系统算法应该保持时效性和新鲜性，另外，用户必须了解为什么向他们推荐视频，这样可以帮助用户根据自己的喜好改善推荐引擎。推荐的视频是通过用户的行为来生成的，用户的行为包括观看、收藏、喜欢等来作为种子视频，然后使用各种相关性和多样性的 signals 对视频集进行排序。推荐系统的工程设计方面，保持各个模块的独立性，并且还需要对故障具有恢复能力，并在出现部分故障时适度降级。
这里有2种数据可以考虑：
1）是内容数据视频流、视频元信息（标题，标签等）；
2）用户行为数据，包括显性和隐性数据。前者是指用户评分、明确表示喜欢、不喜欢等行为，后者是浏览、观看等行为。
原始数据中还含有非常多的噪声，很多不可控因素会影响原始数据的质量。
作者将相关视频定义为用户在观看给定的种子视频 v 之后可能会观看的视频，使用关联规则挖掘技术来确定视频间的相关性。视频i和j的相关性定义为：
将用户观看过的视频、喜欢过的视频、收藏过的视频等等作为种子集合，对它们进行N级的级联扩展，也就是YouTube选择召回的不是1步相关视频，而是n-步相关视频，即种子视频迭代n次后得到的相关视频集合，产生广阔和多样的候选结果。
在生成一组候选视频后，需要对这些相关视频进行排序。
用于排序的数据主要包括：
--视频质量：包括观看次数、视频评分、评论、收视和上传时间等；
--用户特征：考虑用户观看历史记录中种子视频的属性，例如观看次数和观看时间等；
--多样性：要在被推荐的视频集合的类别中做一个平衡，以保持结果的多样性。
这些数据最终被线性组合起来，得到ranking的评分。
本文虽然是2010年发表的，近年来有很多内容升级复杂化了，但是作为初学者，本文的知识点和整体思路是非常值得学习的。当时的YouTube推荐系统的核心算法就是基于Item的协同过滤算法，也就是对于一个用户当前场景下和历史兴趣中喜欢的视频，找出它们相关的视频，并从这些视频中过滤掉已经看过的，剩下就是可以用户极有可能喜欢看的视频。
本文是Google的YouTube团队在推荐系统上DNN方面的尝试，发表在16年9月的RecSys会议。本文第1节介绍了YouTube推荐系统主要面临的挑战。第2节介绍了一个简要的系统概述。第3节更详细地描述了候选集生成模型，包括如何对其进行训练并用于提供推荐服务；实验结果显示模型添加特征和DNN深度后可以显著提升预测效果。第4节详细说明了排序模型，包括使用加权逻辑回归技术以训练预测预期观察时间的模型；实验结果表明，增加隐层网络宽度和深度都能提升模型效果。 最后，第5节做了总结。
-规模大：用户和视频的数量都很大，传统适合小规模的算法无法满足；
-新鲜度：要求对新视频作出及时和合适的反馈；
-噪音：YouTube上的历史用户行为由于稀疏性和各种不可观察的外部因素而不可预测。 我们很少能获得基本真实的用户满意度，更多的是隐式反馈噪声信号。
推荐系统的整体结构如图所示：
该系统由两个神经网络组成：一个用于候选集的生成，一个用于排序。候选集生成网络将用户的Youtube活动历史记录作为输入，然后从海量视频集中筛选出一小部分（数百个）以高精度与用户相关的视频。排序网络负责基于更加精细的特征对候选集进行排序，最后将最高得分的视频呈现给用户（按它们的得分排名）。
该模型把这个推荐问题转化成极端多分类问题：对于用户U和上下文C，把语料库V中的数百万个视频（分类）i，在时间t处做准确的分类，如下所示：
其中u为用户U的embedding表示，vi 代表各个候选视频的embedding。embedding是指稀疏实体（单个视频，用户等）到实数密集向量的映射；DNN的目标就是在用户信息和上下文信息为输入条件下学习用户的embedding向量u，这对于用softmax分类器来区分视频是有用的。
整个模型架构是包含三层全连接层，使用relu激活函数。把用户观看历史数据、搜索数据做一个embedding，加上age、gender等特征作为DNN的输入；输出分线上和离线训练两个部分。训练阶段使用softmax输出概率，在服务期间则直接使用接近最近邻搜索来进行生产候选的N个视频。
1）把用户观看过的视频id列表做embedding，并对所有历史观看视频ID的embedding做平均，得到观看embedding向量。
