Как Google анализирует страницу-источник перехода для формирования рекомендаций медиаконтента

Термины и определения

Context Data (Контекстные данные)

Набор данных, характеризующий обстоятельства, связанные с запросом контента. Включает идентичность и тип источника перехода, тип перехода и характеристики потребления.

Referral Source (Источник перехода)

Источник, откуда пришел запрос на медиаконтент. Примеры: веб-сайт (поисковая система, социальная сеть, блог), приложение или другое устройство.

Type of Referral (Тип перехода)

Способ, которым контент был представлен в источнике перехода. Примеры: гиперссылка, встроенный контент (embedded content), результаты поиска.

Consumption Characteristics (Характеристики потребления)

Данные, связанные с сеансом пользователя: тип устройства, время просмотра, географическое положение, вводы пользователя, близость к другим устройствам/пользователям.

Embedded Content Link (Ссылка на встроенный контент)

Ссылка или объект на странице referral source, который позволяет воспроизводить медиаконтент (например, встроенный плеер YouTube).

Crawling (Сканирование источника перехода)

Процесс, при котором система инспектирует referral source (например, его исходный код) для определения контекста и идентификации другого контента на этой странице.

Post-play section (Секция после воспроизведения)

Интерфейс, показываемый пользователю после завершения воспроизведения медиаконтента, где представляются рекомендации.

Collaborative Filtering (Коллаборативная фильтрация)

Метод ранжирования рекомендаций на основе поведения и оценок похожих пользователей.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод контекстуальных рекомендаций для встроенного контента.

1. Система получает запрос на первый контент.
2. Определяется referral source webpage (веб-страница источника перехода), где запрос был инициирован через embedded content link (ссылку на встроенный контент).
3. Пользователь направляется на страницу для воспроизведения контента (версия адаптируется под тип устройства).
4. Определяется набор context data. Ключевой шаг: этот процесс включает идентификацию второй ссылки на встроенный контент на той же referral source webpage путем сканирования исходного кода (crawling source code) этой страницы.
5. Выбирается набор дополнительного контента (отличного от первого и второго) на основе context data (которая включает информацию о втором контенте и характеристики потребления).
6. Дополнительный контент ранжируется.
7. Подмножество ранжированного контента представляется как рекомендации.

Claim 5 (Независимый пункт): Описывает аналогичный процесс, специфичный для видеоконтента и показа рекомендаций после просмотра.

1. Система получает запрос на первое видео, инициированный через embedded video link.
2. Определяется referral source.
3. Пользователь направляется на страницу для воспроизведения (адаптированную под устройство).
4. Система идентифицирует вторую ссылку на встроенное видео на том же referral source путем сканирования (crawling) источника.
5. Идентифицируется как минимум третье видео (отличное от первого и второго) на основе context data, которая включает информацию о втором видео.
6. Третье видео представляется как рекомендация в post-play section после завершения воспроизведения первого видео.

Ядро изобретения — это активный анализ (сканирование) источника перехода для выявления другого контента, размещенного там же, и использование этого контента как основы для генерации последующих рекомендаций.

Где и как применяется

Этот патент описывает механизмы, применяемые в системах рекомендаций медиаконтента (Media Recommendation Systems), таких как YouTube или Google Video, а не в основном веб-поиске Google.

CRAWLING – Сканирование и Сбор данных
Система выполняет целевое сканирование (crawling) или инспекцию идентифицированного referral source. Это не глобальное сканирование интернета, а анализ конкретной страницы (возможно, в реальном времени или с использованием кэша/индекса) для извлечения контекста и идентификации другого встроенного контента.

RANKING / RERANKING (Рекомендаций)
Основное применение патента происходит во время сеанса пользователя, когда система должна сгенерировать список рекомендаций.

1. Определение контекста: Система использует данные, полученные на этапе CRAWLING, для формирования context data.
2. Выбор кандидатов: На основе контекста (особенно другого контента, найденного на referral source) выбираются кандидаты для рекомендаций.
3. Ранжирование: Кандидаты оцениваются с использованием различных метрик (схожесть, предпочтения пользователя, коллаборативная фильтрация) для формирования финального списка.

