Licenca
To delo je na voljo pod pogoji slovenske licence Creative Commons 2.5:
priznanje avtorstva - nekomercialno - deljenje pod enakimi pogoji.
Celotna licenca je na voljo na spletu na naslovu http://creativecommons.org/licenses/by-nc-sa/2.5/si/. V skladu s to licenco je dovoljeno vsakemu uporabniku delo razmnoževati, distribuirati, javno priobčevati, dajati v najem in tudi predelovati, vendar samo v nekomercialne namene in ob pogoju, da navede avtorja oziroma avtorje in izdajatelja tega dela. Če uporabnik delo predela, kar pomeni, da ga spremeni, preoblikuje, prevede ali uporabi to delo v svojem delu, lahko predelavo dela ponudi na voljo le pod pogoji, ki so enaki pogojem iz te licence oziroma pod enako licenco.
Modeli in priporočila
Vsi sistemi priporočil (ang. Recommendation systems) vključujejo podvprašanja. Najosnovnejše vprašanje – kaj priporočiti? – je nekoliko preveč splošno in nenatančno za algoritem. YouTube sprašuje po času (trajanju) gledanja za določenega uporabnika v določenem kontekstu. Izbira tega, kaj vprašati (in kaj napovedati), ima velik vpliv na to, kakšno priporočilo bo prikazano. Ideja v ozadju je, da bo pravilna napoved pripeljala do dobrega priporočila. Sama napoved pa temelji na drugih uporabnikih z zgodovino podobnih iskanj, torej na uporabnikih, ki jih predstavljajo podobni modeli.
Uporabniški modeli
YouTube sistem priporočanja razdeli na dva koraka in za vsakega uporablja različne modele. Tukaj bomo uporabili nekoliko preprostejšo razlago.
Za izdelavo uporabniškega modela se morajo njegovi razvijalci vprašati, kateri podatki so pomembni za priporočanje videoposnetkov. Kaj si je uporabnik že ogledal? Kakšne ocene je podal in kakšne preference je izrazil? Kaj je iskal? Veliko bolj kot takšne eksplicitne informacije YouTube uporablja tiste bolj implicitne, saj so lažje dostopne. Ali je uporabnik samo kliknil na videoposnetek, ali si ga je dejansko ogledal? Če si ga je ogledal, kako dolgo je trajal ogled? Kako se je odzval na pretekla priporočila? Ali je katera od priporočil prezrl? Poleg odgovorov na ta vprašanja so pomembni tudi demografski podatki, kot so spol, jezik, lokacija in vrsta naprave, če je uporabnik nov ali ni prijavljen/vpisan.
Ko je za vsakega uporabnika izdelan model, postane razvidno, kateri uporabniki so si med seboj podobni, in te informacije uporabijo za oblikovanje priporočil.
Video modeli
Na podoben način kot pri uporabnikih YouTube označuje videoposnetke, ki so si med seboj podobni (ali različni). Za vsak videoposnetek pregleda njegovo vsebino, naslov in opis ter kakovost posnetka, število ljudi, ki si ga je ogledalo (število ogledov), ga všečkalo, ga dodalo med priljubljene, ga komentiralo ali delilo, čas, ko je bil naložen in število uporabnikov, ki spremljajo dotični kanal.
Kaj si bo uporabnik ogledal po izbranem posnetku je odvisno tudi od tega, ali je videoposnetek element obsežnejše serije in ali je morda del seznama predvajanja (ang. playlist). Če uporabnik, na primer, šele odkriva določenega glasbenega izvajalca, bo morda nadaljeval od najbolj priljubljene skladbe k manj znanim. Verjetno je tudi, da uporabnik ne bo kliknil na videoposnetke, ki so opremljeni s sličicami (ang. thumbnails) slabe kakovosti. Vse te informacije so vključene v proces ustvarjanja modela.
Eden od bistvenih elementov sistema priporočil je prehod od enega videoposnetka na seznam sorodnih videoposnetkov. V tem kontekstu velja, da so sorodni videoposnetki tisti, ki si jih bo uporabnik verjetno naslednje ogledal. Namen sistemov priporočanja je iz podatkov izluščiti kar največ in tako ustvarjati boljša priporočila.