youtube观看量减少（youtube观看次数）

网红成长的免费分析工具：别低估你 Youtube 影片价值

在这个影音世代有许多免费平台，能尽情上传影片秀自我，也衍生出网红、KOL、Youtuber等不同型态的自媒体，想了解自己辛苦经营的 Youtube 频道价值多少，透过 NoxInfluencer 免费分析工具平台就能轻松办到：Youtube频道价值预估、Youtube网红排行榜、Youtube热门影片排行、Youtube网红即时粉丝量、Youtube影片效果分析与Youtube网红频道对比。

NoxInfluencer 平台，网红必备 Youtube 频道分析工具

拍影片梗想半天、花大把时间剪辑，结果点阅率却不尽理想，想下广告增加触及率或找其他网红合作，却不知其门而入，担心把钱花在错的地方，这是网路时代所有人最烦恼的事。网路世代最大优势为，有各式各样平台可尽情使用，不过一旦大家开始投入，想在茫茫网海中被别人关注到，不仅内容要更费巧思，就连上线后的分析也要确实做到。NoxInfluencer为针对Youtube频道设计的免费平台，提供丰富多元的分析工具，更重要的是使用简易，只要把影片网址复制贴上、或输入关键字，就能即时查看与分析各种Youtube频道资料，方便使用者随时做出调整与优化。

NoxInfluencer 最大优势在于，采用升级过的大数据资料与AI人工智慧技术，能即时关注使用者资料，并提供详细的分析对比结果，让Youtuber能更了解目前经营频道的情况，最棒的是NoxInfluencer完全免费，除了网红也适合广告主或经纪公司使用。接着不罗嗦，以下赶紧来看看NoxInfluencer如何使用吧！

▲先瞧瞧NoxInfluencer基本介面，首页可见到该平台强调六大功能，包括有Youtube频道价值预估、Youtube网红排行榜、Youtube热门影片排行、Youtube网红即时粉丝量、Youtube影片效果分析与Youtube网红频道对比。

▲NoxInfluencer介面设计简易直觉好用，不过要提醒预设为英文版，若你的英文不好，建议从页面右上方设定切换为繁体中文，总共支援10种语言可给大家选择。

输入网址一键分析 就能告诉你频道值多少钱

接着立刻来体验，我们以瘾科技友台「 怎么好意思 」Youtube频道测试，把网址贴上 NoxInfluencer 首页的栏位中，接着按右方「搜寻」键。随即会另开新分页显示「怎么好意思」Youtube频道详情数据与分析报告，重点资讯包括有粉丝数、总观看量、平均观看量、Nox评级、每日粉丝数变化、每日总观看量变化、YouTube网红预估价值与网红活跃度。其中较有趣的是，「怎么好意思」Youtube频道预估价值每月有$24~$39美金，这是NoxInfluencer团队经频道数据、影片表现、互动/粉丝情况…等多项综合因素，结合当地情况所分析出的结果。

▲接着立刻来体验，我们以瘾科技友台「怎么好意思」Youtube频道测试，把网址贴上NoxInfluencer首页的栏位中，接着按右方「搜寻」键。

▲随即会另开新分页显示「怎么好意思」Youtube频道详情数据与分析报告。

▲以上这些分析结果可说是NoxInfluencer精髓，包括粉丝数、总观看量与平均观看量，都会同时告诉你目前全球即时与地区排名，其中「即时粉丝量」也是重要参考指标，下方会以时间轴方式显示即时粉丝量，若呈一直线代表粉丝量无增减，建议发布新片时测试此功能会比较有感。

▲另外，往下滑还会告诉你相似相关度高的YouTube网红频道，以及与本YouTube网红频道有关的标签，这些都可以做为日后发布影片参考依据。

▲YouTube网红频道分析及品质评级部份，可针对粉丝数/观看量频道增长情况、YouTube影片表现粉丝互动情况、影片发布频次进行分析。

▲也有浏览受众粉丝的数据展现与分析，包括男女粉丝比例、或受众粉丝的地理位置分布，皆可透过图表方式一探究竟，哇…没想到黛西竟然有日韩粉丝呢！

▲刚刚是针对整个「怎么好意思」Youtube频道的分析报告，若你只想了解特定影片成效，建议直接利用YouTube影片效果分析工具，我们挑选日前反应不错的「便利商店食物组出米其林口味美食！？/魔幻组合实测 (7-11、全家、OK便利超商) 」这支有趣影片做测试。

▲大约花两秒钟就出现详细分析报告，该影片上线一周有将近1,500观看量，不过重点来了，影片预估价值竟有$69~$77美金（单支影片价值低于整个频道还算合理），最右边还有粉丝互动率为9.8%。再往下看影片观看深度，得到的平均观看率为814.9%，这可说是破表级的好表现，虽然整体观看量没冲很高，但想必大家都很仔细看过好几遍，只能说黛粉们真的很死忠呢！

