Как Google использует анализ жестов и машинное обучение для показа интерактивных видео-превью прямо в результатах поиска

Термины и определения

Focus Area (Область фокуса)

Выделенная часть пользовательского интерфейса, предназначенная для автоматического отображения и воспроизведения превью медиаконтента, который находится в фокусе внимания пользователя.

Scrollable Search Result Area (Прокручиваемая область результатов поиска)

Область интерфейса, отображающая список результатов поиска, с которой пользователь взаимодействует для навигации.

Gesture Component (Компонент обработки жестов)

Программный модуль на клиентском устройстве, отвечающий за распознавание и интерпретацию жестов пользователя, в том числе с использованием машинного обучения и истории взаимодействий.

Media Content Item (Единица медиаконтента)

Цифровой контент (видео, фильм, клип), который является объектом поиска.

Preview (Превью)

Предварительный просмотр контента. Может быть одним из трех типов: трейлером (video trailer), коротким фрагментом (video clip/subsection) или полным видео (the video). Может быть в низком разрешении и без звука.

User Gesture (Жест пользователя)

Ввод пользователя на сенсорном экране. Включает Tap (касание), Swipe (свайп, быстрое движение), Drag (перетаскивание, медленное движение) и Press-and-hold (нажатие и удержание).

Machine Learning Model (Модель машинного обучения)

Модель, обученная на истории жестов пользователя для прогнозирования его интереса и определения предпочтительного типа превью.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы на клиентском устройстве.

1. Система получает набор результатов поиска (медиаконтент).
2. Отображается интерфейс, где одновременно (concurrently presented) показаны: (а) прокручиваемая область с результатами и (б) Focus Area с превью одного из результатов.
3. Система получает сенсорный ввод пользователя в прокручиваемой области (конкретно упоминается жест свайпа — user swipe gesture, вызывающий вертикальное смещение).
4. Система определяет, указывает ли этот ввод на выбор (user selection) второго результата. Ключевой момент: это определение основывается на ранее полученных жестах пользователя (based on previously received user gestures associated with a user).
5. Если ДА, система отображает превью второго медиаконтента в Focus Area, продолжая одновременно отображать прокручиваемую область.

Ядром изобретения является не просто показ превью при прокрутке, а интеллектуальная интерпретация жестов (включая свайпы) на основе истории поведения конкретного пользователя (что подразумевает персонализированное машинное обучение) для управления динамическим превью.

Claim 5 (Зависимый от 1): Указывает на адаптивность выбора типа превью.

Тип отображаемого превью (например, трейлер или фрагмент) может основываться на ранее показанном контенте и/или взаимодействиях пользователя с ним. Это подтверждает механизм персонализации показа превью.

Claim 9 (Зависимый от 1): Детализирует механизм интерпретации жестов.

Определение выбора результата основывается как минимум на одном из параметров: скорости движения (speed of movement) ввода или продолжительности времени (duration of time) ввода. Это позволяет различать разные типы жестов.

Где и как применяется

Изобретение относится к финальным этапам обработки поискового запроса и реализуется на стороне клиента (Client-Side Presentation). Оно не затрагивает этапы CRAWLING, INDEXING или RANKING.

METASEARCH – Метапоиск и Смешивание / RERANKING (Презентационный слой)

На этом этапе формируется структура поисковой выдачи. Система внедряет специализированный пользовательский интерфейс (UI) для медиа-результатов.

• Рендеринг UI: Клиентское устройство отображает UI с Scrollable Area и Focus Area.
• Взаимодействие: Gesture Component на клиенте анализирует ввод пользователя в реальном времени, используя Machine Learning Model.
• Динамическое обновление: Клиент взаимодействует с сервером (Preview Component) для динамического получения видеопотока превью и обновления Focus Area без перезагрузки страницы.

Входные данные:

• Список ранжированных результатов поиска с метаданными.
• Данные сенсорного ввода в реальном времени (координаты, скорость, продолжительность).
• Исторические данные о поведении пользователя (для ML-модели интерпретации жестов и выбора типа превью).

Выходные данные:

• Динамически обновляемый UI с воспроизведением выбранного превью в Focus Area.

