本文来自于微信公众号全媒派（ID：quanmeipai）。
对于YouTube来说，1分钟意味着什么？是多达400小时的视频上传量；1天意味着什么？是高达10亿的视频播放量。
在这个内容剧增、用户拥挤的UGC内容平台上，如何精准抓住观众眼球、有效转化订阅无疑是生态内各方的迷思。
当用户困惑于推荐流的奇怪内容，创作者正因寥寥无几的播放量头秃，广告主也在纠结投放是否能够精准触达，这时候对于平台来说，如何促进内容生态、用户生态的可持续发展及营收的稳定运转，有赖于步步升级的订阅策略。
纵观YouTube十四年的发展，在订阅策略的调整上从未掉以轻心，它已经孵化出一套运作相对成熟、方法较为多维的订阅打法，主以强大的算法，辅以稳健的平台，不断试图从海量视频中更精准地锚定用户。
在今天，想要徜徉在YouTube汇聚的流量巨池，那么就不得不先穿过这片订阅的密林。本期就带你一同拆解YouTube近年来的订阅打法，揭开这背后的订阅“黑箱”。
算法的进击：更智能、更走心
在每分钟就有400小时视频上传的YouTube ，如何在指数级膨胀的视频海洋中，精准把握海量用户的需求？强大的算法无疑是最有力的答案。
经过算法的筛选与排序，YouTube能够决定用户能看到什么内容，以及这些内容会出现在哪些位置。根据YouTube首席产品官Neal Mohan的说法，用户在YouTube上花费的时间有70%都用于观看算法推荐的内容，移动端的平均登录时长达60分钟。其精准度、有效性可见一斑。
要想在剧增的内容深海、流量巨池中牢握注意力，算法的持续升级无疑是重中之重。
YouTube算法进化简史
YouTube算法不断升级的过程，存在几个重要节点：
2012年：观看次数
在播放量仅40亿／月的古早年代（如今为10亿／天），YouTube只根据一种指标进行排序：观看次数。这种策略虽然可以鼓励优质视频，但也带来了 “点击诱饵”（clickbait），例如通过标题党博取眼球等负面操作。这导致用户可能会点击，但不会停留，总体来说，不利于广告主的投放与平台的发展。
2012年-2016年：观看时间、登录时长
这一时期，YouTube推荐机制发生了一项重要转折——加入了观看时间和登录时长两项指标。观看时间是指通过用户观看视频的时长来侧面衡量视频的质量，更加强调用户对内容的投入和参与，以规避“点击诱饵”。登录时长则是指用户在整个平台上停留的时间，这一指标关注人们观看某些视频后是否选择观看更多视频，从而体现平台的粘性。
2016年：机器学习
在这一年，YouTube公布了白皮书，解释了深度神经网络和机器学习在算法中的作用机制。此外，该论文还拆解了YouTube对视频进行排序、推荐的各项指标，分别为：观看次数（视频的点击量）；观看时间；用户在某频道观看了多少视频；用户近期如何观看此主题视频；用户的搜索记录；用户的观看历史；用户的人口统计学信息与地理位置。
YouTube不断升级算法，本意是为了优化内容生态以促进平台的可持续发展，但同时也传播了虚假新闻、仇恨言论等有害内容。平台也在不断调整，例如：2017年，调整算法以改善弹出的新闻视频质量；2019年，YouTube宣布不再推荐可能会伤害或误导用户的内容。
YouTube算法如何运作？
目前YouTube算法指标主要包含以下几项：
是否观看：体现为点击量高的热门内容；
观看时长：观看时间较长的频道和视频往往更容易被推荐；
登录时长：观众花在平台上的时间，在观看某些视频后是否选择看更多视频；
内容评分：点赞、踩赞、分享，“不感兴趣”按钮的点击；
“观看速度”（view velocity）：在视频发布后立即观看视频的订阅者数量。视频的观看速度越高，排名就越高。在对视频进行排名时，YouTube也会考虑视频发布者拥有的活跃订阅者的数量。
算法的主要任务有二：
第一，帮助用户找到他们想看的视频；
第二，提高用户的长期参与度和满意度。
因此，“弄清用户喜欢什么”是YouTube算法的要义所在。
如何弄清用户的喜好？YouTube在2016年发布的算法白皮书打开了这一黑箱。白皮书显示，在机器学习的模型结构中，有两个网络在起作用：
漏斗式的模型结构，来源：《YouTube推荐机制的深度学习网络》，2016年
候选网络（The candidate generation network）：记录用户的活动历史（搜索记录、观看行为、人口统计学信息），输出与之相契合的几百个视频作为可能推荐给用户的候选。
排序网络（the ranking network）：排序阶段更多是面向“场景”，记录用户点击视频的地点、时间、操作，相比候选网络，这一步纳入模型的指标更细致，例如，用户最近的一次搜索词、上一次观看的同一主题下的视频数量、上一次观看同主题视频的时间、用户所使用的语言等等。在为每个视频打上更详细的标签的基础上，依照标准给候选网络中的视频打分，从而确定最终的推荐结果。
