YouTube推荐（YouTube推荐内容太单一）

不去健身房不跑步在家能做什么运动——YouTube健身博主推荐

没想到立志成为小说家的我在的第一篇内容会献给健身。

首先说明一下，本文可能更适用于 小基数妹子 ，推荐的一些视频都是我做过一段时间感觉不错的，配合饮食可以减一些体重。不过我意不在减肥只是喜欢运动减压，更注重塑形，并且平时还是会跑步的，跑步机或者室外跑看心情。

关于我的运动情况，小时候练过7年民族舞和1年拉丁，纯粹是爸妈为了锻炼我的体质而送去学的，升上初中之后因为学业原因舞蹈就完全放下了。高中的时候因为小时候的舞蹈底子被选进了学校的健美操队，然而练了半年之后因为班主任觉得我学习不错应该不需要健美操加分保送之类的，并且校队每天放学后训练起码两三个小时我觉得太累所以退队了，退队之后进了学校瑜伽社社团活动的时候稍微练一练。大学有一个暑假我妈请了ptr网球教练教我网球，之后在学校自娱自乐打过一年网球，课余报班学了一点普拉提。以上是我所有和运动有关的经历，可以算作三天打鱼两天晒网，没一样学精了。自己开始健身的契机是大四一年学业和课外生活都比较忙碌，为了减压开始跑步，但是总跑步嫌枯燥，又因为死宅性格偏爱独处，所以从网上搜罗了一些比较火的室内运动自己做一做。

瑜伽

谈到瑜伽，首先推荐YouTube频道 Yoga with Adriene 。其实瑜伽如果动作做不到位对身体是有伤害的，初学者可以跟着Adriene的 Foundations of Yoga 这个播放列表来学习基本动作，她的讲解包括如何伸展、如何呼吸，非常详细，每个基本动作录了一个5、6分钟左右的视频。基本动作学完后，可以开始做她的其他视频，有针对初学者的视频列表、20分钟左右的列表、40分钟左右的列表，视频内容很丰富，可以根据自己的情况选择。Adriene很亲和，声音温柔，讲解细致，做完一套之后心情也会变好。

其次推荐的是YouTube频道 BOHO Beautiful 。这个频道是一对情侣Juliana和Mark一起做的，当然视频主角是Juliana，Mark来拍摄、编辑视频，有时候片头能看到他们秀恩爱，挺甜的。BOHO的视频大部分是瑜伽，也有普拉提和有氧训练。一般每个视频都不太长，10分钟左右的居多，我自己做过最长的是17分钟。同样也有一个列表Yoga for Beginners适合初学者，另外还有一些他们编排过的合集，把几个视频组合起来就能够专注腹部或者臀部的训练。不过我个人关注BOHO最主要还是他们的Challenge，视频详情下面会有很详细的计划，每个Challenge只有两三周时间，按照计划练完会很有成就感。

芭蕾

谈到芭蕾，推荐的当然是 Ballet Beautiful 。美女教练Mary Helen身材修长气质绝佳，尤其是她一些视频录制的时候是产后或怀孕状态，我看视频的时候根本没看出来。网上很火的天鹅臂我练过一个月，后期因为兴趣和版权原因改练其他视频去了，不过天鹅臂对于肩颈的塑形确实有效，我推荐给一个肉肉的朋友之后她练了三个星期锁骨明显多了。同系列的臀腿练习，Mary Helen做起来云淡风轻，笑容和恤，动作轻盈，我做起来就没有那么轻松了，经常属于咬牙坚持的状态。至于版权问题，最开始我知道Ballet Beautiful是因为豆瓣，b站上也有视频就去做了，后来在知乎上被科普了，国内某翻译圈大大从官网盗视频然后翻译做字幕之后无授权情况下去淘宝贩卖，之后我再做天鹅臂就是直接看YouTube上帮Mary Helen出DVD的BeFit公司放出的视频了。另外要提一句，目前网上的视频，Body Blast系列、Classic系列都只是BeFit公司放出来的节选，并不是完整版，想要看完整版还是买DVD吧。本来怀着对Mary Helen的崇拜我想去官网订阅她的课程，不过每个月39.99刀的费用还是让我望而却步，转投接下来要讲的Rebecca Louise怀抱。

