Как Google использует контекст внешних страниц для понимания и идентификации видео и аудио контента

Термины и определения

Content Item / Media Item (Единица контента / Медиа-элемент)

Объект данных (видеофайл, аудиофайл, изображение), который может быть связан или встроен в другой документ. Основной объект анализа в патенте.

Resource (Ресурс)

Любой сетевой объект (веб-страница, часть веб-страницы, приложение), содержащий ссылку на единицу контента.

Reference (Ссылка)

Объект на сетевом ресурсе, который идентифицирует единицу контента. Включает гиперссылки (links) и встроенные представления (embedded representations, например, через iframe).

Structured Metadata (Структурированные метаданные)

Метаданные, которые описывают объект данных в соответствии с фиксированными, предопределенными шаблонами и дескрипторами.

Unstructured Metadata (Неструктурированные метаданные)

Метаданные в свободной форме, не следующие определенному шаблону. Именно такие данные извлекаются из внешних ресурсов.

Feature Evaluation Component (Компонент оценки признаков)

Модуль, который оценивает извлеченные метаданные (признаки) для определения их релевантности и полезности. Присваивает confidence score values.

Frequency (Частота)

Метрика, показывающая, как часто термин повторяется в метаданных, извлеченных из разных ресурсов для одного и того же контента. Ключевой фактор валидации.

Proximity (Близость)

Метрика, определяющая, насколько близко текст расположен к ссылке/встраиванию на ресурсе.

Reference Database (Эталонная база данных)

Хранилище известных элементов контента (Reference Content Items), которые уже имеют ассоциированные структурированные метаданные и используются для сравнения.

Ключевые утверждения (Анализ Claims)

Анализ проводится на основе текста финальной версии формулы изобретения (Claims), представленной в PDF документе.

Claim 1 (Независимый пункт): Описывает основной процесс получения и использования метаданных для идентификации контента, с акцентом на валидацию через множество источников.

1. Система (content provider system) получает загруженный медиаконтент (uploaded media content item).
2. Идентифицируется множество сетевых ресурсов (plurality of network resources), каждый из которых содержит ссылку (reference) на этот контент.
3. С каждого из этих ресурсов извлекаются описательные метаданные (descriptive metadata).
4. Выбирается часть извлеченных метаданных на основе частоты их встречаемости (frequency) на этом множестве сетевых ресурсов.
5. Эта выбранная часть метаданных ассоциируется с загруженным медиаконтентом.
6. На основе соответствия этих метаданных и эталонных метаданных (reference metadata) идентифицируется одна или несколько эталонных единиц контента (reference content items).
7. Определяется, совпадает ли содержимое загруженного медиаконтента с содержимым эталонных единиц.

Ключевой аспект: использование частоты повторения термина на разных сайтах как механизма валидации и выбора наиболее достоверных метаданных.

Claim 3 (Зависимый): Уточняет, как идентифицируются внешние ресурсы.

Ресурс идентифицируется пассивно, на основе получения системой запроса на воспроизведение контента. Этот запрос генерируется при клике по ссылке или при начале воспроизведения встроенного контента на внешнем ресурсе.

Claim 4 (Зависимый): Уточняет источники извлечения метаданных.

Метаданные извлекаются из: URI ресурса, URL ресурса, заголовка ресурса (title), медиаконтента на ресурсе или текстового контента на ресурсе.

Claim 6 (Зависимый): Уточняет местоположение извлекаемого текста (Proximity).

Метаданные извлекаются из текста, расположенного в пределах определенной области (defined region) относительно ссылки или встроенного представления контента.

Claim 9 (Зависимый): Описывает процесс оценки метаданных.

Система определяет оценки уверенности (confidence score values) для признаков (features) извлеченных метаданных, основываясь на их взаимосвязи со ссылкой на контент.

Где и как применяется

Изобретение применяется на этапах сбора данных и индексирования для обогащения информации о контенте.

CRAWLING – Сканирование и Сбор данных
Система использует краулинг для активного обнаружения внешних ресурсов, содержащих ссылки или встраивания. Также используется пассивный анализ входящих запросов (incoming requests) на доступ к контенту для идентификации ссылающихся ресурсов (referral sources).

INDEXING – Индексирование и извлечение признаков
Это основной этап применения патента.

• Извлечение признаков (Feature Extraction): Извлечение неструктурированных метаданных из обнаруженных ресурсов.
• Оценка признаков (Feature Evaluation): Анализ, оценка (присвоение confidence scores) и фильтрация этих данных. Ключевую роль играет анализ частоты (frequency) упоминаний на разных ресурсах.
• Индексация: Ассоциация отобранных метаданных с единицей контента. Это обогащает индексное представление медиафайла.

Вспомогательные системы (Content Identification)
Патент также описывает применение этого механизма для идентификации контента (аналог Content ID). Извлеченные метаданные используются для поиска совпадений в Reference Database. Это позволяет сузить набор кандидатов перед применением более ресурсоемких методов сравнения (например, аудио/видео отпечатков).

RANKING / QUNDERSTANDING
Улучшенные метаданные, полученные в результате этого процесса, впоследствии используются поисковой системой для лучшего понимания содержания медиафайла и его релевантности поисковым запросам.

Входные данные:

• Загруженная единица контента (uploaded media content item).
• Сетевые ресурсы (HTML-код страниц), содержащие ссылки на контент.
• Входящие запросы на воспроизведение контента.

Выходные данные:

• Обогащенный набор метаданных, ассоциированный с единицей контента.
• Набор кандидатов эталонных элементов, имеющих схожие метаданные.

На что влияет

• Конкретные типы контента: В первую очередь влияет на медиаконтент (видео, аудио, изображения), который часто встраивается или распространяется через ссылки на внешних ресурсах (например, контент YouTube).
• Конкретные ниши или тематики: Особенно сильно влияет на ниши с виральным контентом (музыка, новости, развлечения), где одно и то же видео может быть встроено на сотнях сайтов с разным контекстом.

Когда применяется

• При загрузке контента: Для первичного обогащения метаданных нового контента, особенно если пользователь предоставил мало информации.
• При обнаружении новых ссылок/встраиваний: Система может постоянно или периодически обновлять метаданные контента по мере обнаружения новых внешних упоминаний.
• Триггеры активации: Обнаружение ссылки (через краулинг или запрос на воспроизведение), достижение определенного порога количества ссылок или просмотров.

Пошаговый алгоритм

Процесс А: Сбор и обработка метаданных

1. Идентификация ресурсов: Система обнаруживает множество сетевых ресурсов, содержащих ссылку (линк или встраивание) на медиа-элемент. (Активно через краулинг или пассивно через мониторинг запросов на стриминг).
2. Извлечение данных: Компонент извлечения собирает потенциальные метаданные с каждого ресурса: заголовок страницы, URL, контекстный текст, расположенный в определенной близости (defined region) от ссылки/встраивания.
3. Оценка признаков и Валидация частотой: Компонент оценки признаков анализирует извлеченные данные. Ключевой этап валидации (согласно Claim 1) — анализ частоты (frequency) встречаемости терминов на разных ресурсах.
4. Расчет оценок уверенности: Каждому признаку присваивается оценка уверенности (confidence score value). Оценка повышается, если:
   • Термин часто встречается на разных ресурсах.
   • Текст находится близко к ссылке/встраиванию (proximity).
   • Термины написаны с заглавной буквы или соответствуют известным сущностям.
5. Фильтрация и Выбор: Отбирается набор признаков на основе частоты и оценок уверенности.
6. Индексация: Отобранный набор метаданных ассоциируется с медиа-элементом в хранилище данных.

Процесс Б: Использование метаданных для идентификации контента

1. Поиск кандидатов: Компонент сопоставления сравнивает обработанные метаданные с индексом структурированных метаданных в эталонной базе данных.
2. Оценка совпадений: Вычисляются оценки совпадения (match confidence score values) для кандидатов. Могут использоваться статистические методы, такие как Inverse Document Frequency (IDF), чтобы оценить уникальность совпадающих терминов.
3. Контентный анализ (Опционально): Для кандидатов с высокими оценками система может инициировать сравнение аудио/видео отпечатков для точного подтверждения идентичности контента.

Какие данные и как использует

Данные на входе

Система использует разнообразные данные, извлеченные из внешних ресурсов:

• Контентные факторы:
  • Заголовок ресурса (title of the resource).
  • Текстовый контент на ресурсе (text content at the resource).
  • Текст, расположенный вблизи ссылки/встраивания (defined region).
  • Текст, включенный в элемент ленты (feed item), если ссылка находится в ленте новостей/соцсети.
  • Заголовок, предоставленный для встроенного элемента на странице (embedded media item title).
• Технические факторы:
  • URI/URL ресурса.
  • Структура HTML документа (для определения близости).
• Ссылочные факторы:
  • Символы, включенные в ссылку или связанные с ней (например, анкорный текст).
• Мультимедиа факторы:
  • Медиаконтент на ресурсе (media content at the resource) – например, анализ аудиодорожки, играющей на странице, которая также встраивает видео.

Какие метрики используются и как они считаются

• Confidence Score Value (Оценка уверенности признака): Метрика, определяющая степень релевантности извлеченного признака (термина). Рассчитывается на основе взвешенных факторов, включая:
  • Frequency (Частота): Как часто термин встречается в метаданных, извлеченных с разных ресурсов для одного и того же контента (ключевой фактор валидации по Claim 1).
  • Proximity (Близость): Насколько близко текст расположен к ссылке/встраиванию.
  • Capitalization (Капитализация): Использование заглавных букв.
  • Known Terms Correspondence (Соответствие известным терминам): Совпадение с базой данных известных сущностей.
  • History of Relevance (История релевантности): Надежность метаданных, ранее извлеченных с данного ресурса.
• Match Confidence Score Value (Оценка уверенности совпадения): Метрика, указывающая на степень соответствия метаданных контента и эталонного элемента. Может использовать статистические меры, такие как Inverse Document Frequency (IDF), для оценки уникальности совпадающих N-грамм.