Входные данные:

• Запрос на медиаконтент.
• Идентификатор Referral Source (например, URL из HTTP referrer).
• Исходный код или метаданные Referral Source (полученные через crawling).
• Данные о пользователе (история, предпочтения).
• Характеристики потребления (устройство, время, местоположение).

Выходные данные:

• Ранжированный список рекомендуемого медиаконтента (например, похожие видео).

На что влияет

• Конкретные типы контента: В первую очередь влияет на медиаконтент, который часто встраивается на сторонние сайты (видео, музыка, подкасты).
• Специфические сценарии потребления: Наибольшее влияние оказывается, когда контент потребляется через embedded content links на блогах, новостных сайтах, форумах или в социальных сетях.

Когда применяется

• Триггеры активации: Алгоритм активируется при получении запроса на воспроизведение медиаконтента.
• Условия применения: Механизм наиболее эффективен, когда referral source может быть точно идентифицирован и доступен для анализа (сканирования), и когда на этом источнике присутствует значимый контекст или другой встроенный контент.

Пошаговый алгоритм

Процесс генерации контекстуальных рекомендаций:

1. Получение запроса: Система получает запрос на воспроизведение Первого Контента от пользователя.
2. Идентификация источника: Определяется referral source (например, с использованием HTTP referrer) и подтверждается, что переход был совершен через embedded content link.
3. Адаптация воспроизведения: Определяется тип устройства пользователя, и предоставляется соответствующая версия плеера.
4. Сканирование источника (Crawling): Система инспектирует (сканирует исходный код, метаданные) referral source.
5. Идентификация дополнительного контента на источнике: В процессе сканирования система ищет другие embedded content links на этой же странице (Второй Контент).
6. Формирование Context Data: Создается набор контекстных данных, включающий информацию о referral source, идентифицированном Втором Контенте и характеристиках потребления.
7. Выбор кандидатов (Selection): Система выбирает набор дополнительного контента (Третий Контент) для рекомендаций. Выбор основывается на Context Data. Например, контент, связанный со Вторым Контентом, получает приоритет.
8. Оценка релевантности (Relevance): Для кандидатов рассчитываются метрики:
   • Similarity Score (схожесть с просмотренным контентом).
   • User Preferences Score (соответствие истории пользователя).
   • Collaborative Filtering Score (популярность среди похожих пользователей).
9. Ранжирование (Ranking): Метрики агрегируются в общий Relevance Score, и кандидаты сортируются.
10. Рекомендация (Recommendation): Лучшие кандидаты (например, Топ-N) представляются пользователю (например, в post-play section).

Какие данные и как использует

Данные на входе

Система использует разнообразные данные для определения контекста и релевантности:

• Технические факторы:
  • Идентичность Referral source (например, HTTP referrer, данные сессии).
  • Исходный код и метаданные Referral source (полученные через crawling).
  • Тип устройства пользователя (для адаптации плеера и как часть Consumption Characteristics).
• Контентные факторы:
  • Атрибуты и метаданные просмотренного контента (название, описание, теги, рейтинги) – используются для сравнения схожести.
  • Идентификаторы другого встроенного контента, найденного на referral source.
• Пользовательские факторы:
  • Предпочтения пользователя (явные или выведенные).
  • История просмотров и поисковая история.
• Географические факторы: Местоположение пользователя (например, GPS данные, часть Consumption Characteristics).
• Временные факторы: Время потребления контента (часть Consumption Characteristics).

Какие метрики используются и как они считаются

• Similarity Score (Оценка схожести): Рассчитывается путем сравнения метаданных кандидатов с метаданными просмотренного контента.
• User Preferences Score (Оценка предпочтений): Основана на анализе поведения пользователя (история просмотров, частота потребления определенных типов контента, списки избранного).
• Collaborative Filtering Score (Оценка коллаборативной фильтрации): Основана на данных о поведении похожих пользователей: рейтинги, количество добавлений в избранное, количество шеров, процент пользователей, потребивших контент.
• Relevance Score (Оценка релевантности): Агрегированная оценка, которая может быть комбинацией или средневзвешенным значением Similarity Score, User Preferences Score и Collaborative Filtering Score.