▲影片标签列可观察该标签近30天内在YouTube上的热度变化，同时也可以参考与该标签最相关的5个延伸内容，像是「7-11」、「便利商店」…等都是热门标签，相较下「魔幻组合」显得有点冷清，这些都能做为下次修正标题的依据。

支援频道交叉对比功能 全球百大网红任你筛选

Youtube网红频道对比也是NoxInfluencer重点功能，顾名思义能一键对比特定几位网红，我们这里就挑选目前YouTube粉丝排名Top3网红，透过多项数据进行交叉对比。分析报告结果显示详细对比资讯，包括频道粉丝变化频道成长轨迹、YouTube网红历史数据总览、YouTube频道影片内容更新频率、社群媒体丰富度…等。

▲可挑选目前 YouTube 粉丝排名Top3或是本周 YouTube 增长最快的Top3网红，透过多项数据进行交叉对比。

▲以台湾热门的网红TGOP、阿滴英文与蔡阿嘎进行交叉对比，分析报告结果显示详细对比资讯，包括频道粉丝变化频道成长轨迹、YouTube网红历史数据总览、YouTube频道影片内容更新频率、社群媒体丰富度…等，由于资料量相当庞大，建议网友点进这里直接用看的会比较清楚，若你是想投放广告的厂商，这些都是很值得参考的数据。

▲ NoxInfluencer 一大特点为，提供海量的Youtube网红数据让使用者参考，你可以查看粉丝最多、最具潜力、涨粉最快…等各种项目的Top 100网红，或是各热门区域Top 250网红，当然也可针对不同影片类型筛选排名依据。【 图为台湾YouTube网红频道排行榜 】

▲另外也提供值得参考的反指标，例如可以查看台湾掉粉最快的Top 100网红，弄清楚从网友不爱看的影片类型，之后拍片就不怕重蹈覆辙。

小结

NoxInfluencer针对 Youtube 频道提供强大的分析工具，不仅免费且使用简单，为一套能帮助发展中或刚起步网红的平台，与同类型的YouTuber做比较分析。另外如果你像文中「 怎么好意思 」频道才刚开始经营，想达到百万粉丝的境界，势必还要花好长一段时间，其实不一定要土法炼钢，NoxInfluencer目前提供不错的媒合机制，若你是创作方，只要注册会员，就有机会与全球知名广告主一起合作，透过赚取佣金来提高知名度；反过来若你是广告主或代理商，也能透过免费发布推广任务，为产品匹配最理想的受众群体。

「干货」YouTube 基于深度神经网络推荐系统剖析

YouTube推荐系统的三大难点：

· 一是规模太大，简单的推荐算法在如此大规模数据量上可能是失效的；

· 二是实效性，即新数据不断产生，需要将其良好的呈现给用户，以平衡旧有的好内容以及新内容；

· 三是噪音问题，用户行为与视频描述均有噪音，并且只能获得充满噪音的用户隐含反馈，而不能直接获取用户满意度。

图1.YouTube基于深度学习推荐系统架构图

本文呈现的推荐系统解决方案分为两个部分:

· 一个是备选生成（Candidate Generation），其目标是初选结果，从海量数据中选择出符合其个人需求偏好的百级别数据;

· 一个则是排序（Ranking），通过更加丰富的用户，视频乃至场景信息，对结果进行精细化排序，得到呈现给用户的备选。

备选生成阶段，将推荐系统定义为一个多分类器，其职责是确定某个用户，在某个场景与时间下，将从系统的视频中选择消费哪一个视频。具体的方法是，将用户与视频全部转化为Embedding描述，即一个向量，最终用户消费某个视频的概率通过如下方式计算得到：

而构建用户与视频的Embedding，则是通过训练而来。将用户观看视频/搜索记录/其它信息如年龄性别等作为输入特征，部分稀疏特征首先进行Embedding化，中间为数层ReLU，最终一层用SoftMax进行分类。 换句话讲，是将用户与场景信息作为输入，预估用户下一个要看的视频，也就是将用户分到具体某一个视频作为其类别。 用户与视频的Eembedding，则是神经网络最后一层的对应矩阵。这种方法除了能利用用户行为信息外，其它信息例如设备，地理位置，性别等也可以作为输入，这是神经网络相对于普通MF类算法的优势之一。

图2.YouTube推荐备选生成阶段架构

备选生成的下一个阶段是排序。其网络结构跟备选生成阶段类似，将所有排序模型中的信息输入后，进入多层ReLU，最终进行优化的是一个加权逻辑回归损失函数，观看时间作为阳性样本权重。在这一层，也可以看到其推荐“代理问题”的转化：由点击行为预估转为了以观看时长为权重的点击行为预估，这样更佳贴近Youtube的产品优化方向。与备选生成阶段另一个不同在于，排序模块需要考量的特征要多得多:

