youtube浏览记录（youtube浏览记录怎么查）

油管为什么没浏览量

油管没浏览量是因为视频质量差。视频质量好坏是YouTube的AI判断的，如果视频只有一张图片或几张图片滚屏出现，视频里的语音用的是机器人，没有人物出现等这几种视频现在很容易被判断成为低质视频。

油管浏览量的提升技巧

非原创的大量重复视频，如果你上传的视频不是原创的，而且在YouTube上已经存在大量的类似甚至相同的视频，那么这样的视频当然也不会得到推荐，视频的源数据质量低，视频的判断是AI来进行的，而AI会通过视频的封面标题标签描述等来进一步对视频进行解读和分类。

这里有一个数据，目前YouTube上每秒平均有10个小时的视频上传到平台上。在这样的竞争压力下，如果视频描述的不清楚，那么AI是没办法准确识别你的视频的，既然现在做YouTube只能这样做才有大概率成功，那就不能取巧否则不如不做。

[Chrome 扩充功能] YouTube 影片自动缩小，浏览网站无中断！

艾伦很喜欢手机版的 YouTube 看影片时可以将影片缩小继续浏览网页的功能，但很可惜电脑版没有这功能，终于让艾伦找到了 Chrome 浏览器扩充功能，看到的第一时间赶快来介绍给大家，只要安装「 YouTube Picture in Picture 」外挂功能就可以罗！

艾伦最近迷上琅琊榜和花千骨，都会使用 YouTube 追剧，虽然电视也在播出，但一点都不想被广告耽误时间，首先打开琅琊榜。

接着在 YouTube 搜寻列搜寻 花千骨，这时候琅琊榜的影片视窗就会缩小到右小角 (依然持续播放)，网页也就可以继续浏览。

另外还有一个方法可以快速将影片缩小，选择好 YouTube 影片后，按滑鼠右键选择「 Play Picture-in-Picture 」，就能快速开起缩小版的影片了。

Chrome 扩充功能：YouTube Picture in Picture 安装网址： 4fun/5LP7

you tube是啥?

you tube是一个视频网站。早期公司位于加利福尼亚州的圣布鲁诺，注册于2005年2月15日，由美国华裔陈士骏等人创立，让用户下载，观看及分享影片或短片。

you tube历史沿革

2005年情人节YouTube成立，由乍得·贺利，陈士骏，贾德·卡林姆等3名PAYPAL前雇员创办，失业并负债的陈士骏和贺利在车房构思网上影音共享大计，并找来卡林姆帮忙，YouTube就此诞生。

其创办原意是为了方便朋友之间分享录影片段，后来逐渐成为网民的回忆储存库和作品发布场所，2005年4月23日，YouTube的第一部影片由卡林姆上传，长度只有19秒。在影片中，卡林姆站在加州圣地亚哥动物园的大象前说这些家伙有好长好长好长的，呃，鼻子，好酷。

至2006年YouTube已有4000万条短片，每天吸引600万人浏览，在成立后的短短15个月，已超越MSN VIDEO与GOOGLE VIDEO等竞争对手，成为本世纪最多人浏览的网站。

浏览 you tube

试试不打全网址

在YAHOO搜寻器打YOUTUBE进入

因有时网址可能改了一个字就不能入了

又不知是 那时会改

如用搜寻器方法进入是比较稳健的

因为 排位或名字可能会变

但在排名榜上如何也会寻到的

除非YOUTUBE改了名字

参考: ME

* YouTube做了改版

有些影片须使用到 "HTML5 影片播放器" == Firefox 26.0 免安装 可加载 "虚拟磁碟" 狂奔!!介绍23个元件: 可上PTT/浏览快15％/转址/HTML5/挡广告/字典

网页翻译/IE模式/简繁转换/视频

(blog)音频下载/安全/时钟/截图/4倍速下载/... blog.xuite/tools241/blog/108046301 *Google 会在 2015 年 4 月停止 Chrome 浏览器在XP的支援。 Firefox未来将继续支援XP. 2013/08/07 行政院发布重大资讯安全警讯 KMPlayer更新恐有毒播放影片建议改用 PotPlayer.exe ==PotPlayer 免安装 异空版 ;"影音之星(可截图);迅雷等 "播放软体" ；＊数种"(由特征码)下载续传"软体 *Word Reader 6.24 免安装 繁体/简体/英文 等7国语言 portable (freeware) *【原创】新/旧PC的Win-XP升级至Win 7 会遇到的问题及该如何处理 (列出26点) *【原创】Easeus Partition Manager ------ 免费硬碟分割(Partitioning)工具。 * 使用XP者

请在 2014/04/08前 完成升级为Win-XP SP3及更新补丁Win-XP SP1 或 Win-XP SP2 官网升级至 Win-XP SP3 及 更新补丁 ; Win双系统 * Firefox 浏览器(可新旧版并存) -- IE模式 / 简繁转换 / 视频

(blog)音频下载元件 / 安全套件 / 解网页锁右键; 移除babylon或hao123 *YouTube 专用下载器 flvcd_ *** .exe *网路电视 不看时如何停掉相关程序

以免占用资源 * [原创]IETester方便测试网页

让电脑有IE6、IE7、IE8...*免费的 TrueCrypt 介绍 -- USB随身碟加密 或 硬碟加密 (加密映像档/隐藏加密区/设备) * 试听曲 == 换页不中断!8个背景音乐盒*部落格小玩意 "图片轮播器语法贴纸" * 免费软体 OpenOffice ** 建立随意窝Xuite日志要领blog.xuite/tools241/blog/85568657*随意窝Xuite 面版样式(CSS) 设定(问/答) == blog.xuite/tools241/blog/112234512 *痞客邦 PIXNET 面版样式(CSS) 设定(问/答) == blog.xuite/tools241/blog/112182670*部落格语法 "(原无名播放器请改用此)MP3播放器"

是你的电脑有问题，试用其他的browser可不可开启。

关于YouTube推荐系统的论文学习

本文是2010年发表在RecSys上的文章。本文主要介绍的是YouTube的个性化推荐的相关内容。

用户使用YouTube一般有三个原因：

--看他们在其他地方找到的单一视频（直接导航）；

--围绕某个主题（搜索和目标导向浏览）查看特定视频；

--受他们感兴趣内容的吸引。

推荐系统主要是针对第三点，目的是帮助用户发现他们感兴趣的高质量视频，并且推荐结果应该随时间和用户最近的行为更新。

在YouTube的推荐应用中，面临以下挑战：

--用户上传的视频的元信息非常少；

--视频时长比较短（一般小于10分钟）；

--用户行为短暂、多变而且噪声很多；

--视频生命周期短。

这是YouTube的推荐和普通视频网站推荐不同的地方，这些挑战也是现在很多短视频公司关注的问题。

推荐系统算法应该保持时效性和新鲜性，另外，用户必须了解为什么向他们推荐视频，这样可以帮助用户根据自己的喜好改善推荐引擎。推荐的视频是通过用户的行为来生成的，用户的行为包括观看、收藏、喜欢等来作为种子视频，然后使用各种相关性和多样性的 signals 对视频集进行排序。推荐系统的工程设计方面，保持各个模块的独立性，并且还需要对故障具有恢复能力，并在出现部分故障时适度降级。

这里有2种数据可以考虑：

1）是内容数据视频流、视频元信息（标题，标签等）；

2）用户行为数据，包括显性和隐性数据。前者是指用户评分、明确表示喜欢、不喜欢等行为，后者是浏览、观看等行为。

原始数据中还含有非常多的噪声，很多不可控因素会影响原始数据的质量。

作者将相关视频定义为用户在观看给定的种子视频 v 之后可能会观看的视频，使用关联规则挖掘技术来确定视频间的相关性。视频i和j的相关性定义为：

将用户观看过的视频、喜欢过的视频、收藏过的视频等等作为种子集合，对它们进行N级的级联扩展，也就是YouTube选择召回的不是1步相关视频，而是n-步相关视频，即种子视频迭代n次后得到的相关视频集合，产生广阔和多样的候选结果。