1. Окружение контента критически важно: Патент подчеркивает, что контекст, в котором потребляется медиаконтент (referral source), имеет решающее значение для определения того, что будет рекомендовано дальше. Место встраивания видео напрямую влияет на последующий путь пользователя.
2. Активный анализ источника перехода (Crawling): Google не просто фиксирует URL источника перехода, но и активно анализирует (сканирует) его содержимое. Система специально ищет другой встроенный контент на этой же странице.
3. Рекомендации стремятся сохранить контекст сессии: Цель механизма — предложить контент, который соответствует контексту, установленному внешней страницей, а не только общей теме просмотренного видео. Если пользователь читал статью с тремя встроенными видео, система постарается рекомендовать остальные два или похожие на них.
4. Использование внешнего курирования: Этот механизм позволяет Google использовать работу внешних кураторов (например, авторов блогов, которые подобрали несколько видео для статьи) для направления вовлеченности пользователей внутри своей медиаплатформы.
5. Отличие от SEO веб-поиска: Патент не описывает факторы ранжирования сайтов в основном поиске. Он полностью сфокусирован на внутренних механизмах рекомендательных систем медиаконтента.

Best practices (это мы делаем)

Рекомендации применимы в первую очередь к Video SEO и стратегиям распространения контента на платформах типа YouTube.

• Стратегическое встраивание (Strategic Embedding): При размещении видео на своих ресурсах (например, в блоге или на сайте) встраивайте несколько тематически связанных видео на одну страницу. Поскольку система сканирует источник перехода и ищет другой встроенный контент, это значительно увеличивает вероятность того, что ваши другие видео будут показаны в рекомендациях после просмотра первого.
• Обеспечение контекстуального соответствия: Убедитесь, что тематика веб-страницы (referral source) тесно связана с содержанием встроенного видео. Сильный тематический контекст страницы помогает системе сформировать более точные рекомендации.
• Оптимизация под сканирование (Crawlability): Страницы, на которых вы встраиваете видео, должны быть легко доступны для сканирования (crawling). Это гарантирует, что система сможет проанализировать контекст и идентифицировать все embedded content links.
• Стимулирование переходов с качественных источников: Поощряйте размещение вашего контента на авторитетных, тематически релевантных сторонних сайтах. Контекст этих сайтов будет способствовать формированию качественных рекомендаций.

Worst practices (это делать не надо)

• Случайное распространение: Встраивание видео на нерелевантных, низкокачественных страницах или страницах со смешанной тематикой. Это дает системе плохие контекстуальные сигналы, что приводит к нерелевантным рекомендациям и потере аудитории.
• Изолированное встраивание: Размещение одного видео на странице без окружающего контекста или без других связанных медиафайлов. Это упускает возможность использовать механизм патента для удержания пользователя на вашем контенте.
• Блокировка сканирования источников: Использование технологий, которые мешают системе проанализировать страницу, где встроено видео (например, сложный JavaScript без SSR или блокировка доступа к ресурсам), не позволит эффективно использовать контекст для рекомендаций.

Стратегическое значение

Патент подтверждает важность холистической стратегии для видеоконтента, выходящей за рамки оптимизации отдельных видео (заголовков, тегов). Стратегия дистрибуции и встраивания (Owned Media Strategy) является критически важной для управления путем пользователя и максимизации вовлеченности. Система рекомендаций активно использует внешний контекст для определения интересов пользователя в данный момент.

Практические примеры

Сценарий: Максимизация просмотров серии видеоуроков

Цель: Убедиться, что пользователь, посмотрев одну часть урока, посмотрит и остальные.

1. Действие: Создается отдельная страница в блоге, посвященная теме урока. На эту страницу встраиваются все три части урока (Видео 1, Видео 2, Видео 3) с текстовым описанием.
2. Процесс (по патенту): Пользователь переходит на страницу и запускает Видео 1 (Первый Контент). Система определяет страницу блога как referral source.
3. Анализ: Система сканирует (crawling) страницу блога и идентифицирует наличие Видео 2 и Видео 3 (Второй Контент).
4. Рекомендация: После завершения Видео 1, система генерирует рекомендации. Основываясь на context data (включающей Видео 2 и 3), эти видео получат высокий приоритет в post-play section.
5. Результат: Значительно повышается вероятность того, что пользователь продолжит просмотр серии, так как рекомендации точно соответствуют контексту страницы, с которой он начал просмотр.