YouTubeun etkileyici videolarını makine öğrenimiyle analiz ettikten sonra, artan görüntülemelerin sırrını keşfettim
Videonun önemli bir ortam haline geldiği ve vlog ve video blogcularının meslek haline geldiği bir zamanda, video oynatma miktarının nasıl artırılacağı, içerik üreticilerinin çoğu için en kel sorunlardan biridir. Tabii ki, internette birçok içerik üretimi, sıcak nokta takibi, düzenleme becerisi paylaşımı var, ancak makine öğreniminin de bunda büyük bir rol oynayacağını bilmiyor olabilirsiniz.
Veri birleştirmenin iki yazarı, Lianne ve Justin, sıkı bir teknik analiz yaptı. Analizlerinin konusu, YouTube'da yeni ortaya çıkan bir fitness blog yazarı olan Sydney Cummings.
Sydney, Ulusal Spor Hekimliği Derneği'nden (NASM) kişisel antrenör sertifikasına sahiptir ve aynı zamanda yüksek atlamacıdır. Hesabı, 17 Mayıs 2016'da 27.031.566 toplam görünümle kaydedildi ve şu anda 210.000 hayranı var. Her gün istikrarlı bir şekilde güncelleniyor, bu da araştırma açısından büyük önem taşıyor. Lütfen aşağıdaki araştırmanın Python'da uygulanacağını unutmayın.
Sydney Cummings'in başlıklarının belirli rutinleri vardır. Örneğin, en son başlık "30 Dakika Kollar ve Güçlü Kalça Egzersizi! 310 kalori yak! ", genellikle zamanı, vücut bölümlerini, yakılan kalorileri ve egzersizle ilgili diğer açıklayıcı kelimeleri kapsar. İzleyiciler bu videoyu tıklamadan önce birkaç bilgiyi öğrenecekler:
-
30 dakika-Tüm eğitimi 30 dakikada tamamlayacağım;
-
Kolları ve kalça kaslarını çalıştırın - Kuvvet üzerine odaklanarak kollara ve kalça kaslarına odaklanacağım;
-
310 kalori yak - Epeyce kalori yakacağım.
Yukarıdaki temel bilgilere hakim olmak bir ön hazırlıktır. Sonraki altı adım, verileri gözlemlemek, videoyu sınıflandırmak için doğal dil işleme teknolojisini kullanmak, özellikleri seçmek, hedefler oluşturmak, karar ağaçları oluşturmak ve karar ağaçlarını okumaktır. Ardından, yazarın Lei Feng ile araştırmaya adım adım nasıl başladığına bir göz atalım.
Ön hazırlık: verileri toplayın
Aslında YouTube verilerini taramanın birçok farklı yolu vardır. Bu yalnızca tek seferlik bir proje olduğundan, yazar yalnızca manuel işlem gerektiren ve ek araçlara dayanmayan basit bir yöntem seçmiştir.
İşte adım adım adımlar:
Tüm videoları seçin;
En son videoyu sağ tıklayın ve "İncele" yi seçin;
İmleci her satırın üzerine getirin ve tüm videoların en alt düzeyini vurgulayan HTML kodunu / öğe düzeyini bulun;
Örneğin, Chrome tarayıcısını kullanıyorsanız, aşağıdaki gibi görünür:
[Resim kaynağı: Sydneynin YouTube Video sayfası sahibi: Sydney]
Öğeye sağ tıklayın ve "Kopyala" yı seçin, ardından "Öğeyi Kopyala" yı seçin;
Kopyalanan öğeleri bir metin dosyasına yapıştırın ve kaydedin, burada JupyterLab metin dosyasını kullanın ve sydney.txt olarak kaydedin;
Bilgileri çıkarmak ve verileri temizlemek için Python kullanın.
Sonraki bölüm ilginç kısımdır: Bu verilerden öznitelikler çıkarmaya odaklanacaklar ve oynatma hacmini hangi faktörlerin etkilediğini inceleyecekler.