1. Контекст встраивания критически важен: Патент подтверждает, что Google активно и систематически использует контекст страниц, на которых встраивается медиаконтент, для понимания его содержания. Это не пассивный сбор данных, а активный процесс улучшения метаданных.
2. Внешние сигналы формируют понимание контента: Если исходные метаданные видео слабые, Google будет полагаться на то, как это видео описывают сторонние сайты. Это может как помочь, так и навредить, если контекст нерелевантен.
3. Частота и консистентность описаний — ключевой фактор валидации: Система явно использует частоту (frequency) повторения терминов на разных ресурсах как основной механизм валидации достоверности извлеченных метаданных (Claim 1). Консистентное описание контента в интернете усиливает его метаданные.
4. Близость текста к объекту является сильным сигналом: Текст, расположенный непосредственно рядом со встроенным видео или ссылкой (defined region), имеет больший вес при определении релевантности (proximity).
5. Улучшение идентификации контента (Content ID): Извлеченные метаданные используются как первый фильтр для систем идентификации контента. Это позволяет сделать процесс Content ID более эффективным, сужая круг кандидатов перед применением ресурсоемкого анализа отпечатков.

Best practices (это мы делаем)

• Оптимизация контекста на страницах встраивания (Video SEO): При встраивании видео на своих сайтах (в блоге, на странице товара) необходимо тщательно оптимизировать окружающий контекст. Заголовок страницы, подзаголовки и текст непосредственно перед и после видео должны быть максимально релевантными. Этот контекст будет извлечен и использован Google.
• Использование согласованной терминологии (Leveraging Frequency): Поскольку система использует частоту терминов на разных сайтах для валидации, важно использовать согласованную терминологию в PR, маркетинге и при работе с партнерами. Это повышает вероятность того, что ключевые термины будут часто встречаться на сторонних ресурсах и будут приняты системой как достоверные.
• Стимулирование качественного внешнего размещения: Поощряйте встраивание вашего контента на релевантных и авторитетных ресурсах. Чем качественнее контекст на внешних сайтах, тем лучше Google поймет ваш контент. При работе с партнерами предоставляйте им рекомендованные описания.
• Релевантность околоссылочного текста (Link Building): Патент подтверждает важность текста, находящегося в непосредственной близости от ссылки. При линкбилдинге приоритет должен отдаваться ссылкам, размещенным внутри релевантного эдиториального контента с оптимизированным окружающим текстом.

Worst practices (это делать не надо)

• Встраивание видео в нерелевантный контент: Размещение видео на страницах, тематика которых не связана с содержанием видео. Система может ассоциировать нерелевантные термины с вашим видео.
• Игнорирование контекста (Empty Embeds): Размещение видео на странице без какого-либо описательного текста вокруг него. Это лишает систему возможности извлечь полезные метаданные.
• Массовое встраивание на низкокачественных ресурсах: Посев контента на спамных сайтах может привести к ассоциации вашего контента с низкокачественными метаданными. Система фильтрации на основе частоты может это нивелировать, но риск остается.
• Использование вводящих в заблуждение описаний: Создание кликбейтных заголовков или описаний рядом со встроенным видео, которые не соответствуют его содержанию.

Стратегическое значение

Этот патент подчеркивает стратегию Google по использованию всего веба как источника аннотаций для контента. Для SEO-специалистов это означает, что оптимизация медиа-активов выходит за пределы платформы их загрузки. Стратегия Video SEO должна включать не только оптимизацию на YouTube, но и оптимизацию всех точек контакта с этим видео в интернете. Контекст становится ключевым фактором в том, как поисковая система интерпретирует и классифицирует нетекстовый контент.

Практические примеры

Сценарий: Оптимизация статьи в блоге со встроенным видео-обзором

1. Цель: Улучшить понимание Google содержания видео-обзора нового смартфона "Model X".
2. Действия:
   • Оптимизация заголовка статьи (Resource Title): "Детальный обзор смартфона Samsung Galaxy S26: Камера и Производительность".
   • Оптимизация текста перед видео (Proximity): Непосредственно перед встраиванием добавить текст: "В нашем видео-обзоре Samsung Galaxy S26 мы подробно рассматриваем функции камеры и результаты тестов батареи:".
   • Оптимизация подписи (Caption/Proximity): Добавить подпись сразу после видео: "Видео: Тестирование камеры Samsung Galaxy S26 в условиях низкой освещенности."
3. Внешнее распространение: PR-отдел договаривается о размещении обзора на 5 технологических сайтах, которые используют схожие формулировки в своих статьях.
4. Ожидаемый результат: Система извлечет термины "Samsung Galaxy S26", "обзор", "камера", "батарея" из непосредственной близости к видео. Поскольку эти термины повторяются на нескольких ресурсах (высокая frequency), система присвоит им высокий confidence score и ассоциирует их с медиафайлом.