关于变YouTube的信息

点解系YOUTUBE睇片个画面会变左绿色?

两个可能，你张显卡有事；或者，你用紧ATI显卡，咁就系个driver问题。 先去amd-ati更新下你显卡个驱动程式先。相反，如果你最近更新过驱动程式而出现呢个问题，请移除并安装返之前运作正常果个驱动版本。如果更新完都系咁有可能你张显卡坏左。

参考: avbcd.blogspot

Try turning off Hardware Acceleration in Flash. Right click a Flash content

Settings

untick Enable hardware acceleration. Or try updating your GPU driver.

多萤收视习惯不断改变， Youtube 的内容与行销也随之变化

Google在岁末年终之际，再度针对Youtube今年在台湾的使用者行为进行分享，此次亦是首度结合市调单位TNS提供台湾消费者对于Youtube的使用习惯进行行为分析，并且举出两个今年在台湾透过Youtube的创新型行销的成效。

跳转继续

台湾消费者对于网路的使用比例在亚太区已经是相当高的了，根据Google的统计数字，2013年台湾使用Youtube的比例也是大幅增长，不仅使用各种装置收看Youtube的总时数成长60%，使用手机观看Youtube的时数更一口气成长3倍；且有趣的是台湾观看Youtube的性别、年龄等族群分布与上网族群相当一致。

台湾消费者每日上网的比重也达9成左右，其中每天使用Youtube的族群也从2011年的24%，在2013年提高到4成，显示台湾网路族群对Youtube的黏着度不断攀升。

而观赏Youtube的时空情境也有了小小的改变，在手机日益普及的情形下，出门在外观赏Youtube的比重也冲到第三位，比重比起2011年成长达4倍，显示台湾消费者利用行动网路与行动装置在外观看Youtube已经成为新习惯。

目前Youtube的使用者也有高达7成是透过多装置进行观赏的，且手机、平板的使用时间比例也成长到将近3成，尤其手机就逼近2成的总收看时间。

对于广告主而言，不可忽视的是Youtube的使用峰期与电视的黄金时段竟是一致的，表示有许多使用者在黄金时段并非指收看单一萤幕，甚至同时收看电视与Youtube内容；另外台湾消费者一日欣赏Youtube影片的时间甚至长达25分钟。

至于台湾人看些甚么？除了影片、音乐MV之外，值得注意的是台湾消费者针对特定主题，如产品介绍或是企业短片的观赏比重在亚太区是相当高的。另外还有一股新势力也正逐渐攀升，就是现场直播；像是今年第一届Google音乐大赏、金马奖直播等，都有相当多的收视率，Google也预告Youtube将转播2014年的跨年晚会活动。

当然Google一直致力提升Youtube直播品质，但头痛的是顺畅与否还是要牵涉网路服务商提供的连网品质，Google也表示他们一直以来都有持续与台湾的网路供应商强化连线品质。

相较传统传媒，Youtube的优点就是个人化，无论各年龄层、男性女性，都能无时无刻利用搜寻、追踪等各种功能获取各类在Youtube感兴趣的内容，也可加以评论、分享；虽说Youtube现在的广告比重增加，不过多数都是可在5秒后略过的，相较于电视动辄数分钟的广告，Youtube的收看体验更为弹性。

以影响力与扩散力，Youtube已经成为仅次于电视的最大媒体平台，而且在16-24岁的族群，收看Youtube的比例甚至是会超越电视的，毕竟电视收视会受到时间的限制；也因此有越来越多电视频道愿意开放内容在Youtube给消费者收看，借此增加内容的扩散力。

不过Youtube也不是电视的敌人，与其说是与电视竞争，Youtube更像是补足电视所不及的弹性与针对性，许多的电视收视户也会利用Youtube收看当初错过的节目与影集片段，或是在电视看到有兴趣的内容后，在Youtube搜寻相关短片或是介绍。

接着回到今天Google最想谈的Youtube广告效益，从调查发现，去年许多的品牌客户喜欢使用微电影的方式拍摄形象广告，然而在消费者对于感人的内容的最后却跳出突兀的广告，或是广告效果不如预期下，今年许多广告改采开宗明义就是品牌广告，却也达到显著的行销效果。

例如L'OrealParis就利用两只针对不同平台的柔性诉求广告，强化对于产品的宣传，电视台所播放的是上面的30秒版本，而下方则是在Youtube的加长版本；相较之下，由于Youtube上的加长版针对包括保养品的使用法做了更详细的介绍，并且拥有跨平台收看的特性，比起看了电视而购买的比例更高，有1/4消费族群看完广告后愿意购买，是电视的三倍。

另一个案例就是华硕先前为Fonepad拍摄的巨猩盖瑞线上CF，利用逗趣的手法介绍手机的特性与功能，此外也在片中提供直接连接到华硕官网的连结，让对内容产生兴趣的使用者更快的获得相关资讯，这亦是传统广告所不及之处。

Google指出，也因为Youtube平台的种种便利性与精确性，使得越来越多广告主愿意同时在传统传媒与Youtube同时投放广告，借由双重形式吸引多萤使用者欣赏，并借由传媒与Youtube特质交叉的方式增加对目标族群的精确性。

关于看Youtube的问题！！！

可能是系统问题，建议用原版的系统 你要是用的什么 番茄版啊 深度这些论坛版的话 问题可能很大，先换个原版系统试试

YOUTUBE影片播放变得奇奇怪怪

是不是你的 firefox browser expand 超过 100％ 把它给扩大。 firefox 有这个功能 放大 Browser 。 去 VIEW 把它调回 100％ 就可以。 ＊＊ 以你的 IE 测试结果来做推断。再看你上载的图片。 看到 *** 的字母（control part）有被扩大的现象。

不知道为什么不能补充内容 图片变成黄蛙了对不起 已经重新上载过 upload.lsforum/users/public/t21310yooooow122

youtube每次打开需要重新登录

登录IP地址变更。youtube每次打开需要重新登录可能是因为使用vpn，登录IP地址变更所导致的。YouTube是一个视频网站，早期公司位于美国加利福尼亚州的圣布鲁诺。注册于2005年2月15日，由美国华裔陈士骏等人创立，让用户下载、观看及分享影片或短片。

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。