Adım 1: Verileri inceleyin
Verilerin Python'a aktarılması son bölümde yapılır.Aşağıdaki, toplam 837 videolu df_videos veri kümesidir.
df_videos, her videonun ayrıntılarını açıklamak için 8 özelliğe sahiptir: başlık, yayınlanma süresi, video uzunluğu, oynatma hacmi, adres, kalori, belirli yayın tarihi ve yayınlanmasından bu yana geçen gün sayısı.
Ek olarak, blog yazarı aynı videoyu birden çok kez yüklediği için verilerin çakıştığını fark ettiler ve bu küçük örnek aşağıdaki analizde göz ardı edilecek.
2. Adım: Videoları sınıflandırmak için NLP'yi kullanın
Bu adımda, videoları başlıktaki anahtar kelimelere göre sınıflandırırlar.
Gruplama kriterleri şunlardır:
-
Bu video vücudun hangi kısmına yönelik?
-
Bu videonun amacı kas kazanmak mı yoksa kilo vermek mi?
-
Veya başka hangi anahtar kelimeler?
Yazar, başlığı işlemek için Python'da yaygın olarak kullanılan bir açık kaynak NLP kitaplığı olan Natural Language Toolkit'i (NLTK) kullanıyor.
Anahtar kelime listesi oluşturun
İlk olarak, videonun başlığını belirtin. Bu işlem, başlık metni dizesini farklı etiketlere (sözcüklere) bölmek için boşluklar ("") gibi sınırlayıcıları kullanır Bu şekilde, bilgisayar programı metni daha iyi anlayabilir.
Bu başlıklarda 538 farklı kelime bulunmakta olup en sık kullanılan etiketler / kelimeler aşağıda listelenmiştir. Bu kelimelerin sıkça kullanıldığı görülebilir, bu da blog yazarlarının standart formattaki video başlıklarını gerçekten sevdiklerini bir kez daha kanıtlıyor.
Yazar, sık kullanılan kelimelerin listesine dayanarak, sonraki adımda videoları sınıflandırmak için kullanılabilecek 3 anahtar kelime listesi oluşturdu.
-
body_keywords (metin-anahtar kelimeler) -Bu, "tam" vücut, "karın kasları" ve "bacaklar" gibi videonun hedeflediği vücut kısımlarını tanımlar.
-
Workout_type_keywords (fitness-türü anahtar kelimeler) - "aerobik", "esneme", "güç" gibi egzersiz türünü ayırt eder.
-
Diğer anahtar kelimeler - Bu, "eğitim kampı", "tükenme", "tonlama" (tonlama) gibi yaygın olarak kullanılan ancak kategorize edilmesi zor olan anahtar kelimeleri içerir.
Kökten türetilmiş anahtar kelimelerin listesi
Yazar, bu anahtar kelime listelerini oluşturduktan sonra gövdeleri de çıkardı. Bu, bilgisayarın eş anlamlıları tanıyabilmesini sağlamak içindir. Örneğin ABS, Abdominal Egzersiz'in kısaltmasıdır ve "abs" ve "ab" sözcükleri aynı "ab" köküdür.
YouTube başlıklarının etiketleri ve kökeni
Anahtar kelimelere ek olarak, yazarların başlık gövdelerini de işaretlemesi ve çıkarması gerekir. Bu işlemler, anahtar kelime ve başlık listelerinin daha fazla eşleştirilmesi için hazırlanabilir.
Adım 3: Özellik Mühendisliği
Beyin fırtınasından sonra, anahtar kelime tabanlı ve zaman tabanlı olmak üzere iki özellik seçtiler.
Anahtar kelimeye dayalı özellikler
Gösterge Özellikleri
Önceki adımın çalışması nedeniyle, artık videoyu sınıflandırmak için eşleştirilebilecek 3 anahtar kelime listesi ve kısaltılmış başlıklar bulunmaktadır.
Body_keywords ve workout_type_keywords sınıflandırmasına göre, bir videoda birçok anahtar kelime vardır. Yazar, eşleşmeden önce 2 özellik de yarattı: alan alanı ve egzersiz_tipi fitness türü. Bu özellikler, bir videonun tüm vücut kısımlarını ve egzersiz türlerini bir dizeye bağlar.
