YouTube Content Intelligence & Recommendation Engine
YouTube 內容情報與推薦引擎
Channel Intelligence, Semantic Recommendation & Publishing Decision Engine
頻道掃描、語意索引、內容推薦與發布決策引擎。
- YouTube Analytics頻道情報
- Recommendation推薦
- Semantic Index語意索引
Problem問題
真實問題是什麼
頻道累積大量歌曲、Shorts 與不同情境內容後，難的是避免重複推薦、判斷適合當前情境的歌曲並把近期表現納入決策。
單純的 Analytics 報表不能直接回答今天該發什麼、配哪首歌，以及哪些內容值得再利用。
Why Existing Workflow Fails原有流程的問題
原本的做法為什麼會壞
Raw analytics is not a publishing decision
原始分析數據不是發布決策
沒有語意層、去重與當前情境，觀看與互動訊號不能直接形成內容建議。
Repeated recommendations go unnoticed
重複推薦不會被察覺
缺少去重機制時，同一首歌會在短期內反覆被選中，而人不會記得上一次推過什麼。
Context does not live in the numbers
情境不在數據裡
觀看數不包含「今天適合什麼」，沒有語意索引就回答不了當前該發哪一支。
Platform Architecture平台架構
內容情報決策層
- YouTube Channel Data頻道資料Input · 輸入
- Periodic Channel Scan定期頻道掃描Process · 處理
- Normalized Latest Dataset正規化 Latest DatasetProcess · 處理
- Channel + Semantic Signals頻道＋語意訊號Process · 處理
串接 Lyric Context Index
- Context Matching情境匹配AI · 模型
- Recommendation / De-duplication推薦／去重Process · 處理
- Publishing Decision發布決策Human · 人工
System系統
系統流程
- Channel Signals頻道訊號Input · 輸入
- Semantic Signals語意訊號Process · 處理
時間、情緒、情境、行動、意象與主題
- Operational Context營運情境Process · 處理
- Recommendation內容推薦AI · 模型
- Publishing Decision發布決策Human · 人工
Key Design Decisions關鍵設計決策
關鍵設計決策
- 01
Analytics is input, not the answer
Analytics 是輸入，不是答案
統計只是資料來源，目的是支援內容選擇與發布決策。
- 02
Recommendation de-duplication
推薦去重
避免短時間內重複推薦同一首或過度集中同一類內容。
- 03
Separate intelligence from publishing
情報與發布分離
情報層提出建議，不等同自動發文；Album Flow 負責製作與發布，OBS Live 負責直播執行。
Tech / Architecture技術與架構
實作組成
- Channel Scan頻道掃描
- Latest Dataset最新資料集
- Lyric Context Index語意資料資產
- Recommendation De-duplication推薦去重
只列與這件作品直接相關的組成，不作為技能清單。
Status / Boundary完成度與限制
完成度與限制
內部持續使用的內容情報系統，不宣稱自動發布或取代人工內容決策。
公開頁不含私密頻道資料、完整推薦規則或評分公式。
尚未提供可公開掃描／推薦畫面，因此不使用假 dashboard。