2）同时把用户搜索过的视频id列表也做如上的embedding，得到搜索embedding向量。
3）用户的人口统计学属性做embedding得到特征向量。
4）简单的二值和连续特征，例如用户的性别，登录状态和年龄作为归一化为[0,1]的实数值直接输入到网络中。
5）example age：机器学习系统总是利用历史的例子去预测未来，所以对过去总会有一个隐含的偏差。为了矫正偏差，YouTube把训练样本的年龄当作一个特征。
1.训练样本要用youtube上的所有视频观看记录，而不只是我们的推荐的视频的观看记录。
2.为每个用户生产固定数量的训练样本。
3.丢弃搜索信息的顺序，用无序的词袋表示搜索查询。
4.如下图，图(a)从历史观看记录中随机拿出来一个作为正样本来预测它，其余的历史观看记录作为上下文；这样其实泄露了未来的信息，并且忽略了任何非对称的消费模式。相反，图(b)是从用户的历史视频观看记录中随机拿出来一个作为正样本，然后只用这个视频之前的历史观看记录作为输入；这样的预测效果好得多。
– 深度为0：这时网络就是一个把连接起来的输入层转换一下，和softmax的256维输出对应起来
– 深度为1：第一层 256个节点，激活函数 是ReLU （rectified linear units 修正线性单元）
– 深度为2：第一层512个节点，第二层256个节点，激活函数都是ReLU
– 深度为3：第一层1024个节点，第二层512个节点，第三层256个节点，激活函数都是ReLU
– 深度为4：第一层2048个节点，第二层1024个节点，第三层512个节点，第四层256个节点，激活函数都是ReLU
实验结果如下图所示：
可以看出，特征选取较多时，并且模型深度在四层时，可以得到较好的结果。
排序阶段最重要的任务就是精准的预估用户对视频的喜好程度。在排序阶段面对的数据集比较小，因此会采用更多的特征来计算。
作者在排序阶段所设计的DNN和上文的DNN的结构是类似的，但在训练阶段对视频的打分函数不再是softmax，而是采用的逻辑回归。如下图所示：
1）特征工程
尽管神经网络能够减轻人工特征工程的负担，但是我们依然需要花费精力将用户及视频数据转化为有效的特征。其主要的挑战在于如何表示用户动作的时间序列以及这些动作如何与正被评分的视频展现相关。但是通过对用户和物品之间的交互行为，我们能提取出一些有用信息，比如： 用户从这个频道里看过多少视频，用户上次观看这个主题的视频是什么时候等。
2）embedding 离散特征
每个维度都有独立的embedding空间，实际并非为所有的id进行embedding，比如视频id，只需要按照点击排序，选择top N视频进行embedding，其余置为0向量；而当多值离散特征映射成embedding之后，像在候选集生成阶段一样，在输入网络之前需要做一下加权平均。另外一个值得注意的是，离散特征对应的ID一样的时候，他们的底层embedding也是共享的，其优势在于提升泛化能力、加速训练、减小内存占用等。
3）连续特征归一化
对连续值类的特征进行归一化，作者设计一种积分函数将特征映射为一个服从[0,1]分布的变量；还可以对某些特征进行取根号、取对数和取平方的相关操作，使得网络有更强的表达能力。
给定正负样本，正样本为有点击视频，负样本为无点击视频；用观看时长对正样本做了加权，负样本都用单位权重（即不加权）；采用的是基于交叉熵损失函数的逻辑回归模型训练的。
上表显示了在保留数据集上用不同的隐层配置得到的结果，这些结果表明增加隐层的宽度提升了效果，增加深度也是一样。
本文内容方面，介绍了YouTube基于深度学习的推荐系统，先用视频和用户的主要信息通过深度候选生成模型从百万级视频中找出数百个相关的视频，再用视频和用户的其他信息通过深度排序模型从数百个视频中找出几十个最有可能受用户欢迎的视频给用户。这样使得推荐系统对用户喜好的刻画能力大大增强，刻画的范围更加广泛。
本文结构方面，从推荐系统的整体结构讲起，划分为候选集生成和排序两个阶段，然后对每个阶段详细地展开讲解。整体过程条理清晰，逻辑严密，值得我们学习。
如何关注油管账号
1、首先打开软件进入首页，点击左上角的按钮，进入个人中心界面。
2、然后在个人中心界面，点击头像。
3、最后在个人资料界面，搜索油管账号，点击关注按钮，即可成功关注油管账号。