通过这两个网络，YouTube运用机器学习，搭建出一个个人化的候选网络和排序网络，将用户对YouTube的使用具体到某个场景中，让首页显示与用户更相关的推荐内容。
总体而言，整个推荐结果的生成是从终端到终端，高度个人化，但追根溯源，这一系列算法的排序与推荐都离不开用户长期稳定的使用。
被筛选出来的视频会呈现在六个关键位置：搜索结果、推荐内容、用户主页、热门内容、频道订阅、用户通知。
平台的策略：更负责、更开放
在过去的三年里，YouTube也是水逆不断。仇恨言论、极端内容、虚假新闻、过滤气泡引发用户忧思，其算法被斥为“错误信息的引擎”、“极端主义者”。要想促成平台订阅的可持续性，光依靠算法升级，还远远不够。
平台策略作为调控的“另一只手”，也在尝试施以积极的影响。
1、公开算法策略，提升参与度
面向公众、更开放、更透明，这成为近年来YouTube的一条试水路径。
首先，在算法的调整中着力提升用户的参与度。2019年6月，YouTube宣布将公开部分算法的运作机制。在推荐视频的下方，YouTube会解释该视频为什么会进入用户的首页。
此外，功能上增加了可排序的主题和过滤功能，人们可以在首页顶部点击他们想要探索的特定主题，能够更具体地选择他们希望看到的推荐视频类型，以及他们希望看到的视频来自哪些创作者，这使得用户可自主决定自己感兴趣的内容，帮助算法更科学。
另一方面，针对内容创作者，YouTube开设了专门的“创作者学院”，重点培训内容生产者提升频道吸引力。一方面向内容生产者说明YouTube算法机制的运作模式、内容的展示界面，帮助他们了解YouTube内部如何运作；另一方面训练内容生产者设计缩图、标题、关键字，以便用户更容易搜集到影片。
2、严抓内容品控，方法多元化
内容品控，是促进订阅的持续动力。为了减少重复内容、有害信息、虚假新闻，YouTube出台多元手段以维护其内容生态。
打击重复内容：YouTube一再致力于提高原创内容的吸引力，加强对重复低质内容的筛选和打击。例如在2019年9月，YouTube声称在第二季度删除了5倍多的不良内容，包括仇恨言论、虚假信息等。
算法推荐优化：算法机制也向着多样化方向发展，用户被鼓励观看更多元的新内容，防止个别频道的爆发式推荐。
用户协同净化：除机器识别外，YouTube还引入人工机制，用户可以通过“举报”标记不良内容，协同参与平台内容的治理。
惩罚举措升级：YouTube沿用了原有的“三振出局”的惩罚系统，它指的是被举报三次的账号将无法再使用。在此基础上，YouTube增加了警告系统，提高处罚系统的透明度，阐明处罚原因、后果以及申诉方式。此外，它更是利用“重定向方法（Redirect Method）”对恐怖主义内容进行打击。
“重定向方法”：指的是内容审查员会移除恐怖分子招募视频，与此同时，招募视频的搜索结果将重新定向到反恐怖主义和反极端主义的视频。YouTube也对推荐系统进行了调整，擦边内容的搜索结果将重新定向到权威信源，比如CNN、福克斯等。
视频内容评级：YouTube会针对视频内容进行评级，如“无益处的极端血腥或暴力”，或是支持仇恨思想的视频都会被内容评级员给予低评级，随后平台AI系统会根据评级结果进行机器学习，减少争议性视频出现在推荐系统中的概率。
此外，YouTube为促成订阅还做出许多小的尝试。例如开发简单的频道订阅按钮，用户只需要把鼠标停留在播放器左上角的图标上就可以直接订阅；开放内容资源，许多原创视频、电影和现场活动免费提供给所有YouTube观众，中间插有广告。但是，高级会员可以无广告观看内容，区分会员制和广告投放两种方式将订阅分流。
3、新时期的“迷”与“忧”
尽管YouTube不断试图更新其订阅机制，但近年来相关的焦虑与批评并未消减。
针对其频频调整的订阅机制，人们始终在问这样几个问题：
观看时长的转向真的能有效引导内容生态的良性发展吗？
谷歌内部的算法工程师承认，当算法推荐以“点击率”为导向时，可能诱发夺人眼目的标题党等现象。但以“观看时长”为指标，则会带来奇长的视频，内容创作者可能仅仅关注时长反而忽视内容创作，也可能因为不堪高昂的制作成本而退出。
以用户为中心、高度个人化的推荐机制与公共生活的参与如何权衡？推荐机制的调整真的能抗衡有毒内容的泛滥吗？
算法伦理与平台责任的关系在新时期需要重新被审视，算法推荐与平台调整的老路子在意见激化、过滤气泡加剧的新生态中也呼唤着新的对策。
此外，还有一些具体问题，例如算法向儿童推荐的不良内容如何遏制，这些都亟待平台解决。
总的来说，尽管YouTube近年来的努力不断，但其面临的问题也越来越复杂严峻。在忧思齐飞的新当口，YouTube在沿袭以往的同时，另一方面更要重新审视平台生态，如何在“创作者-用户-广告主”的链条中重新定位平台责任，是环绕于YouTube周围的新型迷思。
