ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਜ਼ਰੀਆ ਕਿ ByteDance ਨੇ TikTok/Douyin ਨੂੰ ਕਿਵੇਂ ਵਧਾਇਆ—ਡਾਟਾ-ਚਲਿਤ ਸਿਫਾਰਸ਼ਾਂ ਅਤੇ ਕ੍ਰੀਏਟਰ ਇਨਸੈਂਟਿਵਸ ਜੋ ਰਿਟੇਨਸ਼ਨ, ਉਤਪਾਦਨ, ਅਤੇ ਵਿਕਾਸ ਨੂੰ ਬਢ਼ਾਉਂਦੇ ਹਨ।

ਇੱਕ attention engine ਇਕ ਐਸਾ ਸਿਸਟਮ ਹੈ ਜੋ ਇਕੱਠੇ ਦੋ ਕੰਮ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ: ** ਦਰਸ਼ਕਾਂ ਨੂੰ ਜੁੜੇ ਰੱਖਣਾ ** ਅਤੇ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਪੋਸਟ ਕਰਦੇ ਰਹਿਣ ਲਈ ਪ੍ਰੋਤਸਾਹਿਤ ਕਰਨਾ। ByteDance ਦੇ ਪ੍ਰੋਡਕਟਾਂ, ਜਿਵੇਂ TikTok ਅਤੇ Douyin, ਲਈ “ਇੰਜਣ” ਸਿਰਫ਼ ਉਹ ਐਲਗੋਰਿਦਮ ਨਹੀਂ ਜੋ ਤੁਹਾਡੀ ਅਗਲੀ ਵੀਡੀਓ ਚੁਣਦਾ—ਇਹ ਉਹ ਸੰਯੋਜਨ ਹੈ ਜੋ ਰਿਕਮੈਂਡੇਸ਼ਨ, ਕ੍ਰੀਏਟਰ ਇਨਾਮਾਂ ਅਤੇ ਪ੍ਰੋਡਕਟ ਡਿਜ਼ਾਈਨ ਨੂੰ ਮਿਲਾਕੇ ਲਗਾਤਾਰ ਲੋਕਾਂ ਲਈ ਮਨਪਸੰਦ ਸਮੱਗਰੀ ਮੁਹੱਈਆ ਕਰਵਾਉਂਦਾ ਹੈ।
ਜੇ ਇੱਕ ਪਰੰਪਰਾਵਾਦੀ ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ “ਜਿਸਨੂੰ ਤੁਸੀਂ follow ਕਰਦੇ ਹੋ” ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣਿਆ ਹੈ, ਤਾਂ ByteDance ਦਾ ਮਾਡਲ “ਕਿਹੜੀ ਗੱਲ ਤੁਹਾਡਾ ਧਿਆਨ ਰੱਖਦੀ ਹੈ” ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣਿਆ ਹੈ। ਐਪ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਦਾ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਕੀ ਪਸੰਦ ਆਵੇਗਾ, ਫਿਰ ਉਸੇ ਚੀਜ਼ ਦੀ ਹੋਰ ਸੇਵਾ ਕਰਦਾ ਹੈ—ਇਸੇ ਨਾਲ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਲਗਾਤਾਰ ਪਬਲਿਸ਼ ਕਰਨ ਅਤੇ ਆਪਣੀਆਂ ਵੀਡੀਓਜ਼ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕਾਰਨ ਮਿਲਦੇ ਹਨ।
ਇਹ ByteDance ਦੀ ਪੂਰੀ ਇਤਿਹਾਸ ਨਹੀਂ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਮਕੈਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਅਨੁਭਵ ਕਰਦੇ ਹਨ:
ਇਹ ਇੱਕ ਉੱਪਰੀ ਪੱਧਰ ਦਾ ਵਿਵਰਨ ਹੈ—ਇੱਥੇ ਕੋਈ ਪ੍ਰੋਪ੍ਰਾਇਟਰੀ ਵੇਰਵੇ, ਅੰਦਰੂਨੀ ਮੈਟ੍ਰਿਕਸ ਜਾਂ ਗੁਪਤ ਫਾਰਮੂਲੇ ਨਹੀਂ ਹਨ—ਸਿਰਫ਼ ਪ੍ਰਾਇਕਟਿਕ ਸੰਕਲਪ ਜੋ ਤੁਹਾਨੂੰ ਲੂਪ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨਗੇ।
ਰਿਕਮੈਂਡੇਸ਼ਨ ਤੇਜ਼ ਫੀਡਬੈਕ ਪੈਦਾ ਕਰਦੇ ਹਨ: ਜਦੋਂ ਇੱਕ ਕ੍ਰੀਏਟਰ ਪੋਸਟ ਕਰਦਾ ਹੈ, ਸਿਸਟਮ ਵੀਡੀਓ ਨੂੰ ਛੋਟੇ ਦਰਸ਼ਕ ਸਮੂਹਾਂ ਨਾਲ ਟੈਸਟ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਜੇ ਲੋਕ ਦੇਖਦੇ, ਮੁੜ ਦੇਖਦੇ, ਜਾਂ ਸਾਂਝਾ ਕਰਦੇ ਹਨ ਤਾਂ ਉਸਨੂੰ ਵੱਧ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ।
ਇਨਸੈਂਟਿਵ (ਪੈਸਾ, ਵਿਜ਼ੀਬਿਲਟੀ, ਟੂਲ, ਸਟੇਟਸ) ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਉਸ ਫੀਡਬੈਕ 'ਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਰਨ ਲਈ ਮੋਟੀਵੇਟ ਕਰਦੇ ਹਨ। ਕ੍ਰੀਏਟਰ ਜਾਨਦੇ ਹਨ ਕਿ ਕੀ ਚੰਗਾ ਕਰਦਾ ਹੈ, ਸੋਧ ਕਰਦੇ ਹਨ, ਅਤੇ ਫਿਰ ਫੇਰ ਪੋਸਟ ਕਰਦੇ ਹਨ।
ਇਕੱਠੇ, ਇਹ ਤਾਕਤਾਂ ਇਕ ਆਪਣੇ ਆਪ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਵਾਲਾ ਚੱਕਰ ਬਣਾਉਂਦੀਆਂ ਹਨ: ਬਿਹਤਰ ਟਾਰਗੇਟਿੰਗ ਦਰਸ਼ਕਾਂ ਨੂੰ ਰੁਚਿ ਰੱਖਦੀ ਹੈ, ਅਤੇ ਕ੍ਰੀਏਟਰ ਮੋਟੀਵੇਸ਼ਨ ਸਮੱਗਰੀ ਦੀ ਸਪਲਾਈ ਨਵੀਨਤਮ ਰੱਖਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਰਿਕਮੈਂਡਰ ਕੋਲ ਹੋਰ ਡਾਟਾ ਆ ਜਾਂਦਾ ਹੈ।
ਜਿਆਦਾਤਰ ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ ਇੱਕ ਸਧਾਰਨ ਵਾਅਦੇ ਨਾਲ ਸ਼ੁਰੂ ਹੋਏ: ਜੋ ਤੁਹਾਡੇ ਦੋਸਤਾਂ (ਜਾਂ follow ਕੀਤੇ ਖਾਤਿਆਂ) ਨੇ ਪੋਸਟ ਕੀਤਾ, ਉਹ ਹੀ ਤੁਹਾਨੂੰ ਦਿਖੇਗਾ। ਇਹ ਇੱਕ social-graph feed ਹੈ—ਤੁਹਾਡੇ ਕਨੈਕਸ਼ਨ ਤੁਹਾਡੀ ਸਮੱਗਰੀ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।
ByteDance ਨੇ ਇੱਕ ਵੱਖਰਾ ਡੀਫੌਲਟ ਪਸੰਦ ਕਰਵਾਇਆ: ਇੱਕ interest graph। ਇਹ “ਤੁਸੀਂ ਕਿਸਨੂੰ ਜਾਣਦੇ ਹੋ?” ਪੁੱਛਣ ਦੀ ਥਾਂ “ਤੁਸੀਂ ਇਸ ਵੇਲੇ ਕੀ ਪਸੰਦ ਕਰਦੇ ਦਿਖ ਰਹੇ ਹੋ?” ਪੁੱਛਦਾ ਹੈ। ਫੀਡ ਰਿਸ਼ਤਿਆਂ ਦੀ ਥਾਂ ਵਿਹਾਰ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਬਣਦੀ ਹੈ।
social-graph ਫੀਡ ਵਿੱਚ discovery ਅਕਸਰ ਧੀਮੀ ਹੁੰਦੀ ਹੈ। ਨਵੇਂ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਲੋਕਾਂ ਤੱਕ ਪਹੁੰਚਣ ਲਈ followers ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਯੂਜ਼ਰਾਂ ਨੂੰ ਆਪਣੇ follow ਕੀਤਿਆਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਨ ਲਈ ਸਮਾਂ ਲੱਗਦਾ ਹੈ।