Örneğin, bir fitness videosu aynı anda "karın kasları" ve "bacaklar" yapabilir veya aynı anda "aerobik" ve "güç" yapabilir. Bu videonun özellik alanı "karın kasları + bacaklar" ve fitness türü "aerobik + güçtür".
Yazar aynı zamanda "toplam" ve "tam", "öz" ve "abdominal" gibi benzer anahtar sözcükler de belirledi ve bunları bir arada gruplandırdı.
Son olarak, üç farklı türde kukla özellik oluşturdular:
-
videonun belirli vücut bölümlerini içerip içermediğini belirlemek için _ {} _ alanı;
-
is_ {} _Fitness, kondisyon türünü belirleyin;
-
title_contains_ {}, başlığın başka anahtar kelimeler içerip içermediğini kontrol edin.
Netlik sağlamak için, "bacak kuvveti eğitimi" videosunun başlığı _leg_area = True, is_strength_workout = True, title_contains_burnout = True ve diğerlerinin tümü False olmalıdır.
Frekans Özellikleri
Yazar, yukarıdaki özelliklere ek olarak, bir video başlığında bahsedilen anahtar kelimelerin sayısını hesaplamak için üç özellik de yarattı: num_body_areas, num_workout_types ve num_other_keyword.
Örneğin, num_body_areas ve num_workout_types başlığı 2'dir.
Bu özellikler, videoya dahil edilmesi gereken optimum vücut parçası sayısını veya egzersiz türünü belirlemeye yardımcı olur.
Puan Özellikleri
Son olarak, yazar bir özellik yarattı: kalorilerin ne kadar hızlı yakıldığını görmek için kalori_per_min (dakika başına kalori). Sonuçta, seyirci bazı net (ölçülebilir) egzersiz hedefleri istiyor.
Tabii ki, tüm süreç içinde kaçınılmaz olarak bazı yanlış sınıflandırılmış videolar var.Yazar ayrıca zaman özelliğine dönmeden önce bunları manuel olarak onardı, bu yüzden burada tekrar etmeyeceğim.
Zaman serisine dayalı özellikler
Yazar, yukarıdaki anahtar kelime tabanlı özelliklerle popüler video türlerini keşfetmiştir. Ancak bu, blog yazarlarının her zaman aynı türde videoyu yayınlamaları gerektiği anlamına mı geliyor?
Bu soruyu cevaplamak için, zaman serisi tabanlı bazı özellikler de oluşturdular:
-
num_same_area, son 30 günde yayınlanan aynı alanı (mevcut video dahil) hedefleyen videoların sayısı. Örneğin, üst vücut için geçerli videoya ek olarak son 30 günde 5 üst vücut fitness videosu olduğunu belirten özellik = 6.
-
num_same_workout, bu özellik, uygunluk türünü sayması dışında num_same_area'ya benzer. Örneğin, özellik = 3, mevcut video HIIT uygunluğuna ek olarak, son 30 günde 2 HIIT fitness videosu olduğunu gösterir.
-
last_same_area, aynı vücut parçası için son videodan bu yana geçen gün sayısı. Örneğin, bu özellik = 10, karın kasları için son videonun 10 gün önce yayınlandığını gösterir.
-
last_same_workout, last_same_area ile aynı, yalnızca uygunluk türü için.
-
num_unique_areas, son 30 gün içinde birkaç farklı vücut parçası egzersiz yaptı.
-
num _ unique _workouts, son 30 günde yayınlanan farklı fitness videolarının sayısı.
Bu özellikler, izleyicilerin aynı veya farklı türde videoları beğenip beğenmediğini anlamaya yardımcı olacaktır.
Blog yazarlarının zaman zaman uygunluk ile ilgili olmayan videolar yayınladıkları ve görüntüleme sayısının büyük ölçüde değiştiği, dolayısıyla yazarın bunları analize dahil etmediği unutulmamalıdır. Ayrıca, yeterli geçmiş veriye sahip olmadıkları için önceki 30 güne ait videoları da filtrelediler.
Ardından, lütfen aşağıdaki özellik mühendisliği sürecine bakın.
Çoklu Doğrusallık Testi
Wikipedia, çoklu eşdoğrusallığın (aynı zamanda eşdoğrusallık olarak da adlandırılır), çoklu regresyon modelindeki bir yordayıcı değişkenin diğer yordayıcı değişkenlerden oldukça yüksek doğrulukla doğrusal olarak tahmin edilebildiği bir fenomen olduğunu açıklar. . Çoklu bağlantı doğrusallığı, en azından örnek veri setinde, modelin genel kestirim gücünü veya güvenilirliğini azaltmaz; yalnızca tek bir kestiricinin hesaplanmasını etkiler.
Bu neden önemli?
Blog yazarının yalnızca Pazartesi günü kuvvet antrenmanı yayınladığını ve videosunun her zaman Pazartesi günü daha fazla görüntülendiğini varsayalım. Öyleyse, yayın hacmi analiz edilirken, Pazartesi günkü çıkışlarına mı yoksa kuvvet antrenmanı oldukları için mi atfedilmelidir? Doğru bir yanıt alabilmek için yazar, özellikler arasında güçlü bir doğrusallık olmadığından emin olmalıdır.
İkili korelasyonlar yaygın olarak kullanılan yöntemlerdir, ancak birden fazla özellik olduğunda (birden fazla çift), aynı anda doğrusallık olabilir.
Bu nedenle, yazar hedefe ulaşmak için daha karmaşık bir yöntem-K-kat çapraz doğrulama (K-kat çapraz doğrulama) kullanır.
Ayrıntılı süreç aşağıdaki gibidir:
-
Karara dayalı olarak, doğrusallığı test etmek için bir dizi temel özellik seçilir.
Yazar, YouTube video oynatma miktarı için kritik olan özellikleri seçti ve ayrıca rastgele sayılardan oluşan üç özellik ekledi: rand0, rand1, rand2. Özellikler arasındaki ilişkiyi karşılaştırırken, çapa görevi görürler. Bir özellik bu rastgele özelliklerden daha az önemli veya daha az benzerse, o zaman hedef özelliğin önemli bir bağımsız değişkeni değildir.
-
Bu özellikleri k-kat çapraz doğrulama için hazırlayın.
Bu süreçte kategorik özellikleri dönüştürdüler: alan ve çalışma_türü. Bu dönüştürme, her kategori düzeyi için en az K değeri olmasını sağlar.
-
Tahmin modelini eğitmek için özelliklerden birini hedef, geri kalanını bağımsız değişkenler olarak kullanın.
Daha sonra, yazarlar her bir özelliği inceler ve onu tahmin etmek için bir modele uyması için diğer özellikleri kullanırlar. Basit bir Gradyan Artırma Modeli (GBM) ve K-katlama doğrulaması kullandılar ve hedef özelliğin dijital mi yoksa dijital mi olduğuna bağlı olarak Sınıflandırma için farklı modeller ve puanlar kullanın (model tahmin etme yeteneğinin değerlendirme göstergeleri).
Hedef özellik bir sayı olduğunda, yazar Gradyan Artırma Regresörü modelini ve kök ortalama kare hatasını (RMSE) kullanır; hedef özellik bir sınıflandırma özelliği olduğunda, Gradyan Artırma Sınıflandırıcı modeli ve Doğruluk kullanılır.
Her hedef için, K-kat doğrulama puanını (ortalama puan) ve en önemli 5 bağımsız değişkeni yazdırırlar.
-
Her hedef özellik için araştırma puanları ve önemli bağımsız değişkenler.
Yazar, her bir hedef özelliği ve bunun bağımsız değişkenlerle olan ilişkisini incelemeye çalışır. Elbette bu makale tüm süreci listelemeyecek, iki örnek verecek.
Yazar, uzunluk (video uzunluğu) ve kalori özelliklerinin ilişkili olduğunu buldu. Bu bulgu sezgiseldir, çünkü ne kadar uzun egzersiz yaparsanız, o kadar çok kalori yakarsınız.
Bu ilişkiyi anlamak zor değil.
