Bagaimana saya mempersonalisasi rekomendasi YouTube saya menggunakan YT API? – Menuju AI — Teknologi, Sains, dan Teknik Terbaik

Pengarang: Daksh Trehan

Pembelajaran mesin

Bagaimana cara memanfaatkan sebagian besar API YouTube?

Melalui Kostadin

Minggu lalu, saya menulis tentang cara kerja Algoritma YouTube dan alur kerja AI di baliknya. Tetapi berdasarkan informasi yang tersedia mengenai sistem rekomendasinya, saya pikir ada beberapa kekurangan di dalamnya:

Ini sangat menyukai waktu tonton dan jelas, video yang lebih lama akan memiliki waktu tonton yang tinggi dan cenderung merekomendasikan video berdurasi lebih tinggi setelah periode tertentu. YouTube memiliki banyak video clickbait, konten berkualitas rendah, namun direkomendasikan dan tidak ada tindakan yang diambil atas informasi palsu yang diberikan. Tingkat kepuasan seperti LikeCount, DislikeCount memiliki sedikit pengaruh pada rekomendasi yang dapat ditingkatkan.

Selama penelitian saya tentang algoritma YT, saya menemukan artikel yang sangat menarik oleh Chris Lovejoy di mana menggunakan YT API, ia berhasil membuat sistem rekomendasi yang dipersonalisasi. Terinspirasi oleh proses pemikirannya dan artikel yang berwawasan luas, saya memutuskan untuk membuat algoritme rekomendasi YT saya sendiri menggunakan YT API.

Rencana

Rencananya adalah membuat sistem yang dapat menyarankan video yang relevan mengikuti rencana yang dipersonalisasi. Motifnya adalah untuk menghindari mencari video terbaik dalam kumpulan 1000-an video, melainkan untuk mendapatkan video yang secara statistik sesuai dengan selera saya.

Rencana tersebut dapat menghemat banyak waktu saya untuk mencari konten yang relevan dan mungkin membantu saya menghindari gangguan.

Foto oleh Nubelson Fernandes di Unsplash

Alur kerjanya terdiri dari mendapatkan informasi video menggunakan API YouTube dan kemudian memeringkatnya secara statistik sesuai selera saya. Nanti, untuk memudahkan kita juga bisa mengotomatisasi seluruh proses menggunakan Python.

Mengenal API YouTube

YouTube API adalah mobil yang menjalankan proyek ini. Ini akan memberi Anda setiap jenis informasi tentang video, baik itu, statistik atau deskriptif.

Mengacu pada dokumentasi, ini dapat berfungsi baik untuk saluran maupun video dan mengembalikan kami dengan metadata masing-masing.

Untuk memulai dengan API, kita memerlukan kunci API yang dapat dibuat menggunakan Konsol Pengembang.

Ikuti kode di bawah ini untuk mendapatkan konten berdasarkan kueri Anda.

Outputnya akan meninggalkan kita dengan objek JSON, yang nantinya dapat diuraikan dan informasi yang berguna dapat diekstraksi.

Ini akan memberikan atribut deskriptif video/saluran.

Untuk mendapatkan atribut statistik, kita perlu mengambil id dari atribut deskriptif dan mengikuti kode berikut.

Membuat Formula Sempurna?

Saya bukan penggemar berat sistem rekomendasi YouTube. Saya pikir itu tidak memiliki beberapa atribut penting atau mungkin saya punya selera yang aneh.

Sekarang setelah saya terbiasa dengan YouTube API dan dapat dengan mudah menghasilkan informasi yang berguna, sekarang saatnya untuk mengaktifkan mesin kreatif saya dan mengembangkan metrik peringkat yang sesuai dengan preferensi saya.

Beberapa faktor dapat membuat video menjadi bagus. Itu bisa berupa jumlah penayangan, durasi tontonan, tingkat kepuasan video (seperti komentar, bagikan), atau mungkin tag yang lebih terkait dengan kueri penelusuran saya.

Pendekatan termudah adalah menyelesaikan video dengan jumlah penayangan tinggi, tetapi secara logis, jika saluran memiliki 10 juta pelanggan, maka mendapatkan 100 ribu penayangan pada video tidak akan menjadi masalah besar baginya. Tetapi jika beberapa konten dari saluran dengan 10k pelanggan mencapai jumlah penayangan 100k, kami dapat menyimpulkan bahwa konten tersebut sesuai dengan sasaran.

Dalam hal ini, mendapatkan rasio view-to-subscriber mungkin merupakan metrik terbaik untuk memilih video yang relevan.

Tapi, konten channel dengan jumlah subscriber yang rendah bisa mendongkrak rasio tersebut. Saya mengubah kode sedikit dan menambahkan beberapa batasan dan mengatur video agar memiliki setidaknya 10k tampilan dan 1k pelanggan.