interest-graph ਫੀਡ ਵਿੱਚ, ਸਿਸਟਮ ਕਿਸੇ ਦੀ ਵੀ ਸਮੱਗਰੀ ਤੁਰੰਤ ਸਿਫਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਜੇ ਇਹ ਅਨੁਮਾਨ ਲਗਾਏ ਕਿ ਉਹ ਤੁਹਾਡੇ ਮਨ ਨੂੰ ਖੁਸ਼ ਕਰੇਗੀ। ਇਸ ਨਾਲ ਪਲੇਟਫਾਰਮ ਨਵਾਂ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਜੀਵੰਤ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ।
ਅਹਿਮ ਪ੍ਰੋਡਕਟ ਚੋਣ ਹੈ ਡੀਫੌਲਟ ਲੈਂਡਿੰਗ ਅਨੁਭਵ: ਤੁਸੀਂ ਐਪ ਖੋਲ੍ਹਦੇ ਹੋ ਅਤੇ ਫੀਡ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦੀ ਹੈ।
“For You”-ਸਟਾਈਲ ਪੇਜ ਤੁਹਾਨੂੰ ਨੈੱਟਵਰਕ ਬਣਾਉਣ ਲਈ ਉਡੀਕ ਨਹੀਂ ਕਰਵਾਉਂਦਾ। ਇਹ ਝੱਟ ਸਿਗਨਲਾਂ—ਤੁਸੀਂ ਕੀ ਦੇਖਦੇ ਹੋ, ਛੱਡਦੇ ਹੋ, ਮੁੜ ਵੇਖਦੇ ਹੋ, ਜਾਂ ਸਾਂਝਾ ਕਰਦੇ ਹੋ—ਨੂੰ ਸਿੱਖ ਕੇ ਕੁਝ ਮਿੰਟਾਂ ਵਿੱਚ ਨਿੱਜੀ ਸਟਰੀਮ ਬਣਾਉਂਦਾ ਹੈ।
ਛੋਟੀਆਂ ਵੀਡੀਓਜ਼ ਤੇਜ਼ ਸਮਪਲਿੰਗ ਨੂੰ ਯੋਗ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਕਿਸੇ ਸਮੱਗਰੀ ਦੇ ਟुकੜੇ ਨੂੰ ਸਕਿੰਟਾਂ ਵਿੱਚ ਅੰਕੜਾ ਸਕਦੇ ਹੋ, ਜਿਸ ਨਾਲ ਲੰਬੇ ਫਾਰਮੈਟ ਨਾਲੋਂ ਪ੍ਰਤੀ ਮਿੰਟ ਜ਼ਿਆਦਾ ਫੀਡਬੈਕ ਮਿਲਦਾ ਹੈ।
ਜ਼ਿਆਦਾ ਫੀਡਬੈਕ ਦਾ ਮਤਲਬ ਤੇਜ਼ ਸਿੱਖਣਾ: ਸਿਸਟਮ ਕਈ ਵਿਸ਼ਿਆਂ ਅਤੇ ਸਟਾਈਲਾਂ ਦੀ ਟੈਸਟਿੰਗ ਕਰ ਸਕਦਾ ਹੈ, ਫਿਰ ਉਸ 'ਤੇ ਦੋਹਰਾ ਧਿਆਨ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡਾ ਧਿਆਨ ਰੱਖਦਾ ਹੈ।
ਛੋਟੇ ਡਿਜ਼ਾਈਨ ਚੋਣ interest graph ਨੂੰ ਤੇਜ਼ ਕਰਦੀਆਂ ਹਨ:
ਇਨ੍ਹਾਂ ਮਕੈਨਿਕਾਂ ਨਾਲ ਹਰ ਸੈਸ਼ਨ ਇੱਕ ਤੇਜ਼ ਪ੍ਰੇਰਣ ਖੋਜ ਵਿੱਚ ਤਬਦੀਲ ਹੋ ਜਾਂਦਾ ਹੈ—ਕਮ ਹੁੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸਨੂੰ follow ਕਰਦੇ ਹੋ, ਜ਼ਿਆਦਾ ਹੁੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕੀ ਨਾ ਦੇਖ ਸਕੋ।
ByteDance-ਸਟਾਈਲ ਫੀਡ ਵੀਡੀਓਜ਼ ਨੂੰ ਉਹ ਤਰ੍ਹਾਂ “ਸਮਝਦੀ” ਨਹੀਂ ਜਿਵੇਂ ਮਨੁੱਖ ਸਮਝਦੇ ਹਨ। ਇਹ ਸਿਗਨਲਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ: ਛੋਟੇ ਨਿਸ਼ਾਨ ਕਿ ਤੁਸੀਂ ਕਿਸ ਪੀਸ ਸਮੱਗਰੀ ਦੇਖਣ ਤੋਂ ਬਾਅਦ ਕੀ ਕੀਤਾ (ਜਾਂ ਨਹੀਂ ਕੀਤਾ)। ਲੱਖਾਂ ਸੈਸ਼ਨਾਂ ਵਿੱਚ, ਇਹ ਸਿਗਨਲ ਇੱਕ ਕਾਰਗਰ ਨਕਸ਼ਾ ਬਣ ਜਾਂਦੇ ਹਨ ਕਿ ਵੱਖ-ਵੱਖ ਦਰਸ਼ਕਾਂ ਨੂੰ ਕੀ ਰੁਚੀ ਰੱਖਦਾ ਹੈ।
ਸਭ ਤੋਂ ਉਪਯੋਗੀ ਸਿਗਨਲ ਅਕਸਰ implicit ਹੁੰਦੇ ਹਨ—ਜੋ ਤੁਸੀਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਬਿਨਾਂ ਕਿਸੇ ਬਟਨ ਦਬਾਉਣ ਦੇ ਕਰਦੇ ਹੋ। ਉਦਾਹਰਣਾਂ:
Explicit ਸигਨਲ ਉਹ ਹੱਥਾਂ ਹਨ ਜੋ ਤੁਸੀਂ ਜਾਣ-ਬੂਝ ਕੇ ਦਿੰਦੇ ਹੋ:
ਇੱਕ ਮੁੱਖ ਵਿਚਾਰ: ਕੇਵਲ ਵੇਖਣਾ ਵੀ ਇਕ “ਵੋਟ” ਹੈ, ਭਾਵੇਂ ਤੁਸੀਂ ਕਦੇ like ਨਾ ਦਿਓ। ਇਸੇ ਲਈ ਕ੍ਰੀਏਟਰ ਪਹਿਲੇ ਸਕਿੰਟ ਤੇ ਧਿਆਨ ਕਰਦੇ ਹਨ—ਕਿਉਂਕਿ ਸਿਸਟਮ ਧਿਆਨ ਨੂੰ ਬਹੁਤ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਮਾਪ ਸਕਦਾ ਹੈ।
ਹਰ ਫੀਡਬੈਕ ਸਕਾਰਾਤਮਕ ਨਹੀਂ ਹੁੰਦੀ। ਫੀਡ ਨਕਾਰਾਤਮਕ ਸਿਗਨਲਾਂ ਤੇ ਵੀ ਧਿਆਨ ਦਿੰਦਾ ਹੈ ਜੋ ਮਿਲਣ ਵਾਲੀ ਸਮੱਗਰੀ ਨਾਲ ਅਣਮਿਲਾਪ ਦਿਖਾਉਂਦੇ ਹਨ:
ਪਸंदी/ਨਸਲ ਤੋਂ ਵੱਖਰੇ, ਸੁਰੱਖਿਆ ਅਤੇ ਨੀਤੀਆਂ ਵੀ ਹਨ। ਕੁਝ ਸਮੱਗਰੀ ਨਿਯਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸੀਮਤ ਜਾਂ ਬਾਹਰ ਰੱਖੀ ਜਾ ਸਕਦੀ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ misinformation, ਖਤਰਨਾਕ ਚੈਲੈਂਜ, ਜਾਂ ਉਮਰ-ਸੰਵੇਦਨਸ਼ੀਲ ਪੁਆਇੰਟ)।
ਸਿਗਨਲ ਇੱਕੋ ਜਿਹੇ ਨਹੀਂ ਹੁੰਦੇ। ਉਨ੍ਹਾਂ ਦੀ ਮਹੱਤਤਾ ਖੇਤਰ (ਸਥਾਨਕ ਨਿਯਮ), ਸਮੱਗਰੀ ਕਿਸਮ (ਮਿਊਜ਼ਿਕ ਕਲਿੱਪ vs. ਸਿੱਖਿਆਈ ਵੀਡੀਓ) ਅਤੇ ਯੂਜ਼ਰ ਸੰਦਰਭ (ਦਿਨ ਦਾ ਸਮਾਂ, ਨੈੱਟਵਰਕ ਹਾਲਤ, ਨਵਾਂ ਦਰਸ਼ਕ, ਅਤੇ ਹਾਲੀਆ ਦੇਖਿਆ ਗਿਆ) ਦੇ ਆਧਾਰ 'ਤੇ ਬਦਲ ਸਕਦੀ ਹੈ। ਸਿਸਟਮ ਲਗਾਤਾਰ ਇਹ ਅਨੁਮਾਨ ਲਗਾ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕਿਸ ਸਿਗਨਲ ਤੇ ਇਸ ਵੇਲੇ ਵਿਸ਼ਵਾਸ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਇਕ ਛੋਟਾ-ਵੀਡੀਓ ਫੀਡ ਅਸਲ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਅਨੁਸੰਧਾਨ ਕਰ ਰਹੀ ਹੈ, ਪਰ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਇਕ ਸਧਾਰਨ ਲੂਪ ਦਾ ਪਾਲਣ ਕਰਦੀ ਹੈ: ਸੰਭਵ ਵੀਡੀਓਜ਼ ਦੀ ਇੱਕ ਸੈਟ ਲੱਭੋ ਅਤੇ ਫਿਰ ਉਸ ਵਿੱਚੋਂ ਤੁਹਾਡੇ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਚੁਣੋ।
ਪਹਿਲਾਂ, ਸਿਸਟਮ ਉਹ ਵੀਡੀਓਜ਼ ਸ਼ੋਰਟਲਿਸਟ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਪਸੰਦ ਆ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਅਜੇ ਪੱਕਾ ਚੋਣ ਨਹੀਂ—ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਲਪ ਇਕੱਠੇ ਕਰਨ ਲਈ ਇੱਕ ਸਕੈਨ ਹੈ।