Uzunluk ve kalori arasında pozitif bir ilişki vardır, ancak bu güç onları doğrudan bir araya getirmek için yeterli değildir. Çünkü 40-45 dakikalık videonun tükettiği kaloriler 30-35 dakika, 50-55 dakika ve hatta 60 dakikadan fazla video ile örtüşüyor. Bu nedenle, her iki özellik de korunur.
Ek olarak, yazar num_same_area ve area_full, iki özelliğin de ilişkili olduğunu, bu keşfin biraz şaşırtıcı olduğunu ve ardından şifresini çözmeye başladı.
Aşağıdaki şekil, num_same_area ve alan arasındaki ilişkiyi gösterir.
Num_same_area özelliği, son 30 günde yayınlanan aynı bölümü (mevcut video dahil) hedefleyen videoların sayısını sayar. area_ful, Sidney videolarında en yaygın tür olan tam vücut egzersizini temsil eder. Bu nedenle, num_same_area büyük olduğunda, bu videolar tüm vücut egzersizi içindir.
Daha yüksek bir num_same_area ( > = 10) Daha yüksek YouTube görüntülemelerine yol açar, ancak bunun area_full veya num_same_area nedeniyle mi olduğunu bilmiyoruz. Bu nedenle, yazar num_same_area özelliğinden ve aynı mantık nedeniyle num_same_workouts özelliğinden de vazgeçmiştir.
4. Adım: Hedef oluşturun
Hatırlayacağınız gibi, bu araştırmanın amacı YouTube görüntülemelerini artırmaktı. Doğrudan yayın hacmini hedefleyebileceğimiz anlamına mı geliyor?
Ama lütfen dikkat edin! Oynatma ses seviyesi çarpık. Medyan izlenme sayısı 27.641 oldu ve en yüksek video 1,3 milyona ulaştı. Bu dengesizlik, modelin yorumlanabilirliği açısından sorunlara neden olacaktır.
Bu nedenle, yazar, hedef olarak kendisiyle birlikte views_quartile özelliğini yaratmıştır.
Videoları, yüksek oynatılan video ("yüksek") ve düşük oynatılan video ("düşük") olmak üzere iki kategoriye ayırırlar. "Yüksek" toplam oynatma hacminin% 75'ini oluşturur, yani 35578 oynatma ve üzeri olan videolar ve geri kalanlar "düşük" olarak sınıflandırılır.
Bu şekilde yazar, en yüksek görüntülemeye sahip videoların% 25'inin özellik kombinasyonunu bulmak için tahmine dayalı bir model kullanır.
5. Adım: Bir karar ağacı oluşturun
Tüm çalışmalar hazır, hedef views_quartile temelinde bir karar ağacı modeli oluşturuyoruz!
Aşırı uyumu önlemek için yazar, yaprak düğümün minimum örneğini 10 olarak ayarlar. Yazar, anlamamızı kolaylaştırmak için ağacın maksimum derinliğini 8 seviyeye ayarladı.
6. Adım: Karar ağacını okuyun
Son adımda yazar, yüksek veya alçak görüntülere yol açan "dalları" inceleyecek ve özetleyecektir. Ne buldular?
Bulgu 1: calories_per_min en önemli özelliktir
Evet, calories_per_min en önemli özelliktir. İnsanlar fitness türlerini veya vücut kısımlarını pek önemsemiyor gibi görünüyor.
Dakikada yakılan kalori 12,025 yüksek tüketim olarak kabul edilir ve% 60 (51 / (34 + 51)) videoların daha yüksek görüntüleme oranı vardır.
Dakikada daha az kalori yakan videolar ( 9,846) çok daha az popülerdir ve yalnızca% 7,2'si (12 / (154 + 12) =) daha yüksek oynatma özelliğine sahiptir.
Dakikada kalori 9,846 ile 12,025 arasında olan videolar için, diğer faktörlerin de daha büyük etkisi olacaktır.
Bulgu 2: Farklı parçalar ve birden fazla egzersiz yöntemi oynatma miktarını artırmaz
Bu keşif yazarın hayal gücünün ötesinde, çeşitli alıştırmalar kullanmak daha iyi değil mi?