力量训练

最后要推荐的就是我最爱的YouTube健身博主Rebecca Louise了。她在国内也蛮有名，从 XHIT 时期我就很喜欢她（Kelsey Lee也很不错，不过个人更喜欢话痨Rebecca），XHIT的维秘系列、XFIT Daily系列都很不错，跟着练效果很棒，我的马甲线就是跟着Rebecca在XHIT频道的视频练出来的，耗时一个半月。不过XHIT频道大概一年多没更新了，Rebecca Louise现在有个人的健康网站和YouTube频道，官网百度一下就能找到，频道就叫 Rebecca Louise 。我在她的官网上订阅了Fitness Calendar，每个月只要3.99刀，费用是Ballet Beautiful课程的十分之一。Fitness Calendar是官网推出的训练月计划，每天帮你安排30分钟的视频训练，每天不重样，即使是训练同一个部位也有不同的视频组合，另外每周会有一个很诱人的健康食谱。每个订阅者会通过邮件收到独一无二的密码来查看每个月的计划，然后点击月计划上的某天就能够看到当天的训练安排。Rebecca的Calendar适合我这种囊中羞涩又懒得动脑的人。如果不订阅当然也没关系，只要进入她的YouTube频道就能看到所有的免费训练视频，自己补充一下健身知识，根据自己的情况来安排练习当然也很赞。Rebecca的视频，无论是XHIT时期还是现在，主要是力量训练，还有一些很不错的心肺练习、HIIT练习，另外还有少量的瑜伽、普拉提和芭蕾练习。Rebecca之所以能成为我最喜欢的健身博主，就是因为她特别话痨，一直在解说或者鼓励，本来训练就很累了，如果教练太安静我可能会偷个懒，但是她一直说话打鸡血就会让我充满动力。

讲了这么多，最后多说一句，任何健身都要让自己觉得舒服。我从来不觉得刻意考验自己是多么了不起的一件事。意志力本就宝贵，生活中有如此多的挑战、如此多的有趣有意义的事情，每天和想吃想玩的意念抗争对我而言太痛苦，我宁愿好好吃好好玩，运动对我而言就是为了放松、为了减压、为了让自己有更好的身体。

Youtube 算法规则

在Google工程师Paul Covington，Jay Adams和Emre Sargin发表的这份 研究论文中 ，他们分解了用于对YouTube推荐视频进行排名的信号：

前三个信号是您可以直接影响的唯一信号。其余部分取决于您频道之外的因素，以便个性化推荐。

这些Google工程师甚至声称，他们的最终排名目标“通常 是预期的每次观看观看时间的简单函数。 按点击率排名通常会宣传用户未完成的欺骗性视频（“点击诱饵”），而观看时间可以更好地吸引用户参与。”

有人可能会认为这意味着优化点击率会让您受到YouTube的惩罚，但这是一个巨大的误解。

YouTube只会惩罚诱饵和切换策略-点击前的承诺过多，而点击后的内容令人失望。点击率仍然像以往一样重要。毕竟，如果不先获得点击，就无法为YouTube带来大量观看时间。

您甚至可以在 YouTube Studios中 看到这些优先级：YouTube的新分析仪表板。

最多可以在5秒内总结出最出色的YouTube频道或系列：

另一方面，许多YouTube频道很难吸引人，因为他们将YouTube频道视为上传所有视频内容的地方，而不是一个连续的视频系列的首页。

保持一致性的YouTube频道能够 持续 增加其订阅者人数和观看人数，因为它使人们更容易决定观看更多内容并订阅其频道。

“我们的盛宴”频道体现了我们正在谈论的那种一致性-名人吃食物-具有多个系列，这些系列本质上是同一前提的变体。

较新的YouTube频道不能依靠推荐引擎来获得所有观看次数。

毕竟，推荐内容主要取决于观看者过去观看和与您的视频互动的方式。YouTube需要数据来作为推荐的依据，没有人观看您的视频就没有数据。因此，请采取所有通常的措施来宣传您的视频，例如：

但最重要的是，着眼于 YouTube SEO 并 吸引更多的订阅者 ，这不仅是为了长期 获取 视频观看次数，而且还因为用户反复在平台上消费以及用户订阅的内容是YouTube算法用于提出个性化建议。

在工程师中，工程师注意到“最重要的信号是那些描述 用户之前与商品本身和其他类似商品互动的信息 ……例如，考虑用户过去的历史以及上传了被评分视频的频道用户从该频道观看了许多视频？用户最后一次观看有关该主题的视频是什么时候？”