ਉਮੀਦਵਾਰ ਆ ਸਕਦੇ ਹਨ:
ਲਕੜੀ ਦਾ ਮਕਸਦ ਤੇਜ਼ੀ ਅਤੇ ਵੈਰੀਟੀ ਹੈ: ਵਿਕਲਪ ਤੇਜ਼ੀ ਨਾਲ ਪੈਦਾ ਕਰੋ ਬਿਨਾਂ ਜ਼ਰੂਰਤ ਤੋਂ ਪਹਿਲਾਂ overfitting ਕੀਤੇ।
ਅਗਲਾ, ਰੈਂਕਿੰਗ ਉਹ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਸਕੋਰ ਕਰਦੀ ਹੈ ਅਤੇ ਅਗਲਾ ਵੇਖਾਉਣ ਲਈ ਫੈਸਲਾ ਕਰਦੀ ਹੈ। ਇਸਨੂੰ ਇੱਕ ਸ਼ੌਰਟਲਿਸਟ ਨੂੰ “ਆਜ਼ਾਦੀਸ਼ ਮੁਲ੍ਯ” ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚੋ—ਜੋ ਸਭ ਤੋਂ ਜ਼ਿਆਦਾ ਸੰਭਵ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਰੁਚੀ ਰੱਖੇ।
ਸਿਗਨਲਾਂ ਵਿੱਚ watch time, rewatches, skips, likes, comments, ਅਤੇ shares ਸ਼ਾਮਿਲ ਹੁੰਦੇ ਹਨ।
ਹੜ੍ਹੇ ਹੋ ਕੇ ਸਿਰਫ਼ “ਸੁਰੱਖਿਅਤ” ਸਮੱਗਰੀ ਦਿਖਾਉਣ ਤੋਂ ਬਚਣ ਲਈ, ਫੀਡ ਵਿਚ exploration ਵੀ ਹੁੰਦੀ ਹੈ। ਨਵੀਂ ਜਾਂ ਅਣਜਾਣ ਵੀਡੀਓ ਪਹਿਲਾਂ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਨੂੰ ਦਿਖਾਈ ਜਾ ਸਕਦੀ ਹੈ। ਜੇ ਉਹ ਸਮੂਹ ਉਮੀਦ ਤੋਂ ਵੱਧ ਵੇਖਦਾ/ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ, ਤਾਂ distribution ਵਧਦਾ; ਨਹੀਂ ਤਾਂ ਇਹ धीਮਾ ਹੋ ਜਾਂਦਾ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਬਿਨਾਂ followers ਦੇ ਵੀ ਕੋਈ viral ਹੋ ਸਕਦਾ ਹੈ।
ਕਿਉਂਕਿ ਤੁਸੀਂ ਹਰ swipe 'ਤੇ ਫੀਡਬੈਕ ਦਿੰਦੇ ਹੋ, ਤੁਹਾਡਾ ਪ੍ਰੋਫ਼ਾਈਲ ਕੁਝ ਮਿੰਟਾਂ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ। ਤਿੰਨ cooking ਕਲਿੱਪਾਂ ਨੂੰ ਪੂਰਾ ਦੇਖੋ ਅਤੇ ਤੁਹਾਨੂੰ ਹੋਰ ਮਿਲਣਗੀਆਂ; ਜੇ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਛੱਡਣਾ ਸ਼ੁਰੂ ਕਰੋਗੇ ਤਾਂ ਫੀਡ ਜਲਦੀ ਪਿਵਟ ਕਰ ਦੇਵੇਗੀ।
ਸਭ ਤੋਂ ਵਧੀਆ ਫੀਡ "ਜੋ ਪਹਿਲਾਂ ਚੰਗਾ ਸੀ" ਨਾਲ "ਕੁਝ ਨਵਾਂ" ਮਿਲਾਉਂਦੀ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਰਚਿਤ ਥੱਕਾ ਦੇਂਦਾ ਹੈ; ਬਹੁਤ ਨਵਾਂ ਅਸੰਬੰਧਿਤ ਲੱਗਦਾ ਹੈ। ਫੀਡ ਦਾ ਕੰਮ ਇਹ ਸੰਤੁਲਨ ਰੱਖਣਾ ਹੈ—ਇੱਕ ਅੱਗੇ ਦੀ ਵੀਡੀਓ ਦੇ ਰਾਹੀਂ।
Cold start ਉਹ "ਖਾਲੀ ਸਲੇਟ" ਸਮੱਸਿਆ ਹੈ: ਸਿਸਟਮ ਨੂੰ ਚੰਗੀ ਸਿਫਾਰਸ਼ੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ ਜਦ ਤਕ ਉਸ ਕੋਲ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪੂਰੀ ਇਤਿਹਾਸ ਨਹੀਂ ਹੁੰਦੀ—ਜਾਂ ਇਹ ਨਹੀਂ ਪਤਾ ਕਿ ਨਵੀਂ ਵੀਡੀਓ ਕਿਸ ਤਰ੍ਹਾਂ ਕਰੇਗੀ।
ਨਵੇਂ ਯੂਜ਼ਰ ਨਾਲ, ਫੀਡ ਪਿਛਲੇ ਵੇਖਣ ਸਮਾਂ, skips ਜਾਂ rewatches 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਇਸ ਲਈ ਇਹ ਕੁਝ ਮਜ਼ਬੂਤ ਅਨੁਮਾਨਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ:
ਮਕਸਦ ਪਹਿਲੇ swipe 'ਤੇ ਪੂਰਨ ਹੋਣਾ ਨਹੀਂ—ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਸਾਫ਼ ਫੀਡਬੈਕ ਇਕੱਠਾ ਕਰਨਾ ਹੈ (ਤੁਸੀਂ ਕੀ ਪੂਰਾ ਵੇਖੋ ਜਾਂ skip ਕਰੋ) ਬਿਨਾਂ ਤੁਹਾਨੂੰ ਝੰਜਟ ਵਿੱਚ ਪਾਏ।
ਨਵੀਂ ਅਪਲੋਡ ਕੋਲ ਕੋਈ ਪ੍ਰਦਰਸ਼ਨ ਇਤਿਹਾਸ ਨਹੀਂ ਹੁੰਦੀ, ਅਤੇ ਇੱਕ ਨਵੇਂ ਕ੍ਰੀਏਟਰ ਕੋਲ followers ਨਹੀਂ ਹੋ ਸਕਦੇ। TikTok/Douyin ਵਰਗੇ ਸਿਸਟਮ ਫਿਰ ਵੀ ਉਨ੍ਹਾਂ ਨੂੰ ਉਭਰਣ ਦੇ ਸਕਦੇ ਹਨ ਕਿਉਂਕਿ ਵਿਆਪਨ follower ਗ੍ਰਾਫ 'ਤੇ ਸੀਮਿਤ ਨਹੀਂ ਹੁੰਦਾ।
ਇਸ ਦੀ ਥਾਂ, ਇੱਕ ਵੀਡੀਓ ਨੂੰ ਇੱਕ ਛੋਟੇ ਬੈਚ ਦਰਸ਼ਕਾਂ ਨੂ਼ ਦਿਖਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਉਸ ਵਿਸ਼ੇ ਜਾਂ ਫਾਰਮੈਟ ਨੂੰ ਪਸੰਦ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦੇ ਹਨ। ਜੇ ਦਰਸ਼ਕ ਉਮੀਦ ਤੋਂ ਵੱਧ ਵੇਖਦੇ, ਰੀਵਾਚ/ਸਾਂਝਾ/ਕਮੈਂਟ ਕਰਦੇ ਹਨ, ਤਾਂ ਸਿਸਟਮ ਟੈਸਟ ਵੱਡਾ ਕਰਦਾ ਹੈ।
ਇਸੇ ਲਈ “followers ਬਿਨਾਂ ਵਾਇਰਲ” ਹੋਣਾ ਮਮਕਿਨ ਹੈ: ਐਲਗੋਰਿਦਮ ਵੀਡੀਓ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦਾ ਮੁੱਲ ਦੇ ਰਿਹਾ ਹੁੰਦਾ ਹੈ, ਸਿਰਫ਼ ਕ੍ਰੀਏਟਰ ਦੇ ਮੌਜੂਦਾ ਦਰਸ਼ਕਾਂ ਦਾ ਨਹੀਂ।
Cold start ਦਾ ਇੱਕ ਜੋਖਮ ਹੈ: ਅਣਜਾਣ ਸਮੱਗਰੀ ਨੂੰ ਬਹੁਤ ਵਿਸ਼ਾਲ ਤੌਰ 'ਤੇ ਧੱਕਣਾ। ਪਲੇਟਫਾਰਮ ਇਸਨੂੰ ਜਲਦੀ ਪਛਾਣਨ ਲਈ spammy ਰਵੱਈਏ, reuploads, ਭਰਮਾਉਣ ਵਾਲੇ ਕੈਪਸ਼ਨ ਜਾਂ ਨੀਤੀ ਉਲੰਘਣਾ ਖੋਜਦੇ ਹਨ—ਇਸਦੇ ਨਾਲ-ਨਾਲ ਸਕਾਰਾਤਮਕ ਗੁਣਵੱਤਾ ਦੇ ਨਿਸ਼ਾਨ (ਸਪਸ਼ਟ ਵਿਜ਼ੂਅਲ, ਸਮਝਦਾਰ ਆਡੀਓ, ਮਜ਼ਬੂਤ completion rates) ਵੇਖਦੇ ਹਨ। ਸਿਸਟਮ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਪਰ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਅਸਫਲ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਕਰਦਾ ਹੈ।
