Reels. Snapchat. Likee. TikTok. Как заставить нейросеть полюбить ваше видео и дать миллионы просмотров?

Формат короткого вертикального видео умер? Нет. Сейчас - самое время понять, как работают умные видеоленты и начать профессионально публиковать видеоконтент и получать миллионы просмотров.

Живы ВК, Дзен и Одноклассники. Очень бодро смотрится Likee, который при продолжении блокировок вытеснит ТикТок с рынка. Снапчат выглядит как сильная альтернатива Инсте.

В коротких форматах потребность аудитории в контенте существенно выше, чем объем его производства на профессиональном или хотя бы полупрофессиональном уровне. В результате даже низкокачественный контент собирает рекордные просмотры.

Традиционные ленты существуют с 2007 (вк, фб, ок) по 2014 (инста). В старых лентах при ранжировании постов приоритет отдается подписке.

Там попасть в “рекомендации” - сложно, поскольку фактор вовлеченности аудитории не играет решающей роли в решениях системы.

Новые ленты с вертикальным видео разработаны в 2020-2021 годах, они функционируют на технологиях нового поколения. Нейросеть сама принимает решение, какое видео показать зрителю и почти не смотрит на список его подписок.

Рекомендации полноценно работают на технологиях машинного обучения в видеолентах нового поколения: Тикток, Рилс, Ютуб.Шортс, ВК.клипы, Дзен.Ролики, SnapChat, Likee.

Когда пользователь только что зарегистрировался - он увидит что-то универсальное. То, что нравится всем подряд: наиболее популярные видео из сети. Со временем накапливается статистика по пользователю. Система начинает понимать, что зрителю может быть интересно на основе его предыдущего опыта.

Точность рекомендаций зависит от двух факторов:
- объем данных, собранных о поведении пользователя,
- объем данных, собранных о том, как другие пользователи взаимодействовали с контентом.

Если достаточное количество данных собрано как о ролике, так и о человеке - то максимален шанс на совпадение: человеку показывается то, что ему действительно интересно, эффект “чтения мыслей”.

Самое интересное, что рекомендательные системы не должны "понимать" суть видео.

Первые поколения рекомендательных систем, на основе которых работает контекстная реклама и контекстные рекомендации, анализировали суть и содержание текста. Понимая контекст, системы могли показывать подходящую по тематике рекламу или советовать к прочтению статьи.

Но в отношении видео контекстный анализ оказался нерешаемой задачей. Для понимания сути и содержания видео недостаточно расшифровать звук и затем проанализировать текст. Программисты пошли дальше и начали пытаться сканировать надписи на видео и распознавать лица и объекты. Но и это не всегда помогало определять контекст ролика, не говоря уже о точном попадании в несформулированные желания пользователя. Поэтому пришлось решать задачу: “Как понять предпочтения зрителя, не вникая в суть ролика?”

Решение случилось благодаря нейросетям и большому количеству накопленных паттернов поведения пользователей.

Один единственный пользователь в вакууме никогда не начал бы получать качественные рекомендации. В соцсетях работает система “look like”. Система анализирует не каждого человека в отдельности, а кластеризует людей по сегментам. Потому что следующий шаг - определение похожих по поведению на вас людей. Система смотрит, кто еще похожим образом реагировал на те же самые видео.

При огромной аудитории быстро находится человек, который свайпал те же самые видео, которые не понравились вам и досматривал и пересматривал совпадающие с вами видео. Потом находится еще десяток похожих людей. В конце концов, когда похожим на вас людям нравился клип, система покажет этот клип и вам.

Рекомендации могут быть узкими или широкими. Вы можете одновременно находиться в узких и широких кластерах похожих по интересам людей.

Таким образом рекомендательной системе совсем не нужно анализировать содержание и контекст роликов в социальной сети, чтоб давать качественные рекомендации.

ОК, система поняла, что просмотренное видео человеку было интересно. Давайте более конкретно: какие именно действия заставляют нейросеть отмечать ролик, как потенциально интересный для более широкого круга зрителей.

Нейросеть отмечает для себя индикативные действия зрителя:

Вопреки заблуждению, количество лайков в коротком видео не влияет либо очень слабо влияет на ранжирование. Призывы ставить лайки практически ничего не дают. Самую большую роль из перечисленного играют: досматриваемость до конца, комментарии, переходы в профиль и репосты.

Однако по репостам все не так просто: рекомендательная система отслеживает переходы по репостам. Если репост отправлен, но никто не перешел - это не работает. А когда конверсия переходов по репостам высокая - видео продвигается все выше и дольше обычного держится в рекомендациях.

Таким образом количество подписчиков перестает играть ключевую роль и высокие охваты можно получать без подписчиков за счет только контента. И наоборот, большая база подписчиков очень слабо работает на просмотры, какими бы живыми не были подписчики. Каждый новых видеоролик нарабатывает собственный рейтинг, над качеством контента нужно работать при каждой публикации.

В результате, меняется сама парадигма оценки качества каналов и авторов. Раньше миллион подписчиков гарантировал высокие просмотры постов в соцсетях. А сейчас миллионные просмотры гарантируют рост подписчиков.