Geçtiğimiz ay vücudun farklı bölgelerindeki egzersiz sayısı (num_unique_area) yüksek olduğunda, 10, videoyu izleme eğilimi düşüktü. Dakikada yakılan kalori yüksek olsa bile bu hala geçerlidir.
İlk iki bakış açısı birleştirildiğinde, videoların% 78'i (42 / (12 + 42)) aşağıdaki koşullar altında daha fazla görüntülendi:
-
Dakikada yakılan yüksek kalori ( 12.025)
-
Geçen ay vücudun farklı yerlerinde yapılan egzersizlerin sayısı azdı (
Bulgu 3: Popo fitness çok popüler
Bir video daha az kalori tükettiğinde (kalori_per_min 9,846), ancak kalça egzersizi olduğu sürece,% 33 (5 / (10 + 5)) yine de yüksek oynatma alabilir; aksi takdirde, yalnızca% 4,6 (7 / (144 + 7) )) Videonun oynatımı daha yüksek.
Öneri: Oynatma nasıl iyileştirilir
Özetle yazar, Sydney'e üç öneride bulunur:
İpucu 1: Kalori yakmak
Gördüğümüz gibi dakikada yakılan kalori en önemli özelliktir ve 12.025 sihirli bir sayıdır.
Aşağıdaki tablo, farklı sürelerdeki videolar tarafından kaç kalori yakılması gerektiğini gösterir:
-
30 dakika fitness: 361 kalori
-
40 dakika fitness: 481 kalori
-
50 dakika fitness: 601 kalori
-
60 dakika fitness: 722 kalori
Yazar ayrıca bir varsayım öne sürüyor: Sayılar (süre ve kaloriler) insanları yalnızca psikolojik olarak uyarır.Sadece kalorinin ilk iki hanesinin zamandan çok daha büyük olduğunu görmek isteyebilirsiniz.Bu, daha kısa bir süre kullanabileceğinizi ve daha fazla tüketebileceğinizi gösterir. Çok kalori.
Öneri 2: Vücudun farklı bölümleri için daha az anahtar kelime kullanın
Bazen daha az.
İnsanlar fitness başlığında çok fazla farklı vücut bölgesini sevmezler. Modele göre, bir ayda 10'dan az vücut bölgesinden oluşan bir kombinasyonu hedeflemek daha iyidir.
Yazar, Sydney'in son videolarında daha az vücut parçası anahtar kelimesi kullandığını fark etti. En bariz nokta, "pazı" veya "sırt" gibi kelimeler yerine "kollar" veya "üst vücut" kullanıyor olmasıdır.
Öneri 3: Daha fazla kalça kondisyonu yayınlayın
Sydney aboneleri, kol kaslarını artırmak yerine "kalça" plastisitesine meyilli olan daha fazla kadın olabilir. İnsanlar daha sıkı bir kalçaya sahip olmak için daha az kalori feda etmeye isteklidir. Belki de Sydney daha az kalori yakan videolara her zaman kalça egzersizleri eklemeli.
Öneri 4: Kanıtlanmamış fikirler
Örneğin, ayın başında yeni bir etkinlik başlatın. Ayın başında yayınlanan videoların daha yüksek görüntüleme alma olasılığı daha yüksektir. Belki insanlar yeni bir aya başlamak için yeni hedefler koymayı severler. İkinci olarak, aynı tür egzersizi 5 gün içinde yayınlamaktan kaçının.
Son olarak yazar, bu çalışmanın da bazı sınırlılıkları olduğunu belirtti:
-
Bu öneriler geçmiş performansa dayanmaktadır. Ve YouTuber'lar genellikle geçmiş rutinleri kırar ve yeni fikirler dener. Bunun ışığında, rakiplerine makine öğrenimi uygulayabiliriz.
-
Yalnızca başlık analiz edilir ve abone sayısı, cinsiyet ve bölgesel istatistikler gibi daha fazla özellik, daha doğru bulgular ve açıklamalar içerebilen başka bilgiler vardır.
Lei Feng Ağı Lei Feng Ağı