ਛੋਟੀ ਵੀਡੀਓ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਤੰਗ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦੀ ਹੈ। ਇੱਕ ਸੈਸ਼ਨ ਵਿੱਚ, ਇੱਕ ਦਰਸ਼ਕ ਦਰਜ਼ਨੋਂ ਕਲਿੱਪ ਦੇਖ ਸਕਦਾ ਹੈ, ਹਰ ਇੱਕ ਦਾ ਤੁਰੰਤ ਨਤੀਜਾ ਹੁੰਦਾ ਹੈ: ਦੇਖਿਆ, swipe ਕੀਤਾ, rewatch ਕੀਤਾ, like ਕੀਤਾ, share ਕੀਤਾ, follow ਕੀਤਾ, ਜਾਂ ਸੈਸ਼ਨ ਰੋਕ ਦਿੱਤਾ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਿਸਟਮ ਲੰਬੇ ਫਾਰਮੈਟ ਨਾਲੋਂ ਪ੍ਰਤੀ ਮਿੰਟ ਜ਼ਿਆਦਾ ਟਰੇਨਿੰਗ ਉਦਾਹਰਣ ਇਕੱਤਰ ਕਰਦਾ ਹੈ।
ਹਰ swipe ਇਕ ਛੋਟਾ ਵੋਟ ਹੈ। ਗਿਆਨਕ ਢੰਗ ਨਾਲ ਕਹਿਣਾ ਸਹੀ ਹੈ ਕਿ ਵੱਧ ਵਾਰ ਫੈਸਲੇ recommender ਨੂੰ ਹੋਰ ਮਕਾਬਲਤਮਕ ਟੈਸਟ ਕਰਨ ਦੇ ਅਵਸਰ ਦਿੰਦੇ ਹਨ:
ਇਹ ਸਿਗਨਲ ਤੇਜ਼ੀ ਨਾਲ ਆਉਂਦੇ ਹਨ, ਇਸ ਲਈ ਰੈਂਕਿੰਗ ਮਾਡਲ ਆਪਣੀਆਂ ਉਮੀਦਾਂ ਜਲਦੀ ਅਪਡੇਟ ਕਰ ਸਕਦਾ ਹੈ—ਬਾਰ-ਬਾਰ ਪ੍ਰਕਟੀਸ਼ਨ ਅਤੇ ਸੁਧਾਰ ਰਾਹੀਂ ਸਹੀ ਹੋ ਰਿਹਾ ਹੈ।
ਪ੍ਰਦਰਸ਼ਨ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਵਾਇਰਲ spike ਨਾਲ ਨਹੀਂ ਢੁੱਕਦਾ। ਟੀਮਾਂ ਮੁੱਖ ਤੌਰ 'ਤੇ cohorts ਨੂੰ ਟਰੈਕ ਕਰਦੀਆਂ ਹਨ (ਉਹ ਯੂਜ਼ਰ ਜਿਨ੍ਹਾਂ ਨੇ ਇੱਕੋ ਹੀ ਦਿਨ/ਹਫਤਾ 'ਤੇ ਸ਼ੁਰੂ ਕੀਤਾ) ਅਤੇ retention curves (ਕਿੰਨੇ ਲੋਕ ਦਿਨ 1, ਦਿਨ 7, ਆਦਿ 'ਤੇ ਵਾਪਸ ਆਉਂਦੇ ਹਨ) ਦਾ ਅਧਿਐਨ ਕਰਦੀਆਂ ਹਨ।
ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਛੋਟੀ-ਵੀਡੀਓ ਫੀਡ ਛੋਟੇ ਸਮੇਂ ਵਾਲੀਆਂ ਜਿੱਤਾਂ ਨੂੰ ਪ੍ਰੋਮੋਟ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਲੰਮੇ ਸਮੇਂ ਲਈ ਬਣੀ ਨਹੀਂ ਰਹਿੰਦੀਆਂ। ਇੱਕ ਕਲਿੱਪ ਜੋ ਬਹੁਤ ਤੇਜ਼ ਟੈਪ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਸੰਖੇਪ ਸਮੇਂ ਵਿੱਚ watch time ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ, ਪਰ ਜੇ ਇਹ ਥਕਾਵਟ ਵਧਾਉਣ ਵਾਲੀ ਹੋਵੇ ਤਾਂ cohort ਦੀ ਰਿਟੇਨਸ਼ਨ curve ਬਾਅਦ ਵਿੱਚ ਥੱਲੇ ਜਾ ਸਕਦੀ ਹੈ। cohorts ਮਾਪ ਕੇ ਇਹ ਵੱਖ ਕਰਨਾ ਸਹੀ ਪੈਂਦਾ ਹੈ ਕਿ “ਇਹ ਅੱਜ ਚੰਗਾ ਕੀਤਾ” ਅਤੇ “ਇਹ ਲਗਾਤਾਰ ਲੋਕਾਂ ਨੂੰ ਵਾਪਸ ਲਿਆਉਂਦਾ” ਵਿੱਚ ਫਰਕ ਕੀ ਹੈ।
ਸਮੇਂ ਦੇ ਨਾਲ, ਤੰਗ ਲੂਪ ਰੈਂਕਿੰਗ ਨੂੰ ਹੋਰ ਨਿੱਜੀਕृत ਬਣਾਉਂਦੇ ਹਨ: ਹੋਰ ਡਾਟਾ, ਤੇਜ਼ ਟੈਸਟ, ਤੇਜ਼ ਸੁਧਾਰ। ਵਿਸਥਾਰ ਅਲੱਗ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਆਮ ਪ੍ਰਭਾਵ ਇਹ ਹੈ: ਛੋਟੀ ਵੀਡੀਓ ਸਿੱਖਣ-ਅਤੇ-ਸੁਧਾਰ ਚੱਕਰ ਨੂੰ ਮਿੰਟਾਂ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕਰ ਦਿੰਦੀ ਹੈ, ਦਿਨਾਂ ਵਿੱਚ ਨਹੀਂ।
ਕ੍ਰੀਏਟਰ ਸਿਰਫ਼ ਇਸ ਲਈ ਨਹੀਂ ਆਉਂਦੇ ਕਿ ਐਪ ਉੱਤੇ ਯੂਜ਼ਰ ਹਨ—ਉਹ ਇਸ ਲਈ ਆਉਂਦੇ ਹਨ ਕਿ ਪਲੇਟਫਾਰਮ ਇੱਕ ਸਾਫ਼ ਵਾਅਦਾ ਕਰਦਾ ਹੈ: ਸਹੀ ਚੀਜ਼ ਸਹੀ ਢੰਗ ਨਾਲ ਪੋਸਟ ਕਰੋ, ਅਤੇ ਤੁਹਾਨੂੰ ਇਨਾਮ ਮਿਲੇਗਾ।
ਅਧਿਕਤਰ ਕ੍ਰੀਏਟਰ ਹੇਠਾਂ ਦਿੱਤੇ ਮਕਸਦਾਂ ਨੂੰ ਸੰਭਾਲ ਰਹੇ ਹੁੰਦੇ ਹਨ:
ByteDance-ਸਟਾਈਲ ਫੀਡ ਉਹ ਨਤੀਜੇ reward ਕਰਦੇ ਹਨ ਜੋ ਸਿਸਟਮ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ:
ਇਹ ਹਦਫ਼ ਇਨਸੈਂਟਿਵ ਡਿਜ਼ਾਈਨ ਨੂੰ ਬਦਲਦੇ ਹਨ: ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਰੰਭਿਕ ਪ੍ਰਦਰਸ਼ਨ ਲਈ distribution boosts, ਆਉਟਪੁੱਟ ਵਧਾਉਣ ਵਾਲੇ ਫੀਚਰ (ਟੈਮਪਲੇਟ, ਇਫੈਕਟ), ਅਤੇ ਮੋਨਟਾਈਜ਼ੇਸ਼ਨ ਰਸਤੇ ਜੋ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਜੁੜੇ ਰੱਖਦੇ ਹਨ।
ਜਦੋਂ distribution ਇਨਾਮ ਹੁੰਦਾ ਹੈ, ਕ੍ਰੀਏਟਰ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਕੂਲ ਹੋ ਜਾਂਦੇ ਹਨ:
ਇਨਸੈਂਟਿਵ ਟੈਂਸ਼ਨ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ:
ਇਸ ਕਰਕੇ “ਕੋਝ ਜਿਨ੍ਹਾਂ ਨੂੰ ਇਨਾਮ ਮਿਲਦਾ ਹੈ” ਇਸ ਪਲੇਟਫਾਰਮ ਦੀ ਰਚਨਾਤਮਕ ਸੰਸਕ੍ਰਿਤੀ ਨੂੰ ਚੁੱਪਚਾਪ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ—ਅਤੇ ਜੋ ਦਰਸ਼ਕ ਵੇਖਦੇ ਹਨ ਉਹੀ ਆਖਰੀ ਨਤੀਜਾ ਹੁੰਦਾ ਹੈ।
ਕ੍ਰੀਏਟਰ ਇਨਸੈਂਟਿਵ ਸਿਰਫ਼ “ਲੋਕਾਂ ਨੂੰ ਪੋਸਟ ਕਰਨ ਲਈ ਪੈਸਾ ਦਿਓ” ਨਹੀਂ ਹੁੰਦੇ। ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਿਸਟਮ ਨਗਦ ਇਨਾਮ, ਪ੍ਰਦਰਸ਼ਨ-ਆਧਾਰਤ ਵੰਡ ਮਕੈਨਿਕਸ, ਅਤੇ ਪੈਦਾ ਕਰਨ ਵਾਲੇ ਟੂਲ ਨੂੰ ਮਿਲਾਉਂਦੇ ਹਨ ਜੋ ਵਿਚਾਰ ਤੋਂ ਅਪਲੋਡ ਤੱਕ समय ਘਟਾਉਂਦੇ ਹਨ। ਇਕੱਠੇ, ਇਹ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਬਣਾਉਣਾ ਸੰਭਵ ਅਤੇ ਮੁੱਲ-ਯੋਗ ਦਿਸਦਾ ਹੈ।
ਪ੍ਰਮੁੱਖ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਨਕਦੀ ਦੀ ਸਤਰ ਕਈ ਰੂਪਾਂ ਵਿੱਚ ਆਉਂਦੀ ਹੈ:
ਹਰ ਵਿਕਲਪ ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਪਲੇਟਫਾਰਮ ਕੀ ਕੀਮਤ ਮੰਨਦਾ ਹੈ। Revenue share scale ਅਤੇ consistency ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ; bonuses ਨਵੀਂ ਫਾਰਮੈਟ ਵੱਲ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਧਕਾ ਦੇ ਸਕਦੇ ਹਨ; tips community-building ਨੂੰ ਇਨਾਮ ਦਿੰਦੇ ਹਨ।
Distribution ਅਕਸਰ ਸਭ ਤੋਂ ਸਕਾਰਾਤਮਕ ਪ੍ਰੇਰਕ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਆਉਂਦੀ ਹੈ: ਇੱਕ ਵੱਖ-ਵੱਖ ਪੋਸਟ ਇੱਕ ਕ੍ਰੀਏਟਰ ਦਾ ਹਫ਼ਤਾ ਬਦਲ ਸਕਦੀ ਹੈ। ਪਲੇਟਫਾਰਮ ਉਤਪਾਦਨ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ:
ਜ਼ਰੂਰੀ ਗੱਲ ਇਹ ਹੈ ਕਿ distribution ਇਨਸੈਂਟਿਵ ਉਸ ਵੇਲੇ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ ਜਦੋਂ ਕ੍ਰੀਏਟਰ ਰਸਤੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਣ: “ਜੇ ਮੈਂ ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਪਬਲਿਸ਼ ਕਰਾਂ ਅਤੇ ਫਾਰਮੈਟ cues ਫੋਲੋ ਕਰਾਂ ਤਾਂ ਮੈਨੂੰ ਹੋਰ ਮੌਕੇ ਮਿਲਣਗੇ।”
ਸੰਪਾਦਨ, ਇਫੈਕਟ, ਟੈਮਪਲੇਟ, ਕੈਪਸ਼ਨ, ਮਿਊਜ਼ਿਕ ਲਾਇਬ੍ਰੇਰੀਆਂ ਅਤੇ built-in post scheduling friction ਘਟਾਉਂਦੇ ਹਨ। ਇਨ੍ਹਾਂ ਨਾਲ ਨਾਲ creator education ਪ੍ਰੋਗਰਾਮ—ਛੋਟੇ ਟਿਊਟੋਰਿਯਲ, best-practice ਡੈਸ਼ਬੋਰਡ, ਅਤੇ ਦੁਹਰਾਏ ਜਾ ਸਕਦੇ ਟੈਮਪਲੇਟ—ਪੇਸਿੰਗ, hooks, ਅਤੇ ਸੀਰੀਜ਼ ਫਾਰਮੈਟ ਸਿੱਖਾਉਂਦੇ ਹਨ।
ਇਹ ਟੂਲ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਸਿੱਧਾ ਤੌਰ 'ਤੇ ਪੈਸਾ ਨਹੀਂ ਦਿੰਦੇ, ਪਰ ਉਹ output ਵਧਾਉਂਦੇ ਹਨ ਕਿਉਂਕਿ ਚੰਗੀ ਸਮੱਗਰੀ ਬਾਰ-ਬਾਰ ਬਣਾਉਣਾ ਆਸਾਨ ਹੋ ਜਾਂਦਾ ਹੈ।
ByteDance ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਤਾਕਤ ਸਿਰਫ਼ “ਐਲਗੋਰਿਦਮ” ਜਾਂ “ਕ੍ਰੀਏਟਰ ਪੇਆਉਟ” ਨਹੀਂ—ਇਹ ਦੋਹਾਂਦਾ ਇਸ ਤਰ੍ਹਾਂ ਮਿਲਨਾ ਹੈ ਕਿ ਉਹ ਇੱਕ ਆਪਸ ਵਿੱਚ ਮਜ਼ਬੂਤ ਕਰਨ ਵਾਲਾ ਚੱਕਰ ਬਣਾਉਂਦੇ ਹਨ।
ਜਦੋਂ ਇਨਸੈਂਟਿਵ ਵਧਦੇ ਹਨ (ਪੈਸਾ, ਵੱਡੀ ਵਧਤ, ਕ੍ਰੀਏਟਰ ਟੂਲ), ਹੋਰ ਲੋਕ ਵਧਕੇ ਪੋਸਟ ਕਰਦੇ ਹਨ। ਵੱਧ ਪੋਸਟਿੰਗ ਜ਼ਿਆਦਾ ਵੈਰੀਟੀ ਪੈਦਾ ਕਰਦੀ: ਵੱਖ-ਵੱਖ ਨਿਸ਼, ਫਾਰਮੈਟ, ਅਤੇ ਸਟਾਈਲ।
ਉਹ ਵੈਰੀਟੀ ਰਿਕਮੈਂਡੇਸ਼ਨ ਸਿਸਟਮ ਨੂੰ ਹੋਰ ਚੋਣਾਂ ਦੇਂਦੀ ਹੈ ਜੋ ਟੈਸਟ ਅਤੇ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਬੇਹਤਰ ਮੇਲ ਵੇਖਣ ਸਮਾਂ, ਸੈਸ਼ਨ ਲੰਬਾਈ, ਅਤੇ ਵਾਪਸੀ ਯੂਜ਼ਰ ਵਧਾਉਂਦਾ ਹੈ। ਵੱਡਾ, ਹੋਰ ਨਿੱਜੀ ਦਰਸ਼ਕ ਫਿਰ ਕ੍ਰੀਏਟਰਾਂ ਲਈ ਹੋਰ ਇਨਾਮ ਬਣ ਜਾਂਦਾ ਹੈ—ਤੇ ਹੋਰ ਕ੍ਰੀਏਟਰ ਆਉਂਦੇ ਹਨ, ਅਤੇ ਲੂਪ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ।
ਇਸਨੂੰ ਤੁਸੀਂ ਇਸ ਤਰ੍ਹਾਂ ਸੋਚ ਸਕਦੇ ਹੋ:
ਇੱਕ follower-first ਨੈੱਟਵਰਕ 'ਤੇ ਵਿਕਾਸ ਅਕਸਰ ਰੁਕਿਆ ਹੋਇਆ ਲੱਗਦਾ ਹੈ: ਤੁਹਾਨੂੰ ਇੱਕ ਦਰਸ਼ਕ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਕਿ ਤੁਸੀਂ ਵਿਊਜ਼ ਪ੍ਰਾਪਤ ਕਰੋ, ਅਤੇ ਤੁਹਾਨੂੰ ਦਰਸ਼ਕ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਦਰਸ਼ਕ ਬਣ ਸਕੋ। ByteDance-ਸਟਾਈਲ ਫੀਡ ਇਸ ਅਵਸਥਾ ਨੂੰ ਭੰਗ ਕਰ ਦਿੰਦਾ ਹੈ।
ਕਿਉਂਕਿ distribution algorithmic ਹੈ, ਇੱਕ ਕ੍ਰੀਏਟਰ zero ਤੋਂ ਪੋਸਟ ਕਰਕੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ ਜੇ ਵੀਡੀਓ ਛੋਟੇ ਟੈਸਟ ਗਰੁੱਪ ਵਿੱਚ ਚੰਗਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰੇ। ਇਹ “ਕੋਈ ਵੀ ਪੋਸਟ ਚਮਕ ਸਕਦੀ ਹੈ” ਦੀ ਫੀਲ ਇਨਸੈਂਟਿਵਸ ਨੂੰ ਹੋਰ ਵਿਸ਼ਵਾਸਯੋਗ ਬਣਾਉਂਦੀ ਹੈ—ਭਾਂਵੇਂ ਕੇਵਲ ਇੱਕ ਛੋਟੀ ਪ੍ਰਤੀਸ਼ਤ ਹੀ ਬ੍ਰੇਕ ਥਰੂ ਹੁੰਦੀ।
ਟੈਮਪਲੇਟ, trending sounds, duets/stitches ਅਤੇ remix culture ਉਸ ਸਮਾਂ ਘਟਾਉਂਦੇ ਹਨ ਜੋ ਕਿਸੇ ਚੀਜ਼ ਨੂੰ ਬਣਾਉਣ ਲਈ ਲੱਗਦਾ ਹੈ। ਕ੍ਰੀਏਟਰਾਂ ਲਈ ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਨਵੀਂ ਚੀਜ਼ ਪੋਸਟ ਕਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਸਿਸਟਮ ਲਈ, ਇਹ ਇੱਕੋ ਜਿਹੇ ਫਾਰਮੈਟਾਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਪਤਾ ਲਗਾਉਂਣਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ।
ਜਦੋਂ ਇਨਸੈਂਟਿਵ ਨੇੜੇ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ, ਲੋਕ ਬਹੁਤ optimize ਕਰਨਗੇ। ਇਸ ਦਾ ਨਤੀਜਾ repost farms, ਦੋਹਰਾਏ ਜਾਣ ਵਾਲੇ ਟ੍ਰੈਂਡ-ਚੇਜ਼, ਭਰਮਾਉਣ ਵਾਲੇ hooks, ਜਾਂ “ਐਲਗੋਰਿਦਮ ਲਈ ਬਣਾਈ ਗਈ” ਸਮੱਗਰੀ ਹੋ ਸਕਦੀ ਹੈ ਜਿਸਦਾ ਦਰਸ਼ਕਾਂ ਲਈ ਘੱਟ ਮੁੱਲ ਹੁੰਦਾ ਹੈ। ਸਮੇਂ ਦੇ ਨਾਲ saturation ਮੁਕਾਬਲੇ ਵਧਾਉਂਦਾ ਹੈ ਅਤੇ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਵੰਡ ਨੂੰ ਰੱਖਣ ਲਈ ਹੋਰ ਤੇਜ਼ ਰਣਨੀਤੀਆਂ ਅਪਨਾਉਣੇ ਪੈਂਦੇ ਹਨ।