如果您可以让新用户点击其中一个视频后继续观看更多内容，则可以增加在下次打开YouTube时向他们推荐视频的机会。

我们已经确定，点击率仍然很重要，YouTube优先考虑观看时间只是针对低质量点击诱饵的一种对策。

环顾YouTube，您会发现视频缩略图上不乏表情丰富的面孔。

Netflix所做的一项 关于平台上艺术品性能的研究表明，“情感是传达复杂细微差别的有效方法。众所周知，人类必须对面孔做出硬性回应-我们已经看到这在所有媒介上都是一致的。但重要的是要注意， 情绪复杂的面孔胜过坚忍或良性的表情。 ”

Netflix也注意到的最早趋势之一，值得发扬到自己的缩略图，它是当图像包含3个以上的人时，它赢得别人的倾向就下降了。

三分法则是实现“ 黄金分割率” 的简化方法，研究表明，这种方法可以 最大程度地减少 大脑处理图像 所需的时间 。

该图像构图准则建议您将兴趣点放置在图像的中心，而不是图像的中心。

根据 Sandvine 的2019年研究，YouTube现在占互联网上所有移动流量的37％。这也意味着相当一部分观众会在移动设备上观看您的视频。

4.鼓励观众点击后留下

让人们观看您的视频是一回事。让他们从头到尾真正观看视频是另一回事。

幸运的是，通过在视频创建过程中建立此目标，可以提高视频的完成率（并获得更多的观看时间）：

从头开始，并在视频介绍中加入一个“钩子”

转录您的视频，以便人们可以观看静音

根据您的分析调整视频的长度（观看者在下车之前实际拍到多远？）

请勿过长地使用同一张镜头，否则可能会让观看者感到厌烦（这就是为什么跳跳剪辑在YouTube上很受欢迎的原因）

如果您的视频很长，请在片刻间撒些片刻，以便在观众开始徘徊时重新吸引观众的注意力

5.鼓励您在频道上疯狂观看

您还可以通过采用涉及视频消耗和一致性的策略来优化频道级别的观看时间。

除了为您的YouTube频道提供专门的前提条件（这可能是最重要的因素）之外，您还可以通过以下其他方法使观看者更轻松地观看更多内容：

使用插卡和结束卡手动推荐相关视频

每当您共享时，都链接到播放列表中的视频，以便用户观看的下一个视频始终是您自己的视频

开发从缩略图到视频本身的一致格式-如果观众喜欢您的其中一个视频，那么他们应该能够正确地假设他们会喜欢您的其他视频。

将特定的号召性用语甚至是其他视频中的场景整合到观众中，直接“吸引”观众，以消费更多内容。

随着YouTube算法的变化，一件事保持不变

多年来，YouTube的算法发生了很大变化，每次都使创作者和品牌争先恐后，想知道为什么他们曾经依赖的方法不再有效。

但是，即使YouTube算法不断发展，但请记住，该平台的目标仍然不变：吸引更多的人在YouTube上观看和观看更多视频。那与您的没什么不同。

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。

怎样通过youtube学习？了解更大的世界

有些朋友无法访问 YouTube ，可以在网易公开课和 B 站上通过搜索关键字来观看这些视频。

昨晚大家都是怎么过的圣诞节

分享一些我订阅的频道吧，如果墙内有搬运就尽量也附上。YouTube真的是一座知识的无尽宝库，还没遇到对哪个领域里的好奇心是它满足不了的。

1

Crash Course

10分钟速成课。虽然已经有人推荐过了，但是还是忍不住要再推荐一次的良心频道。不是真的只有10分钟速成，而是每段视频十分钟，语速很快内容充实，一个系列课程多的有几十段组成。涉及领域包罗万千，哲学、心理学、历史、经济、政治、文学、艺术、工程、物理、化学、生物……应有尽有，虽然不能说内容有多深入，但能让你在几小时的时间里对某个领域有系统而粗略的了解。

墙内搬运很多，个人最推荐B站Up主 白花恋诗·彩 ：

2

3Blue1Brown

数学为主。画面制作精良，声音婉转动听，叙述深入浅出，娓娓道来。从最基本的微积分、线性代数到复分析、拓扑学、深度学习，内容丰富，简洁而细致。最关键普通高中毕业生都能看懂的水平。

B站有官方账号：

3

MIT OpenCourseWare

顾名思义就是MIT的公开课了，内容当然主要来自麻省理工学院，各个科目都有，包罗万千。不过MIT公开课也有个官网：

墙内方面，近些年很多国内网站也有翻译和搬运，比如网易公开课 。就不赘述了。

4

Yale Course

耶鲁的公开课。也有个官网，不过感觉访问没有YouTube顺滑。

墙内搬运同样集中于 网易公开课 。

5

Khan Academy

留学党的佛脚。和公开课性质有点类似，各种大学本科水平的课程，但个前两个不同，并非属于某个大学，而是由孟加拉裔美国人萨尔曼·可汗创立的教育性非营利组织。学课种类也很多，详见下图。有官方网站：