На что влияет

• Конкретные типы контента: Исключительно медиаконтент (видеоролики, фильмы, ТВ-шоу).
• Специфические запросы: Запросы, интент которых связан с просмотром медиа, где Google решает показать результаты в формате видео-карусели или специализированного медиа-блока.
• Устройства: Наибольшее влияние на мобильные устройства с сенсорными экранами, так как механизм основан на интерпретации сложных жестов.
• Пользовательский опыт (UX) и Метрики вовлеченности: Значительно меняет способ взаимодействия с видео SERP, влияя на CTR и снижая показатель pogo-sticking.

Когда применяется

• Условия работы: Когда поисковая система возвращает набор медиаконтента и использует данный формат отображения UI (Focus Area + Scrollable Area).
• Триггеры активации: Обновление превью запускается в ответ на жест пользователя, интерпретированный как интерес к новому результату.
• Пороговые значения и Интерпретация: Система использует пороговые значения скорости (speed threshold) и продолжительности (duration threshold) для различения жестов (например, Swipe vs Drag). Эти пороги могут быть адаптированы для конкретного пользователя с помощью машинного обучения.

Пошаговый алгоритм

Процесс А: Инициализация UI

1. Получение данных: Клиентское устройство получает список медиа-результатов.
2. Рендеринг UI: Отображается интерфейс с Scrollable Search Result Area и Focus Area.
3. Инициализация превью: В Focus Area отображается миниатюра (thumbnail) для первого результата.
4. Запрос и Воспроизведение: Запрашивается превью (тип определяется на основе предпочтений пользователя). Полученное превью автоматически воспроизводится в Focus Area.

Процесс Б: Взаимодействие пользователя

1. Обнаружение ввода: Система регистрирует сенсорный ввод в Scrollable Search Result Area.
2. Анализ и интерпретация жеста: Gesture Component анализирует параметры ввода (скорость, продолжительность). Интерпретация учитывает индивидуальные особенности пользователя (на основе исторических данных/ML), чтобы точно определить тип жеста и намерение.
3. Определение интереса: Система определяет, указывает ли жест на интерес к новому результату.
   • При Swipe (быстро): интерес к результату, который окажется в фокусе после завершения прокрутки. Промежуточные превью могут пропускаться.
   • При Drag (медленно): интерес к результатам, пересекающим Focus Area.
4. Запрос и воспроизведение нового превью: Система запрашивает и воспроизводит новое превью в Focus Area.
   • При медленном перетаскивании (Drag): Превью могут сменять друг друга плавно, пропорционально тому, какая часть результата пересекает Focus Area (возможно одновременное отображение двух превью).
5. Переход к просмотру: Касание внутри Focus Area интерпретируется как намерение посмотреть полный медиаконтент, что инициирует воспроизведение.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, необходимых для работы интерфейса и интерпретации действий пользователя.

• Пользовательские и Поведенческие факторы:
  • Ввод в реальном времени: Данные сенсорного ввода: координаты, скорость движения (speed of movement), продолжительность касания (duration of time).
  • Исторические данные (ML input): История предыдущих жестов пользователя (previously received user gestures) используется для обучения модели интерпретации жестов (Claim 1). История взаимодействий с разными типами превью используется для выбора предпочтительного формата (Claim 5).
• Контентные и Мультимедиа факторы:
  • Метаданные: Заголовки, описания. Используются в списке и могут накладываться (overlaying) поверх превью.
  • Миниатюры (Thumbnails): Отображаются до начала воспроизведения видео превью.
  • Превью контент: Трейлеры (video trailers), фрагменты (video clips). Упоминается возможность использования видео в низком разрешении (low-resolution videos) без звука (without sound) для экономии трафика.

Какие метрики используются и как они считаются

• Speed of Movement и Duration of Time: Метрики для анализа жестов в реальном времени.
• Threshold Values (Пороговые значения): Значения скорости и времени для классификации жестов (Swipe vs Drag). Патент указывает, что эти пороги персонализируются (user-specific threshold values) с помощью машинного обучения на основе истории пользователя.
• Percentage of Overlap (Процент перекрытия): Метрика, используемая при жесте Drag. Определяет, какая часть результата перекрывает Focus Area, используется для расчета пропорционального отображения превью (обеспечивает бесшовный переход).
• Алгоритмы машинного обучения (Machine Learning Model): Применяются для предсказания интереса пользователя (predict user interest) на основе жестов и определения предпочтительного типа превью.