ਲੋਕਾਂ ਨੂੰ ਫੀਡ ਵਿੱਚ ਰੱਖਣਾ ਅਕਸਰ “watch time” ਖੇਡ ਵਜੋਂ ਵੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਕੇਵਲ watch time ਇੱਕ ਸਖ਼ਤ ਹਥਿਆਰ ਹੈ। ਜੇ ਪਲੇਟਫਾਰਮ ਸਿਰਫ਼ ਮਿੰਟਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਕਰਦੀ ਰਹੇ, ਤਾਂ ਇਹ spammy repetition, ਅਤਿ-ਚਰਚਿਤ ਸਮੱਗਰੀ ਜਾਂ ਨਸ਼ੇਦੀ ਲੂਪ ਵੱਲ ਜਾ ਸਕਦੀ ਹੈ—ਜੋ ਬਾਅਦ ਵਿੱਚ churn, ਮੰਦਾ ਪ੍ਰੈੱਸ, ਅਤੇ ਨਿਯਮਕ ਦਬਾਅ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ।
ByteDance-ਸਟਾਈਲ ਸਿਸਟਮ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਬੰਡਲ ਦੇ ਟੀਚਿਆਂ ਨੂੰ optimize ਕਰਦੇ ਹਨ: ਪੇਸ਼ਗੀ ਮਨੋਰੰਜਨ, “ਕੀ ਤੁਸੀਂ ਇਹ ਸਿਫਾਰਸ਼ ਕਰੋਗੇ?”, completion rate, replays, skips, follows, ਅਤੇ ਨਕਾਰਾਤਮਕ ਸਿਗਨਲ। ਮਕਸਦ ਨਾ ਸਿਰਫ਼ ਵੱਧ ਦੇਖਣਾ ਹੈ, ਬਲਕਿ ਚੰਗਾ ਦੇਖਣਾ—ਉਹ ਸੈਸ਼ਨ ਜੋ ਲਾਇਕ ਤੇ ਮੂਲ-ਪੂਰਨ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ।
ਸੁਰੱਖਿਆ ਅਤੇ ਨੀਤੀਆਂ ਵੀ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਕੀ ਰੈਂਕ ਹੋ ਸਕਦਾ ਹੈ।
ਥਕਾਵਟ ਅਕਸਰ ਦੋਹਰਾਅ ਵਜੋਂ ਸਾਹਮਣੇ ਆਉਂਦੀ ਹੈ: ਇੱਕੋ ਹੀ ਸਾਊਂਡ, ਇਕੋ ਹੀ ਮਜ਼ਾਕ ਦਾ ਸਟ੍ਰੱਕਚਰ, ਇਕੋ ਹੀ ਕ੍ਰੀਏਟਰ ਆਰਕੀਟਾਈਪ। ਜੇ ਇਹ ਚੀਜ਼ਾਂ ਚੰਗਾ ਕਰਦੀਆਂ ਹਨ, ਫਿਰ ਵੀ ਬਹੁਤ ਇੱਕਸਾਰਤਾ ਫੀਡ ਨੂੰ ਨਕਲੀ ਕਰ ਸਕਦੀ ਹੈ।
ਇਸਨੂੰ ਰੋਕਣ ਲਈ, ਫੀਡ ਛੋਟੀਆਂ ਤਰੀਕਿਆਂ ਨਾਲ ਵੱਖਰੇਪਨ ਸਿਨ੍ਹੇਟ ਕਰਦੀ ਹੈ: ਵਿਸ਼ਿਆਂ ਨੂੰ ਘੁਮਾਉਣਾ, ਪਰਚਿਤ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਨਵੀਂਆਂ ਨਾਲ ਮਿਲਾਉਣਾ, ਅਤੇ near-duplicate ਫਾਰਮੈਟਾਂ ਦੀ ਦੌਰਾਨਾ ਸੀਮਾ ਲਗਾਉਣਾ। ਵੈਰੀਟੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਰਿਟੇਨਸ਼ਨ ਨੂੰ ਬਚਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਕੁਰੀਓਸਿਟੀ ਨੂੰ ਜ਼ਿੰਦਾ ਰੱਖਦੀ ਹੈ।
“ਦੇਖਦੇ ਰਿਹਾ” ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਗਾਰਡਰੇਲਜ਼ ਲਾਜ਼ਮੀ ਹਨ:
ਇਹ ਗਾਰਡਰੇਲਜ਼ ਸਿਰਫ਼ ਨੈਤਕ ਨਹੀਂ—ਇਹ ਫੀਡ ਨੂੰ ਉਸ ਤਰ੍ਹਾਂ से ਰੋਕਦੇ ਹਨ ਕਿ ਸਿਸਟਮ ਆਪਣੇ ਆਪ ਨੂੰ ਸਭ ਤੋਂ ਜ਼ਿਆਦਾ ਉਖੜਨ ਵਾਲੀ ਸਮੱਗਰੀ ਵੱਲ ਨਾ ਟਰੇਨ ਕਰ ਲਏ।
ਕਈ ਦਿੱਸਦੇ ਸੁਰੱਖਿਆ ਅਤੇ ਗੁਣਵੱਤਾ ਟੂਲ ਸੋਧਣ ਵਾਲੇ ਮਕੈਨਿਜ਼ਮ ਹਨ: Not interested, topic controls, reporting, ਅਤੇ ਕਈ ਵਾਰੀ ਇੱਕ reset feed ਵਿਕਲਪ। ਇਹ ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਿਸਟਮ ਨੂੰ ਸਹੀ ਕਰਨ ਦਾ ਤਰੀਕਾ ਦਿੰਦੇ ਹਨ ਜਦੋਂ ਉਹ overfit ਕਰ ਜਾਏ—ਅਤੇ ਇਹ ਰਿਕਮੈਂਡੇਸ਼ਨ ਨੂੰ ਬਿਨਾਂ ਫੜਨ ਦੇ ਬਦਲੇ ਰਹਿਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
TikTok/Douyin-ਸਟਾਈਲ ਫੀਡਾਂ 'ਤੇ ਕ੍ਰੀਏਟਰਾਂ ਲਈ “ਨਿਯਮ” ਕਿਸੇ ਹਥਿਆਰ ਵਿੱਚ ਲਿਖੇ ਨਹੀਂ ਹੁੰਦੇ—ਉਹ ਦੋਹਰਾਅ ਰਾਹੀਂ ਖੋਜੇ ਜਾਂਦੇ ਹਨ। ਪਲੇਟਫਾਰਮ ਦੀ distribution ਨੀਤੀ ਹਰ ਪੋਸਟ ਨੂੰ ਇਕ ਛੋਟੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਬਣਾਦੇਂਦੀ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਜਲਦੀ ਆ ਜਾਂਦੇ ਹਨ।
ਜ਼ਿਆਦਾਤਰ ਕ੍ਰੀਏਟਰ ਇੱਕ ਤੰਗ ਚੱਕਰ ਵਿੱਚ ਢਲ ਜਾਂਦੇ ਹਨ:
ਕਿਉਂਕਿ distribution ਘੰਟਿਆਂ ਦੇ ਅੰਦਰ ਫੈਲ ਜਾਂ ਰੁਕ ਸਕਦੀ ਹੈ, analytics ਪੇਸ਼ੇ ਨੂੰ ਇੱਕ ਸਿਰਜਣਾਤਮਕ ਟੂਲ ਬਣਾ ਦਿੰਦਾ ਹੈ, ਸਿਰਫ਼ ਰਿਪੋਰਟ ਕਾਰਡ ਨਹੀਂ। retention graphs, average watch time, ਅਤੇ saves/shares ਨਿਰਧਾਰਿਤ ਪਲਾਂ 'ਤੇ ਰੋਸ਼ਨੀ ਪਾਉਂਦੀਆਂ ਹਨ: ਇੱਕ ਉਲਝਣਪੂਰਨ ਸੈਟਅਪ, ਇੱਕ ਧੀਮਾ ਟ੍ਰਾਂਜ਼ਿਸ਼ਨ, ਜਾਂ ਇੱਕ payoff ਜੋ ਦੇਰ ਨਾਲ ਆ ਰਿਹਾ।
ਇਹ ਛੋਟੀ ਸਿੱਖਣ ਚਕਰ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਦਬਾਉਂਦਾ ਹੈ:
ਉਹੀ ਤੇਜ਼ ਫੀਡਬੈਕ ਜੋ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਸੁਧਾਰ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਉਨ੍ਹਾਂ `ਤੇ ਲਗਾਤਾਰ ਉਤਪਾਦਨ ਦਾ ਦਬਾਅ ਵੀ ਪਾ ਸਕਦਾ ਹੈ। ਸਸਤੇ ਕ੍ਰੀਏਟਰ ਆਮ ਤੌਰ 'ਤੇ ਫਿਲਮਿੰਗ ਇਕੱਠੀ ਕਰਦੇ ਹਨ, ਪ੍ਰੂਵਣ ਫਾਰਮੈਟ ਦੁਹਰਾਉਂਦੇ ਹਨ, “shipping” ਦਿਨ ਨਿਯਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਅਸਲੀਤੀ ਦਰ ਬਣਾਕੇ ਰੱਖਦੇ ਹਨ। ਮਕਸਦ ਹੈ ਨਿਰੰਤਰਤਾ ਬਿਨਾਂ ਹਰ ਘੰਟੇ ਨੂੰ ਉਤਪਾਦਨ ਵਿੱਚ ਬਦਲੇ—ਕਿਉਂਕਿ ਲੰਬੇ ਸਮੇਂ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ ਉਰਜਾ 'ਤੇ منحصر ਹੁੰਦੀ ਹੈ, ਸਿਰਫ਼ ਮਾਤਰਾ 'ਤੇ ਨਹੀਂ।
