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。