墙内：网易公开课_可汗学院

6

Vsauce、Vsauce2、Vsauce3

分别是Michael Stevens的各种有趣的科学视频、Kevin Lieber的各种有趣的科学视频、Jake Roper的各种关于科幻的视频。其中第一个是我推荐这些频道里唯一订阅数高达一千万以上的。这仨哥们可能有毒，整出来的视频让人上瘾。

B站：Vsauce科普小讲堂

;seid=5109786074142359192

7

SciShow

和上面那个不同，这个是三五分钟的短视频为主，最长也很少超过十分钟。内容更加大众化。

经评论热心网友提醒，B站红烧牛肉字幕组有搬运：

8

Kurzgesagt

Videos explaining things with optimistic nihilism. 官方简介的一句话感觉很妙，直接照抄过来，最后一个词的意思是虚无主义。简介还说是一个德国人的小团队用AE和AI做的，真的很精良质量很高。

很多大字幕组都有搬运 - 在B站搜索下关键字就能找到

9

MinuteEarth

分钟地球，每个视频几分钟的关于地球的一些知识。和Scishow类似。什么有些动物为什么吃屎，人类能活多久，河流为什么弯曲等等奇奇怪怪的问题都有，既有趣味性又有科学性。

B站搬运一搜一大把

10

minutephysics

分钟物理。几分钟的物理学视频。你可能觉得不可思议，在这个频道两分钟就可以简单的推导出公式E=mc²。

B站搬运一搜一大把

11

CGP Grey

来自评论的推荐，简单看了一下，连简介也没写…那就看下图：这个频道的视频按最热门排列。和下面几个频道有点类似。

B站有不少搬运

12

RealLifeLore

内容比较丰富，主要在历史、地理、经济、科学话题，简介：“Answers to questions that you've never asked. Mostly over topics like history, geography, economics and science. The world is an exciting place and there is so much to know.”

B站有一些搬运：- 搜索关键字

13

Vox

照搬官方简介：Vox helps you cut through the noise and understand what's driving events in the headlines and in our lives, on everything from Taxes to Terrorism to Taylor Swift. 超音速客机和谐为什么失败？中东问题是咋回事？香港住人的鸽子笼长啥样？为什么在古巴开出租比医生挣得多？这些问题在这里都能找到一个解释。

B站有一些搬运

14

Wendover Productions

“explaining how our world works”，其实和上面紧挨着那两个频道很相似。但是风格又有不同。我在这个频道看到了很多关于地理和交通的视频，比如美国的火车为什么差劲，空军一号每分钟烧钱两千多美元的原因，为什么飞机不飞得更快，各国的地理问题等等。

B站有一些搬运：

15

The School of Life

前面推荐的多是学习知识、增长见识，这个则是关于学习我们自己的，关于我们的心理健康，与别人的交往，恋爱中与恋人的关系。恋人关系如何能持续？什么是有意义的工作？如何冷静下来？甚至谁发起性行为，在这里都是被关注的话题。

B站有大量搬运

16

daily dictation

虽然YouTube的视频墙内很多有搬运，但有的搬运不完整不及时，很多人也更喜欢原汁原味，那听不懂怎么办？在这个频道练练听力吧。制作者Shane 是一个现居韩国的美国人，做这个“每日听写”已经六七年了。

使用方法很简单：每期会有一段来自电影、电视剧或电视节目等的听写素材，下一期会有答案、讲解，以及新一期的听写。（这是最开始两百多个视频的模式，后来也有变化）如此循环往复。亲测对提升听力水平效果很显著。

当然，这么优秀的学习材料有搬运：

先介绍这么多吧，其实还有不少，我目前订阅的一百多个频道至少有两成我都觉得非常值得推荐（其他大多数一般值得推荐），有时间再补充。

2018.11.12补充：MinuteEarth、minutephysics

2018.11.15补充：CGP Grey（来自评论推荐）、Vox、RealLifeLore、Wendover Productions 、The School of Life

2018.11.18补充：可汗学院（来自评论推荐）

你有什么觉得不错的 YouTube 频道可以在评论里推荐一下。

YouTube有什么好看的节目和栏目？大家有什么推荐？

我比较推荐Vsauce，它是一个由迈克尔·史蒂文斯创建的YouTube科普频道。主要拍摄关于游戏、科技、文化以及人们普遍关心的议题的视讯，博主选择的都是很有趣的topic