· “场景”类特征，例如用户可能在某个地方某个时间愿意观看某一条视频，但是在别的地方别的时间则不会；

· 曝光信息：用户观看了某界面，但是并未在其上进行操作，那么随之应进行已呈现内容降级；

· 备选生成层输出：排序需要将各种备选结果联合起来；

· 更丰富的用户信息：例如用户最近的一次搜索词，用户最近观看的同一个主题下的视频数量，用户上一次观看同主题视频的时间，用户所使用的语言等；

图3.YouTube推荐排序阶段架构

除了整体设计与系统架构以外，本篇论文中陈述了很多“选择”，这些选择更多的是“艺术”而不完全属于技术范畴。这些选择往往是很多技术人员关注不多的点，但在笔者看来，这些都蕴含着YouTube技术与产品人员深入的思考与判断。

“Example Age” 特征

对于YouTube产品层来讲，鼓励内容产生毫无疑问是至关重要的，所以推荐系统也希望对用户上传的新内容的有所偏好。然而幸运的是，即使损失一部分相关性，视频的消费者也偏好新内容。也就是说，新内容的价值可以良好的通过其带来的吸引力呈现出来，并不需要平台刻意而为之。

由于系统使用一个时间窗口的训练样本进行训练，如果没有视频的上传时间信息，那么模型会认为这个时间窗口内用户对视频的偏好是稳定的，然而事实远非如此。将视频的上传时间加入到特征集合后，预估更加准确，尤其是视频刚上传阶段的强烈便好被成功捕捉到。

图4.无时间特征预估/有时间特征预估/真实情况 三者对比

优化目标选择

图5.优化对象的选择

算法系统的设计首先要明确优化对象，这不仅仅涉及到损失函数的形式，同样也是评判系统成功与否的标准。YouTube是视频平台，更是富含“价值”的长视频平台，其观看行为比点击行为意义更大。（当然，笔者认为没有任何一个简单指标可以完全代表一个产品）

“正样本”定义

图6.何为正样本的设计选择

训练数据来源

图7.关于训练数据来源的设计抉择

训练数据应该只来源于推荐界面的曝光吗？YouTube认为不然。如果只考虑推荐界面曝光，则无法对用户便好进行 探索 ，更加无法捕捉用户偏好的变化，因为用户偏好的变化往往首先会对应着搜索与浏览行为。所以YouTube将各个界面例如搜索，导航等用户行为全部纳入其中。

训练数据窗口

图8. 训练数据收集方式的设计选择

Youtube将所有用户等而视之，每个用户收集一定量的样本。而不是惯常可见的直接收集一个时间窗口内的所有用户行为，作为训练样本。这样的好处是避免系统收到少数行为过多用户的影响，使得系统更多的为大众设计。这样的设计理念与近期阿里Gai Kun的论文中评测方法(用户AUC)设计有异曲同工之妙。

用户行为序列处理

图9.用户行为序列信息处理的设计选择

在系统中，用户往往会顺着一个检索结果页或者用户发布者浏览页进行顺序观看，如果系统捕捉到了用户看了检索界面的前三个结果，那么预估用户将看第四个结果就会很容易。但是这样真的好吗？将检索结果页面或者用户发布视频界面直接作为推荐结果呈现给用户是并不友好的--抢了别的界面应该干的活嘛。所以此处YouTube对用户行为序列做了处理，在模型输入中选择放弃用户行为的序列信息，将其打散成词袋Embedding，即使这样的信息有利于模型的离线训练效果。

预估对象的选择

图10.关于预估对象的设计选择

用户的行为往往是有顺序的，用户在系统中“热身”后，在一个频道下面，往往先看大众喜欢的热门，然后逐步找到自己的兴趣点，聚焦看一块内容。那么，训练数据则应该收集用户前段时间行为，预估此后的行为。而不是收集时间前后段的行为，预估中间时间段的用户行为。这样模型更加接近用户习惯。

除此之外，Youtube根据系统设计了对应的实验，结果非常简单：深度网络层数越高，效果越好。

YouTube的推荐系统，已经为其贡献了70%的用户播放时长，搜索与导航在PC时代的主导地位在移动时代已经完全被颠覆掉。希望大家在其中学到一些东西。笔者水平所限，若有错误不当之处，敬请指正。

另外，个人用TensorFlow模拟Youtube的推荐系统，做了一个简单实现。其实就是一个多分类器外加一个单分类器，远谈不上成熟，可以供大家参考。

——END——

youtube刷播放量会封号吗

刷播放量是会被封号的。Youtube公开宣布将严厉打击用付费广告来为视频播放导流的这种做法。为了保持榜单的透明度，Youtube仅采集有效播放次数。若有用户违反管理规则多次或数额巨大，屡教不改的，管理员将会对其进行封号处理。