ByteDance ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਖੋਲ੍ਹਾ ਇੱਕ “ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ” ਫੀਚਰ-ਸੈੱਟ ਨਹੀਂ ਸੀ—ਇਹ ਇੱਕ interest graph ਸੀ ਜੋ ਵਿਵਹਾਰ ਤੋਂ ਸਿੱਖਦਾ, ਉੱਚ-ਫ੍ਰਿਕਵੈਂਸੀ ਫੀਡਬੈਕ (ਹਰ swipe, replay, pause), ਅਤੇ aligned incentives ਜੋ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਉਹੀ ਫਾਰਮੈਟ ਵੱਲ ਧੱਕਦੇ ਹਨ ਜੋ ਸਿਸਟਮ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਵੰਡ ਸਕਦੀ।
ਚੰਗੀ ਖ਼ਬਰ: ਇਹ ਮਕੈਨਿਕ ਲੋਕਾਂ ਨੂੰ ਜ਼ਰੂਰੀ ਮਨੋਰੰਜਨ ਜਾਂ ਜਾਣਕਾਰੀ ਤੇਜ਼ੀ ਨਾਲ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਜੋਖਮ: ਇਹੀ ਲੂਪ ਛੋਟੇ-ਘੜੀ ਧਿਆਨ ਲਈ optimize ਕਰਕੇ ਸੁਥਰਾ ਅਤੇ ਵੱਖ-ਵੱਖਤਾ ਘਟਾ ਸਕਦੀ ਹੈ।
ਪਹਿਲਾਂ, interests ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣਾਓ, ਸਿਰਫ਼ follows ਨਹੀਂ। ਜੇ ਤੁਹਾਡਾ ਉਤਪਾਦ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ ਕਿ ਯੂਜ਼ਰ ਇਸ ਵੇਲੇ ਕੀ ਚਾਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ friction ਘਟਾ ਸਕਦਾ ਅਤੇ ਖੋਜ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦਾ।
ਦੂਜਾ, ਲੇਰਨਿੰਗ ਸਾਈਕਲ ਨੂੰ ਛੋਟਾ ਕਰੋ। ਤੇਜ਼ ਫੀਡਬੈਕ relevance ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰਦਾ—ਪਰ ਇਹ ਵੀ ਮਤਲਬ ਹੈ ਕਿ ਗਲਤੀਆਂ ਤੇਜ਼ੀ ਨਾਲ ਵਿਆਪਣ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਵੱਡੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ guardrails ਲਗਾਓ।
ਤੀਜਾ, incentives ਨੂੰ align ਕਰੋ। ਜੇ ਤੁਸੀਂ ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਉਹੀ ਨਤੀਜੇ ਦੇਣ ਲਈ ਇਨਾਮ ਦਿੰਦੇ ਹੋ ਜੋ ਤੁਹਾਡਾ ਰੈਂਕਿੰਗ ਸਿਸਟਮ ਮੂਲਿਆੰਕਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਏਕੋਸਿਸਟਮ ਇੱਕ ਸਮਾਨ ਦਿਸ਼ਾ ਵਲ ਮਿਲ ਜਾਵੇਗਾ—ਕਈ ਵਾਰੀ ਬੜੀਆ, ਕਈ ਵਾਰੀ spammy।
ਜੇ ਤੁਸੀਂ ਇਹ ਵਿਚਾਰ ਆਪਣੇ ਉਤਪਾਦ 'ਤੇ ਲਾਗੂ ਕਰ ਰਹੇ ਹੋ, ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਹਿੱਸਾ ਆਮ ਤੌਰ 'ਤੇ ਸਿਧਾਂਤ ਨਹੀਂ—ਬਲਕਿ ਇਕ ਕਾਰਗਰ ਲੂਪ ਸ਼ਿਪ ਕਰਨਾ ਹੈ ਜਿਥੇ events, ranking logic, experiments, ਅਤੇ ਕ੍ਰੀਏਟਰ/ਯੂਜ਼ਰ incentives ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਦੁਹਰਾਇਆ ਜਾ ਸਕੇ।
ਇੱਕ ਪਹੁੰਚ ਇਹ ਹੈ ਕਿ ਪ੍ਰੋਡਕਟ ਨੂੰ end-to-end ਪ੍ਰੋਟੋਟਾਈਪ ਕਰੋ (UI, backend, database, analytics hooks) ਫਿਰ recommendation ਅਤੇ incentive ਮਕੈਨਿਕਸ ਨੂੰ ਜਦੋਂ ਤੁਸੀਂ ਸਿੱਖੋ ਸੁਧਾਰੋ। Platforms ਜਿਵੇਂ Koder.ai ਇਸ ਤਰ੍ਹਾਂ ਦੀ iteration-ਮੁਖੀ ਸ਼ਿਪਿੰਗ ਲਈ ਬਣੇ ਹਨ: ਤੁਸੀਂ chat ਰਾਹੀਂ web, backend, ਅਤੇ mobile app ਬੁਨਿਆਦਾਂ तਿਆਰ ਕਰ ਸਕਦੇ ਹੋ, ਜ਼ਰੂਰਤ ਪੈਣ 'ਤੇ ਸੋਰਸ ਕੋਡ export ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ planning/snapshots ਨਾਲ ਬਦਲਾਵ ਟੈਸਟ ਕਰਕੇ ਰੋਲਬੈਕ ਕਰ ਸਕਦੇ ਹੋ—ਜਦੋਂ ਤੁਸੀਂ engagement loops ਨਾਲ ਪ੍ਰਯੋਗ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਲੰਬੇ release cycles ਸਿੱਖਣ ਨੂੰ ਧੀਮਾ ਕਰ ਰਹੇ ਹਨ।
ਜੇ ਤੁਸੀਂ ਇਹ ਵਿਚਾਰ ਆਪਣੇ ਉਤਪਾਦ ਨਾਲ ਜੋੜ ਰਹੇ ਹੋ, /blog ਵੇਖੋ। ਜੇ ਤੁਸੀਂ ਟੂਲ, analytics, ਜਾਂ experimentation ਸਹਾਇਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੇ ਹੋ, /pricing 'ਤੇ ਤੌਲਨਾ ਕਰੋ।
ਇੱਕ ਹੋਲਦਾਰ attention engine ਫਿਰ ਵੀ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋ ਸਕਦਾ ਹੈ: ਇਹ ਲੋਕਾਂ ਨੂੰ ਉਹ ਚੀਜ਼ ਤੇਜ਼ੀ ਨਾਲ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜੋ ਉਹ ਮੁੱਲਮੰਨਦੇ ਹਨ। ਲਕੜੀ ਮਕਸਦ ਇਹ ਹੈ ਕਿ ਧਿਆਨ ਨੂੰ relevance ਅਤੇ ਭਰੋਸੇ ਰਾਹੀਂ ਕਮਾਇਆ ਜਾਵੇ—ਅਤੇ ਹੀਰੈਤ ਅੰਜਾਮ ਤੋਂ, ਥਕਾਵਟ ਅਤੇ ਅਣਚਾਹੇ ਖੂਹਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਜਾਣ-ਬੁਝ ਕੇ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਵੇ।
