YouTube 是全世界最大的影音平台之一，目前已經有數百萬個影音內容在 YouTube 上產生，目前每分鐘也有超過 500 小時的影片被上傳到 YouTube 上，因此對於 YouTube 來說，如何在短時間內透過人工智慧技術分析被上傳的每一個影音內容，並依照興趣推薦給每個不同的人，提高觀眾的參與度和滿意度是非常重要的課題。
在進行影片推薦之前，YouTube 必須面臨幾個棘手的問題。首先是影音內容的標記（annotation），由於影片內容相當複雜，演算法必須先分析影片內容才可進行更進一步的推薦，因此在發展推薦模型之前，YouTube 必須先建立有效的影片內容標記技術。
此外，面對影音及使用者互動資料不斷的更新，演算也必須能因應使用者的行為擁有快速的反應能力，才能提高使用者的興趣及停留於平台上的時間。
而在訓練的過程中，由於不論是影音內容或使用者行為都會產生相當多的雜訊，且並非所有的資訊都能被量化為推薦演算法可使用的參數，因此 YouTube 的團隊便要嘗試將各種不同的顯性、隱性回饋都能夠被量化，並納入訓練資料中，例如影音下方的「我喜歡」（顯性）、看完一段影片（隱性）等行為。
因應不斷且快速變化的資訊輸入，YouTube 過去以迴歸（regression）模型為基礎的推薦演算法也相形見絀，因此 YouTube 在 2015 年開始將機器學習（machine learning）技術導入 YouTube 推薦機制，提供更快速精準的個人化推薦。目前 YouTube 的推薦機制包含了 2 個神經網路模型（nural network）：
1. 候選生成模型 （Candidate Generation Model）
由個人的瀏覽歷史、搜尋歷史、人口統計資料等資料，從數百萬的影片資料庫中挑選與使用者相關的子集合，供後續第二層演算法參考使用。
2. 排名模型（Ranking Model）
在有了候選清單後，第二步驟即是從名單中預測使用者最有興趣觀賞的影片，並進行推薦排名。因此 YouTube 參考了以下訊號進行權重的計算：
- 人口統計資料
- 最受歡迎的影音
- 使用者的影片和使用的語言
- 近期觀看紀錄
- 使用者和影音頻道的過往連結
而為了能夠讓 YouTube 的演算法針對影片中的內容做更詳細的識別，YouTube 研發團隊也發表了原子視覺化動作數據學習模式（Automic Visual Actions, AVA）技術，透過電腦圖形識別技術判斷影片中人類姿勢、人與物體、人與人的互動行為。
AVA 的運作將每個影片擷取 15 分鐘的片段，再將影片均分為 300 組 3 秒的影片片段（合計共 900 秒），再藉由已經預先定義好的 80 組原子動作 （automi action）進行比對，找出如走路、踢球、握手之類的動作特徵並進行標註。