在生成一组候选视频后，需要对这些相关视频进行排序。

用于排序的数据主要包括：

--视频质量：包括观看次数、视频评分、评论、收视和上传时间等；

--用户特征：考虑用户观看历史记录中种子视频的属性，例如观看次数和观看时间等；

--多样性：要在被推荐的视频集合的类别中做一个平衡，以保持结果的多样性。

这些数据最终被线性组合起来，得到ranking的评分。

本文虽然是2010年发表的，近年来有很多内容升级复杂化了，但是作为初学者，本文的知识点和整体思路是非常值得学习的。当时的YouTube推荐系统的核心算法就是基于Item的协同过滤算法，也就是对于一个用户当前场景下和历史兴趣中喜欢的视频，找出它们相关的视频，并从这些视频中过滤掉已经看过的，剩下就是可以用户极有可能喜欢看的视频。

本文是Google的YouTube团队在推荐系统上DNN方面的尝试，发表在16年9月的RecSys会议。本文第1节介绍了YouTube推荐系统主要面临的挑战。第2节介绍了一个简要的系统概述。第3节更详细地描述了候选集生成模型，包括如何对其进行训练并用于提供推荐服务；实验结果显示模型添加特征和DNN深度后可以显著提升预测效果。第4节详细说明了排序模型，包括使用加权逻辑回归技术以训练预测预期观察时间的模型；实验结果表明，增加隐层网络宽度和深度都能提升模型效果。 最后，第5节做了总结。

-规模大：用户和视频的数量都很大，传统适合小规模的算法无法满足；

-新鲜度：要求对新视频作出及时和合适的反馈；

-噪音：YouTube上的历史用户行为由于稀疏性和各种不可观察的外部因素而不可预测。 我们很少能获得基本真实的用户满意度，更多的是隐式反馈噪声信号。

推荐系统的整体结构如图所示：

该系统由两个神经网络组成：一个用于候选集的生成，一个用于排序。候选集生成网络将用户的Youtube活动历史记录作为输入，然后从海量视频集中筛选出一小部分（数百个）以高精度与用户相关的视频。排序网络负责基于更加精细的特征对候选集进行排序，最后将最高得分的视频呈现给用户（按它们的得分排名）。

该模型把这个推荐问题转化成极端多分类问题：对于用户U和上下文C，把语料库V中的数百万个视频（分类）i，在时间t处做准确的分类，如下所示：

其中u为用户U的embedding表示，vi 代表各个候选视频的embedding。embedding是指稀疏实体（单个视频，用户等）到实数密集向量的映射；DNN的目标就是在用户信息和上下文信息为输入条件下学习用户的embedding向量u，这对于用softmax分类器来区分视频是有用的。

整个模型架构是包含三层全连接层，使用relu激活函数。把用户观看历史数据、搜索数据做一个embedding，加上age、gender等特征作为DNN的输入；输出分线上和离线训练两个部分。训练阶段使用softmax输出概率，在服务期间则直接使用接近最近邻搜索来进行生产候选的N个视频。

1）把用户观看过的视频id列表做embedding，并对所有历史观看视频ID的embedding做平均，得到观看embedding向量。

2）同时把用户搜索过的视频id列表也做如上的embedding，得到搜索embedding向量。

3）用户的人口统计学属性做embedding得到特征向量。

4）简单的二值和连续特征，例如用户的性别，登录状态和年龄作为归一化为[0,1]的实数值直接输入到网络中。

5）example age：机器学习系统总是利用历史的例子去预测未来，所以对过去总会有一个隐含的偏差。为了矫正偏差，YouTube把训练样本的年龄当作一个特征。

1.训练样本要用youtube上的所有视频观看记录，而不只是我们的推荐的视频的观看记录。

2.为每个用户生产固定数量的训练样本。

3.丢弃搜索信息的顺序，用无序的词袋表示搜索查询。

4.如下图，图(a)从历史观看记录中随机拿出来一个作为正样本来预测它，其余的历史观看记录作为上下文；这样其实泄露了未来的信息，并且忽略了任何非对称的消费模式。相反，图(b)是从用户的历史视频观看记录中随机拿出来一个作为正样本，然后只用这个视频之前的历史观看记录作为输入；这样的预测效果好得多。

– 深度为0：这时网络就是一个把连接起来的输入层转换一下，和softmax的256维输出对应起来

– 深度为1：第一层 256个节点，激活函数 是ReLU （rectified linear units 修正线性单元）

– 深度为2：第一层512个节点，第二层256个节点，激活函数都是ReLU

– 深度为3：第一层1024个节点，第二层512个节点，第三层256个节点，激活函数都是ReLU

– 深度为4：第一层2048个节点，第二层1024个节点，第三层512个节点，第四层256个节点，激活函数都是ReLU

实验结果如下图所示：

可以看出，特征选取较多时，并且模型深度在四层时，可以得到较好的结果。

排序阶段最重要的任务就是精准的预估用户对视频的喜好程度。在排序阶段面对的数据集比较小，因此会采用更多的特征来计算。

作者在排序阶段所设计的DNN和上文的DNN的结构是类似的，但在训练阶段对视频的打分函数不再是softmax，而是采用的逻辑回归。如下图所示：

1）特征工程

尽管神经网络能够减轻人工特征工程的负担，但是我们依然需要花费精力将用户及视频数据转化为有效的特征。其主要的挑战在于如何表示用户动作的时间序列以及这些动作如何与正被评分的视频展现相关。但是通过对用户和物品之间的交互行为，我们能提取出一些有用信息，比如： 用户从这个频道里看过多少视频，用户上次观看这个主题的视频是什么时候等。

2）embedding 离散特征

每个维度都有独立的embedding空间，实际并非为所有的id进行embedding，比如视频id，只需要按照点击排序，选择top N视频进行embedding，其余置为0向量；而当多值离散特征映射成embedding之后，像在候选集生成阶段一样，在输入网络之前需要做一下加权平均。另外一个值得注意的是，离散特征对应的ID一样的时候，他们的底层embedding也是共享的，其优势在于提升泛化能力、加速训练、减小内存占用等。

3）连续特征归一化

对连续值类的特征进行归一化，作者设计一种积分函数将特征映射为一个服从[0,1]分布的变量；还可以对某些特征进行取根号、取对数和取平方的相关操作，使得网络有更强的表达能力。

给定正负样本，正样本为有点击视频，负样本为无点击视频；用观看时长对正样本做了加权，负样本都用单位权重（即不加权）；采用的是基于交叉熵损失函数的逻辑回归模型训练的。

上表显示了在保留数据集上用不同的隐层配置得到的结果，这些结果表明增加隐层的宽度提升了效果，增加深度也是一样。

本文内容方面，介绍了YouTube基于深度学习的推荐系统，先用视频和用户的主要信息通过深度候选生成模型从百万级视频中找出数百个相关的视频，再用视频和用户的其他信息通过深度排序模型从数百个视频中找出几十个最有可能受用户欢迎的视频给用户。这样使得推荐系统对用户喜好的刻画能力大大增强，刻画的范围更加广泛。

本文结构方面，从推荐系统的整体结构讲起，划分为候选集生成和排序两个阶段，然后对每个阶段详细地展开讲解。整体过程条理清晰，逻辑严密，值得我们学习。

youtube不使用文字就可以浏览内容

youtube不使用文字就可以浏览内容方法如下。

1、使用URL将任何YouTube视频转换为GIF。

2、使用YouTube自动生成字幕辅助理解英语原声内容。