ਇੱਕ attention engine ਉਹ ਸਿਸਟਮ ਹੈ ਜੋ (1) ਦਰਸ਼ਕਾਂ ਨੂੰ ਅਗਲਾ ਕੀ ਵੇਖਣਾ ਹੈ ਇਹ ਨਿੱਜੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ (2) ਕ੍ਰੀਏਟਰਾਂ ਨੂੰ ਲਗਾਤਾਰ ਪਬਲਿਸ਼ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ। TikTok/Douyin ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਇਹ ਸਿਰਫ਼ ਰੈਂਕਿੰਗ ਮਾਡਲ ਨਹੀਂ—ਇਸ ਵਿੱਚ ਪ੍ਰੋਡਕਟ UX (autoplay, swipe), ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਮਕੈਨਿਕਸ ਅਤੇ ਕ੍ਰੀਏਟਰ ਰਿਵਾਰਡ ਵੀ ਸ਼ਾਮਿਲ ਹਨ ਜੋ ਸਮੱਗਰੀ ਲੂਪ ਨੂੰ ਚਲਾਉਂਦੇ ਰਹਿੰਦੇ ਹਨ।
ਇੱਕ social-graph ਫੀਡ ਮੁੱਖਤੌਰ 'ਤੇ ਉਸ ਤੇ ਟਿਕਿਆ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ follow ਕਰਦੇ ਹੋ—ਡੀਸਕਵਰੀ ਅਕਸਰ ਤੁਹਾਡੇ ਨੈੱਟਵਰਕ ਨਾਲ ਸੀਮਿਤ ਰਹਿ ਜਾਂਦੀ ਹੈ।
ਇੱਕ interest-graph ਫੀਡ ਇਸ ਦੀ ਥਾਂ ਇਹ ਦੇਖਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸ ਸਮੇਂ ਕੀ ਪਸੰਦ ਕਰਦੇ ਹੋ, ਇਸ ਲਈ ਇਹ ਕਿਸੇ ਵੀ ਬੰਦੇ ਦੀ ਸਮੱਗਰੀ ਤੁਰੰਤ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ कारण ਨਵਾਂ ਯੂਜ਼ਰ ਐਪ ਖੋਲ੍ਹ ਕੇ ਵੀ ਬਿਨਾਂ ਫਾਲੋ ਲਿਸਟ ਬਣਾਏ ਹੀ ਮਨਪਸੰਦ ਫੀਡ ਦੇਖ ਸਕਦਾ ਹੈ।
ਸਿਸਟਮ ਗੁਪਤ/implicit ਸਿਗਨਲ (ਵੇਖਣ ਸਮਾਂ, completion rate, rewatches, skips, pauses) ਅਤੇ ਖੁਲ੍ਹੇ/explicit ਸਿਗਨਲ (ਲਾਈਕ, ਕਮੈਂਟ, ਸਾਂਝਾ, follow) ਤੋਂ ਸਿੱਖਦਾ ਹੈ।
ਵੇਖਣਾ ਆਪੇ ਹੀ ਇੱਕ ਮਜ਼ਬੂਤ “ਵੋਟ” ਹੈ, ਇਸ ਲਈ retention ਅਤੇ pacing ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੇ ਹਨ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਕਾਰਾਤਮਕ ਸਿਗਨਲ (ਜ਼ਿਆਦਾ ਤੇਜ਼ swipe-away, “Not interested”) ਅਤੇ policy/safety ਫਿਲਟਰ ਵੀ ਲਾਗੂ ਹੁੰਦੇ ਹਨ ਜੋ ਕੁਝ ਸਮੱਗਰੀ ਦੇ ਵਿਆਪਨ ਨੂੰ ਰੋਕ ਸਕਦੇ ਹਨ।
ਸਰਲ ਲੂਪ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੁੰਦਾ ਹੈ:
ਕਿਉਂਕਿ ਹਰ swipe ਇੱਕ ਫੀਡਬੈਕ ਬਣਦਾ ਹੈ, ਨਿੱਜੀਕਰਨ ਕੁਝ ਮਿੰਟਾਂ ਵਿੱਚ ਵੀ ਬदल ਸਕਦਾ ਹੈ।
Cold start ਮੁੱਦਾ ਐਸਾ ਹੈ ਕਿ ਜਦੋਂ ਹਿਸਟਰੀ ਘੱਟ ਹੋਵੇ ਤਾਂ ਸਹੀ ਰਿਕਮੈਂਡੇਸ਼ਨ ਕਰਨਾ ਕਠਿਨ ਹੋ ਜਾਂਦਾ ਹੈ।
ਇਸ ਸਨੈਰੀਓ ਵਿੱਚ ਸੁਰੱਖਿਆ ਅਤੇ ਸਪੈਮ ਚੈਕ ਅਹਿਮ ਹੁੰਦੇ ਹਨ ਤਾਂ ਜੋ ਅਣਚਾਹੀ ਸਮੱਗਰੀ ਜ਼ਿਆਦਾ ਫੈਲੇ ਨਾ।
ਹਾਂ—ਕਈ ਵਾਰ ਨਵਾਂ ਕ੍ਰੀਏਟਰ followers ਤੋਂ ਬਿਨਾਂ ਵੀ ਵਾਇਰਲ ਹੋ ਸਕਦਾ ਹੈ। اهم ਗੱਲ ਇਹ ਹੈ ਕਿ ਵੀਡੀਓ ਅਰੰਭ ਵਿੱਚ ਛੋਟੇ ਦਰਸ਼ਕ ਸਮੂਹ ਵਿੱਚ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ—ਖਾਸ ਕਰਕੇ completion ਅਤੇ rewatches ਵਰਗੇ retention-signal।
ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ “followers ਬਿਨਾਂ ਵਾਇਰਲ ਹੋਣਾ” ਸੰਭਵ ਹੈ, ਪਰ ਹਰ ਪੋਸਟ ਦੀ ਵਧਤ ਲਈ ਅਰੰਭਿਕ ਪ੍ਰਤੀਕਿਰਿਆ ਬਹੁਤ ਮਜ਼ਬੂਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਕ੍ਰੀਏਟਰ ਉਹ ਚੀਜ਼ਾਂ ਕਰਦੇ ਹਨ ਜੋ ਪਲੇਟਫਾਰਮ ਇਨਾਮ ਦਿੰਦਾ ਹੈ:
ਫਾਇਦਾ ਤੇਜ਼ ਸਿੱਖਣ ਹੈ; ਨੁਕਸਾਨ ਇਹ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਕਈ ਵਾਰ ਟ੍ਰੈਂਡ-ਚੇਜ਼ਿੰਗ ਜਾਂ ਕਲਿੱਕਬੇਟ ਵੱਲ ਵਧਿਆ ਜਾਵੇ।
ਛੋਟੀ ਵੀਡੀਓ ਸੈਸ਼ਨ ਵਿੱਚ ਕਈ ਛੋਟੇ ਫੈਸਲੇ ਹੋਣ ਕਰਕੇ (ਦੇਖਣ, ਸਵਾਈਪ, ਰੀਵਾਚ, ਸਾਂਝਾ), ਸਿਸਟਮ ਹਰ ਮਿੰਟ ਵਿੱਚ ਜ਼ਿਆਦਾ ਟ੍ਰੇਨਿੰਗ ਉਦਾਹਰਣ ਇਕੱਤਰ ਕਰਦਾ ਹੈ।
ਇਸ ਤੱਤ ਦੇ ਕਾਰਨ ਸਿਸਟਮ ਤੇਜ਼ੀ ਨਾਲ ਟੈਸਟ ਕਰਦਾ, ਸਿੱਖਦਾ ਅਤੇ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ—ਪਰ ਇਕੋ ਸਮੇਂ ਗਲਤ ਪ੍ਰਪੰਚ ਵੀ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲ ਸਕਦੇ ਹਨ ਜੇ ਰੋਕ ਨਾ ਪਾਈ ਜਾਵੇ।
ਪਲੇਟਫਾਰਮ ਇਕ ਵੱਡੇ ਮਿਸ਼ਨ-ਬਨਾਮ-ਸੰਤੋਸ਼ ਦੇ ਬੰਡਲ ਨੂੰ optimize ਕਰਦੇ ਹਨ: ਪੂਰੀ ਉਮੀਦ, "ਕੀ ਤੁਸੀਂ ਇਹ ਸਿਫਾਰਸ਼ ਕਰੋਗੇ?", completion rate, replays, skips, follows ਅਤੇ ਨਕਾਰਾਤਮਕ ਸਿਗਨਲ।
ਸਿਰਫ਼ watch time maximize ਕਰਨਾ ਖ਼ਤਰਨਾਕ ਹੋ ਸਕਦਾ ਹੈ—ਇਸ ਨਾਲ spammy ਜਾਂ ਝੰਘੜੇਦਾਰ ਸਮੱਗਰੀ ਫੈਲ ਸਕਦੀ ਹੈ ਜੋ ਦੌਰਾਨੇ ਚਾਰ੍ਹਦੇ ਹੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਦੂਰ ਕਰ ਦੇਵੇ।
Guardrails—ਮਾਪਦੰਡ, ਉਮਰ-ਸੰਰক্ষণ, ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਾਲੇ ਨਿਯਮ—ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਨ ਕਿ ਫੀਡ ਭਰੋਸੇਯੋਗ ਰਹੇ।
ਯੂਜ਼ਰਾਂ ਲਈ ਨੀਉਜ਼-ਕੰਟਰੋਲ (Not interested, topic controls, reporting, reset feed) ਵੀ ਮਿਲਦੇ ਹਨ ਤਾਂ ਕਿ ਉਹ ਸਿਸਟਮ ਨੂੰ ਦਰੁਸਤ ਕਰ ਸਕਣ।
ਤਿੰਨ ਮੁੱਖ ਸਿੱਖਿਆਂ ਉੱਠਾਉਣਯੋਗ ਹਨ:
ਜੇ ਤੁਸੀਂ ਇਹ ਵਿਚਾਰ ਆਪਣੇ ਪ੍ਰੋਡਕਟ 'ਤੇ ਲਾਗੂ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ ਤੱਕਨੀਕੀ ਨੁਕਤੇ ਯਾਦ ਰੱਖੋ: