Когда алгоритмы решают, что мы смотрим: анализ трендового контента YouTube

В цифровой среде значительная часть контента, с которым мы сталкиваемся каждый день, отбирается и ранжируется алгоритмами рекомендаций. Платформы вроде YouTube, TikTok или Instagram формируют нашу медиареальность не напрямую через цензуру, а через статистические модели, оптимизированные под вовлеченность.

В рамках данного проекта я рассматриваю YouTube не как медиаплатформу, а как систему данных, в которой алгоритмы опираются на количественные параметры: длительность видео, количество просмотров, лайков, комментариев, дату публикации и категорию контента.

Цель проекта — понять, какие числовые характеристики видео чаще всего связаны с высокой популярностью, и каким образом это может влиять на то, что в итоге оказывается в рекомендациях.

В поиске подходящего мне датасета на сайте Kaggle я наткнулась на данные о видео, попадающих в раздел Trending на YouTube. Поскольку значительная часть контента, который я смотрю каждый день, формируется алгоритмами рекомендаций, мне стало интересно разобраться, по каким признакам платформа решает, что именно показывать пользователю. Поэтому я решила взять этот датасет и попробовать посмотреть на YouTube не как на медиаплатформу, а как на набор чисел и статистических зависимостей.

В ходе работы я опиралась на метаданные видео: количество просмотров, лайков и комментариев, длительность видео, дату публикации и категорию контента. Эти параметры напрямую не описывают качество контента, но именно они чаще всего используются алгоритмами для оценки популярности и вовлеченности.

Типы диаграмм

В проекте были использованы следующие типы визуализаций:

(01) гистограмма (02) точечная диаграмма (03) столбчатая диаграмма (04) boxplot (ящик с усами)

Выбор пал на диаграммы, которые позволяют наглядно показать распределения значений, сравнить группы данных и визуально проследить зависимости между параметрами.

В рамках проекта для создания визуального образа обложки была использована генеративная модель Ideogram. Модель применялась для генерации иллюстрации на основе текстового запроса, отражающего тематику проекта — влияние алгоритмов рекомендаций и данных на формирование медиапотока и пользовательского внимания.

Для начала я импортировала необходимые библиотеки для анализа данных и визуализации: pandas, numpy и matplotlib.pyplot. После этого был считан CSV-файл с датасетом, загруженным с платформы Kaggle, содержащий информацию о видео, попадавших в раздел Trending на YouTube.

На первом этапе я провела предварительный осмотр данных: проверила структуру таблицы, названия столбцов и наличие пропущенных значений. Это позволило убедиться, что данные корректно загружены и подходят для дальнейшего анализа.

(1) Для начала я импортировала необходимые библиотеки

(2) Загрузила CSV

(3) Корректно обработала «битый» датасет с помощью альтернативного парсера

После загрузки датасета я проанализировала структуру таблицы и выделила ключевые параметры, отражающие популярность и вовлеченность видео: количество просмотров, лайков и комментариев, категорию контента, а также даты публикации и попадания в тренды. Эти столбцы были использованы для дальнейшего анализа и визуализации данных.

Для анализа распределения просмотров я использовала гистограмму. Однако из-за сильной асимметрии данных стандартная визуализация оказалась плохо читаемой: небольшое количество видео имеет экстремально высокие значения просмотров.

Чтобы корректно отразить структуру данных, я применила логарифмическое преобразование значений просмотров (log10(views + 1)). Это позволило визуально сравнить видео с разными порядками популярности и получить более наглядное распределение.

Данная гистограмма показывает распределение просмотров среди трендовых видео на YouTube. Наибольшее количество видео сосредоточено в диапазоне средних значений просмотров — около сотен тысяч. Это говорит о том, что для попадания в раздел трендов видео не обязательно должно быть экстремально популярным: большинство трендовых роликов имеют схожий, «типичный» уровень просмотров, тогда как видео с очень низкими или, наоборот, чрезвычайно высокими показателями встречаются значительно реже.

После анализа распределения просмотров трендовых видео логично возникает вопрос о том, какие факторы связаны с их популярностью. Одним из ключевых показателей вовлеченности аудитории являются лайки, так как они отражают не просто факт просмотра, а активную реакцию зрителей на контент. Чтобы понять, существует ли связь между количеством просмотров и уровнем вовлеченности, я решила визуализировать зависимость между просмотрами и лайками у трендовых видео на YouTube.

Для этого была использована точечная диаграмма, позволяющая отразить каждое видео как отдельную точку и наглядно показать общую структуру зависимости между двумя параметрами.

Конечно, с ростом числа просмотров, как правило, увеличивается и количество лайков. При этом облако точек имеет заметную ширину, что указывает на различия в уровне вовлеченности аудитории — видео с сопоставимым количеством просмотров могут получать разное количество лайков. Это говорит о том, что популярность видео определяется не только охватом, но и качеством взаимодействия зрителей с контентом.

В процессе подготовки данных я обнаружила, что часть видео не имеет указания категории. Вместо удаления этих строк я привела значения category_id к числовому формату с обработкой пропусков и сопоставила идентификаторы категорий с их текстовыми названиями при помощи JSON-файла. Такой подход позволил сохранить максимум данных и корректно работать с категориальными признаками.