1. Это патент об UI/UX, критически важный для VSEO: Патент не описывает алгоритмы ранжирования, но детально раскрывает механизм взаимодействия пользователя с результатами поиска медиаконтента. Это напрямую влияет на поведенческие сигналы (вовлеченность, CTR).
2. Интеллектуальная и персонализированная интерпретация жестов: Ключевой инновацией является использование машинного обучения для анализа истории жестов пользователя (Claim 1). Система адаптируется к индивидуальному стилю взаимодействия пользователя для точного определения его намерений (например, отличить быструю прокрутку от осознанного изучения).
3. Персонализация типа контента превью: Система также учится тому, какой тип превью предпочитает пользователь (трейлер или фрагмент видео) на основе его предыдущих взаимодействий (Claim 5).
4. Автоматические превью как новый стандарт: Возможность просматривать видео-превью прямо в выдаче без клика (благодаря Focus Area) меняет требования к контенту. Способность видео захватить внимание в режиме автовоспроизведения становится критически важной.
5. Снижение Pogo-Sticking и экономия ресурсов: Цель механизма — предоставить достаточно информации на SERP для осознанного выбора, тем самым снижая возвраты к выдаче и экономя сетевой трафик.

Best practices (это мы делаем)

Для SEO-специалистов, работающих с видеоконтентом (VSEO), этот патент имеет прямое практическое применение в оптимизации контента.

• Оптимизация первых секунд видео (The Hook): Критически важно. Поскольку система часто использует начало видео в качестве превью, первые 5-10 секунд должны быть максимально вовлекающими, информативными и релевантными запросу. Они должны мгновенно захватить внимание пользователя в Focus Area.
• Оптимизация под просмотр без звука: Так как превью часто воспроизводятся без звука (without sound), визуальный ряд должен быть самодостаточным. Используйте текст, субтитры или яркие визуальные образы в начале видео, чтобы передать суть контента.
• Качественные миниатюры (Thumbnails): Миниатюры остаются важными, так как они могут отображаться в Focus Area до загрузки видео-превью (Claim 6). Они должны быть привлекательными и релевантными.
• Точные и лаконичные метаданные: Заголовки должны быть четкими. Патент предусматривает возможность наложения метаданных поверх видео превью (Claim 8).
• Создание и оптимизация трейлеров: Для длинного контента наличие качественного трейлера является преимуществом, так как система может предпочесть его, если пользователь часто смотрит трейлеры.

Worst practices (это делать не надо)

• Длинные заставки и вступления: Размещение брендовых заставок или нерелевантного контента в начале видео гарантирует, что превью будет неинформативным. Пользователь прокрутит результат дальше.
• Кликбейт в заголовках и миниатюрах: Эффективность кликбейта снижается. Пользователь увидит реальный контент в превью до клика. Несоответствие приведет к отказу от просмотра и потенциально ухудшит поведенческие сигналы.
• Игнорирование мобильного опыта: Создание контента без учета того, как он будет выглядеть в небольшом окне Focus Area на мобильном устройстве (мелкий текст, плохая видимость деталей).

Стратегическое значение

Патент подтверждает стратегию Google по трансформации SERP из списка ссылок в интерактивную среду потребления контента. Для Video SEO это означает, что конкуренция смещается от борьбы за позицию к борьбе за внимание пользователя непосредственно в выдаче через качество превью. Если контент не может захватить внимание за несколько секунд автовоспроизведения, он теряет трафик. Также подчеркивается глубокая интеграция машинного обучения в UI для персонализации пользовательского опыта на самом базовом уровне взаимодействия.

Практические примеры

Сценарий: Оптимизация видеообзора гаджета для мобильной выдачи

1. Анализ текущего состояния: Видео начинается с 20-секундного вступления ведущего в студии. В мобильной выдаче превью показывает только "говорящую голову". Вовлеченность низкая.
2. Применение знаний из патента: Понимая, что пользователь принимает решение на основе превью в Focus Area, необходимо изменить структуру видео для мгновенного захвата внимания.
3. Действия по оптимизации:
   • Перемонтировать начало: первые 5 секунд показывают гаджет крупным планом в действии.
   • Добавить текстовые наложения с ключевыми характеристиками в первые секунды для информативности в беззвучном режиме.
   • Убедиться, что заголовок четко виден поверх превью.
4. Ожидаемый результат: В мобильной выдаче превью становится динамичным и информативным. Пользователь сразу видит продукт, что повышает вероятность клика и просмотра полного обзора.