Selanjutnya, jumlah penayangan dan jumlah pelanggan tidak bisa menjadi satu-satunya ukuran peringkat. Saya memperkenalkan rasio jumlah like-to-dislikecount untuk lebih memilih konten yang relevan dan dapat dipercaya.

Menambahkan rasio view-to-subscriber dan rasio likecount-to-dislikecount, saya mengembangkan skor untuk setiap video.

Diasumsikan secara universal bahwa konten apa pun di YouTube berada pada waktu puncaknya dalam waktu 24-48 jam dan memperoleh sebagian besar penayangan dan tingkat kepuasan. Tetapi, bertentangan dengan fakta, saya memutuskan untuk menyimpannya secara manual untuk setiap permintaan.

Untuk mendapatkan hasil yang tepat, saya juga mengutak-atik atribut deskriptif dan memeriksa apakah “kueri” ada di judul dan juga deskripsi.

Saya menghitung kemunculan kueri dalam judul serta deskripsi. Dan mengikuti gagasan “Lebih Banyak Merrier”.

Dan pada langkah terakhir, saya memodifikasi fungsi skor akhir saya. Pertama, fokus pada kata kunci dalam judul dan deskripsi, kembali dengan konten dengan konten maksimal. Nanti kembalikan konten dengan rasio lihat-untuk-pelanggan maksimum dan rasio jumlah suka-untuk-tidak suka.

Alur kerja algoritme YouTube, Dirancang oleh Daksh Trehan, Hak Cipta Dilindungi Undang-Undang

Hasil Akhir

Saya menguji alur kerja saya untuk kueri “Kubernetes” dan mendapatkan hasil berikut.

Hasil yang diambil sangat bagus dan dapat diandalkan, tetapi menurut saya, semuanya bisa menjadi sedikit lebih baik.

Secara keseluruhan, ini adalah proyek yang menyenangkan seputar pemahaman API YouTube dan alur kerja sistem rekomendasi YouTube.

Alur kerja kode dapat disimpulkan sebagai:

Masukkan kueri, kerangka waktu, dan kunci API secara manual untuk mengekstrak video. Filter video menurut atribut Deskriptif dan Statistik. Beri peringkat video. Tampilkan outputnya.

Anda dapat menemukan kode lengkapnya di Github saya.

Pikiran Penutup

Proyek ini masih dalam tahap awal dan dapat ditingkatkan banyak, beberapa langkah yang dapat diperhitungkan adalah:

Seluruh proses pengambilan video yang dipersonalisasi dapat dilakukan secara otomatis. Implementasi metrik yang lebih baik untuk mendapatkan hasil yang lebih baik lagi. Penyebaran kode pada server cloud untuk penggunaan umum.

Jika Anda menyukai artikel ini, silakan pertimbangkan untuk berlangganan buletin saya: Buletin Mingguan Daksh Trehan.

Kesimpulan

Semoga artikel ini memberi Anda wawasan tentang sistem rekomendasi YouTube dan bagaimana seseorang dapat membuatnya untuk mereka.

Namun, informasi yang digambarkan dalam artikel ini tentang sistem rekomendasi YouTube generik hanya didasarkan pada beberapa teori yang dialami oleh pengguna atau dipublikasikan oleh pengembang YouTube. Algoritme yang dipersonalisasi dapat didorong lebih jauh ke batasnya dan kami dapat mengambil hasil yang lebih baik lagi.

Referensi:

[1] Saya membuat algoritme YouTube saya sendiri (untuk menghentikan saya membuang-buang waktu)

[2] Bagaimana YouTube menggunakan AI untuk merekomendasikan video?

[3] Menjelajahi API Data YouTube: Pythonista India

[4] API Data YouTube

Temukan saya di Web: www.dakshtrehan.com

Ikuti saya di LinkedIn: www.linkedin.com/in/dakshtrehan

Baca blog Tek saya: www.dakshtrehan.medium.com

Terhubung dengan saya di Instagram: www.instagram.com/_daksh_trehan_

Ingin belajar lebih banyak?

Bagaimana YouTube menggunakan AI untuk merekomendasikan video?
Mendeteksi COVID-19 Menggunakan Pembelajaran Mendalam
Algoritma AI yang Tak Terelakkan: TikTok
GPT-3 Dijelaskan kepada anak berusia 5 tahun.
Tinder+AI: Perjodohan yang Sempurna?
Panduan orang dalam untuk Kartunisasi menggunakan Pembelajaran Mesin
Bagaimana Google membuat “Hum to Search?”
Kode ajaib satu baris untuk melakukan EDA!
Beri saya 5 menit, saya akan memberi Anda DeepFake!

Bersulang

Bagaimana saya mempersonalisasi rekomendasi YouTube saya menggunakan YT API? awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI