Как Google (YouTube) анализирует трафик конкурирующих видео для рекомендации улучшений метаданных

Термины и определения

Channel Originality (Оригинальность канала)

Метрика (от 0 до 1), измеряющая общую оригинальность контента на канале. Рассчитывается на основе агрегированных показателей конкуренции (gSCS) и времени просмотра видео канала.

Collective Search Competition Score (gSCS)

Агрегированная метрика, измеряющая степень конкуренции одного видео со всеми остальными видео коллективно.

Competition Score (Search Competition Score, SCS)

Метрика (от 0 до 1), измеряющая схожесть поисковых запросов, за которые конкурируют два видео. Рассчитывается как косинусное сходство между векторами просмотров видео.

Derivative Video (Производное видео)

Видео, которое не создано оригинальным автором, но использует контент из Original Video (полностью или частично).

Metadata Improvement (Улучшение метаданных)

Поисковый термин, который приводит трафик на конкурирующее видео, но отсутствует в метаданных анализируемого видео. Рекомендуется к добавлению.

Original Video (Оригинальное видео)

Видео, содержащее оригинальный контент, загруженное создателем или авторизованным партнером.

Query Space (Пространство запросов)

Векторное пространство, где каждое измерение соответствует поисковому запросу.

Search Records (Записи поиска)

Записи в логах поиска, включающие поисковый запрос, результирующие видео и связанные с ними View Durations.

Video Vector (Вектор видео)

Векторное представление видео в Query Space, где значением в каждом измерении является View Duration по соответствующему запросу.

View Durations (Время просмотра)

Продолжительность времени, в течение которого видео просматривалось пользователем в ответ на конкретный поисковый запрос.

Ключевые утверждения (Анализ Claims)

Claim 1 и 2 (Независимые пункты): Описывают основной метод рекомендации метаданных.

1. Система получает логи поиска (Search Records), содержащие запросы, результаты и время просмотра (View Durations).
2. Идентифицируются два конкурирующих видео (Видео 1 и Видео 2). Конкуренция определяется тем, что оба видео появлялись в результатах одного и того же поискового запроса.
3. Определяется набор поисковых запросов, направленных на Видео 1 (т.е. по которым Видео 1 было результатом).
4. Из этого набора запросов извлекаются поисковые термины.
5. Эти термины сравниваются с метаданными Видео 2.
6. Если метаданные Видео 2 не содержат определенный термин из запросов к Видео 1, этот термин идентифицируется как Metadata Improvement для Видео 2.
7. Это улучшение предоставляется пользователю, связанному с Видео 2 (например, автору).

Claim 4 (Зависимый): Определяет, как именно идентифицируются конкурирующие видео.

• Идентификация происходит путем расчета Competition Score. Этот балл указывает на степень конкуренции между Видео 1 и Видео 2 за просмотры пользователей и основывается на анализе запросов, направленных на оба видео, и связанных с ними View Durations.

Claim 6 (Зависимый): Детализирует механизм расчета Competition Score.

1. Для Видео 1 генерируется первый вектор, представляющий время просмотра видео в ответ на первый набор запросов.
2. Для Видео 2 аналогичным образом генерируется второй вектор.
3. Измеряется степень сходства между первым и вторым векторами. (В описании патента уточняется, что используется косинусное сходство).
4. На основе измеренного сходства рассчитывается Competition Score.

Где и как применяется

Изобретение применяется в рамках специализированной поисковой вертикали – системы видеохостинга (например, YouTube), и затрагивает процессы индексирования, ранжирования и аналитики.

INDEXING – Индексирование и извлечение признаков
На этом этапе система (Ingest Server) обрабатывает загруженные видео, извлекает и сохраняет метаданные (теги, описания, заголовки), которые впоследствии используются для анализа и сравнения.

RANKING – Ранжирование
Система поиска видео (Video Search Server) обрабатывает запросы и ранжирует результаты. Этот процесс генерирует логи поиска (Search Records) и данные о времени просмотра (View Durations), которые являются входными данными для запатентованной системы. Кроме того, результаты расчета конкуренции (например, Channel Originality) могут использоваться как сигнал для корректировки ранжирования (например, для понижения Derivative Videos).

Аналитика и Рекомендации (Вне основного потока ранжирования)
Основное применение патента происходит в аналитической системе (Video Competition Engine), которая работает с накопленными данными.

1. Обработка данных (Офлайн/Пакетная): Video Competition Engine обрабатывает логи поиска для расчета Competition Scores между видео.
2. Генерация рекомендаций: Система анализирует трафик конкурентов и выявляет Metadata Improvements.
3. Интерфейс пользователя: Результаты анализа и рекомендации представляются автору через аналитический интерфейс (Competition Monitoring and Presentation Module).

Входные данные:

• Логи поиска (Search Records): запросы, идентификаторы видео в результатах, View Durations.
• Метаданные видео.

Выходные данные:

• Competition Scores (SCS и gSCS).
• Метрика Channel Originality.
• Рекомендации Metadata Improvement.
• Аналитические отчеты о распределении трафика между конкурентами.

На что влияет

• Конкретные типы контента: Влияет исключительно на видеоконтент на хостинговых платформах. Особенно критично для контента, который часто копируется, перезаливается или перерабатывается (музыкальные клипы, мемы, вирусные видео, обучающие материалы).
• Специфические запросы: Влияет на видимость видео по широкому спектру информационных, развлекательных и транзакционных запросов в рамках видеоплатформы.

Когда применяется

• Условия работы алгоритма: Алгоритм расчета конкуренции работает периодически (офлайн или по расписанию) на основе накопленных логов поиска за определенный период.
• Триггеры активации (для рекомендации): Рекомендация генерируется при выполнении двух условий: 1) Идентифицировано конкурирующее видео (Competition Score выше определенного порога); 2) Это видео получает трафик по запросам, термины которых отсутствуют в метаданных анализируемого видео.

Пошаговый алгоритм

Процесс А: Расчет конкуренции между видео

1. Сбор данных: Получение логов поиска, включающих Search Records.
2. Идентификация данных: Извлечение поисковых запросов и связанных с ними View Durations для каждого видео.
3. Генерация векторов: Создание векторов (Video Vector) для представления видео. Каждый компонент вектора соответствует общему времени просмотра видео в ответ на конкретный запрос. $V = \{V_n\}$.
4. Расчет парной конкуренции: Определение Search Competition Score (SCS) между парой видео, используя косинусное сходство их векторов. $SCS(V_i, V_j) = \frac{V_i \cdot V_j}{|V_i||V_j|}$.
5. Расчет коллективной конкуренции (Опционально): Определение Collective Search Competition Score (gSCS) путем агрегации парных SCS.
6. Расчет оригинальности канала (Опционально): Расчет Channel Originality на основе gSCS и общего времени просмотра видео канала.

Процесс Б: Рекомендация метаданных

1. Идентификация конкурентов: Идентификация анализируемого видео и его конкурирующих видео (например, тех, чей SCS из Процесса А превышает порог).
2. Анализ трафика конкурентов: Идентификация поисковых запросов, по которым конкурирующие видео получали просмотры.
3. Извлечение терминов: Идентификация поисковых терминов в этих запросах.
4. Сравнение метаданных: Сравнение этих поисковых терминов с метаданными анализируемого видео.
5. Генерация рекомендации: Если термин отсутствует в метаданных, он идентифицируется как Metadata Improvement.
6. Предоставление рекомендации: Отображение рекомендации автору видео.

Какие данные и как использует

Данные на входе

• Контентные факторы (Метаданные): Теги, заголовки, описания видео. Эти данные используются на этапе сравнения для выявления отсутствующих терминов.
• Поведенческие факторы:
  • Логи поиска (Search Logs/Records): Основной источник данных. Включают текст поисковых запросов пользователей.
  • Время просмотра (View Durations): Критически важный показатель. Используется как вес для каждого запроса при построении векторов видео. Именно время просмотра, а не просто клик, определяет важность запроса для видео.
  • Количество просмотров (View Counts): Используется в аналитических отчетах для отображения статистики.

Какие метрики используются и как они считаются

Система вычисляет несколько ключевых метрик для оценки конкуренции и оригинальности:

• Video Vector (Вектор Видео): Представление видео на основе времени просмотра по запросам. $V = \{V_n\} \in Q$ (где Q - пространство запросов, V_n - время просмотра по запросу n).
• Search Competition Score (SCS): Измеряет парную конкуренцию как косинусное сходство между двумя векторами видео. $SCS(V_i, V_j) = \frac{V_i \cdot V_j}{|V_i||V_j|}$.
• Collective Search Competition Score (gSCS): Измеряет коллективную конкуренцию путем агрегации парных SCS. $gSCS(v_i) = f^{-1}(\sum_j f(SCS(v_i, v_j)))$.
• Channel Originality (Оригинальность Канала): Взвешенное среднее значение gSCS для всех видео канала. $O(c) = 1 - \frac{\sum_{v \in C} gSCS(v) \cdot \text{watchtime}(v)}{\sum_{v \in C} \text{watchtime}(v)}$.

1. Время просмотра (View Duration) как ключевой сигнал релевантности: Патент демонстрирует, что для оценки релевантности видео запросу используется не просто факт клика, а именно View Duration. Время просмотра служит весом для запроса при построении векторной модели видео.
2. Конкуренция основана на общности запросов и удержании: Два видео считаются конкурирующими, если они оба получают значительное время просмотра по одним и тем же запросам. Это измеряется через косинусное сходство векторов просмотров (Competition Score).
3. Прямой механизм для анализа упущенной семантики: Система предоставляет авторам конкретный, основанный на данных способ выявления ключевых слов, по которым они теряют трафик. Это анализ не просто метаданных конкурентов, а реальных поисковых запросов, которые привели к просмотрам конкурентов.
4. Фокус на защите оригинального контента: Система явно разработана для помощи Original Videos в конкуренции с Derivative Videos. Она не только помогает улучшить видимость оригиналов, но и может использоваться (через корректировку ранжирования) для понижения копий.
5. Оригинальность канала как фактор ранжирования: Введение метрики Channel Originality предполагает, что общая оригинальность контента на канале может влиять на его репутацию, возможности монетизации и ранжирование его видео в целом.

Best practices (это мы делаем)

Рекомендации для специалистов по Video SEO (YouTube):

• Комплексная оптимизация метаданных: Необходимо максимально полно заполнять заголовки, описания и теги, охватывая все релевантные поисковые интенты, синонимы и возможные формулировки. Патент подтверждает, что упущенная семантика напрямую ведет к потере трафика в пользу конкурентов.
• Регулярный анализ отчетов по источникам трафика: Критически важно изучать отчеты (аналогичные показанному на FIG. 4 в патенте), чтобы понять, по каким запросам пользователи находят видео. Если система показывает запросы, которые не были явно оптимизированы, их нужно добавить в метаданные.
• Использование встроенных рекомендаций платформы: Если YouTube предлагает автоматические рекомендации по добавлению тегов или улучшению описания (что может быть реализацией этого патента), их следует приоритетно использовать, так как они основаны на реальных данных об упущенном трафике.
• Фокус на удержании аудитории (View Duration): Поскольку View Duration является весом в векторной модели, создание контента с высоким удержанием критически важно. Это повышает "вес" видео по релевантным запросам и усиливает его конкурентные позиции.

Worst practices (это делать не надо)

• Минималистичные метаданные: Загрузка видео с коротким заголовком и без описания/тегов делает его крайне уязвимым. Конкуренты или копии (Derivative Videos) с лучшей оптимизацией смогут легко перехватить поисковый трафик.
• Создание каналов с неоригинальным контентом: Система направлена на выявление Derivative Videos. Каналы, состоящие преимущественно из копий или компиляций чужого контента, рискуют получить низкий Channel Originality, что может привести к пессимизации или проблемам с монетизацией.
• Кликбейт без удержания: Использование кликбейтных заголовков или значков для привлечения кликов неэффективно, если View Duration остается низким. Это не даст значительного веса в векторном представлении видео.

Стратегическое значение

Патент подтверждает стратегию Google по использованию сложных поведенческих метрик (время просмотра в контексте конкретного запроса) для оценки релевантности и качества контента на видеоплатформах. Для долгосрочной SEO-стратегии на YouTube это означает, что техническая оптимизация метаданных должна идти рука об руку с работой над качеством контента и удержанием аудитории. Также патент подчеркивает важность создания уникального контента и защиты авторских прав, вводя метрики для оценки оригинальности на уровне видео и канала.

Практические примеры

Сценарий: Оптимизация метаданных обучающего видео

1. Ситуация: Автор загружает видео "Как настроить гитару для начинающих" (Original Video). Другой пользователь скачивает его, делает небольшие изменения и перезаливает как "Быстрый способ настройки гитары" (Derivative Video).
2. Анализ конкуренции: Система рассчитывает Competition Score и определяет, что оба видео конкурируют за схожую аудиторию.
3. Анализ трафика: Система фиксирует, что Derivative Video получает значительное View Duration по запросу "настройка гитары без тюнера".
4. Сравнение метаданных: Система проверяет метаданные Original Video и видит, что фраза "без тюнера" там отсутствует, хотя метод, показанный в видео, это позволяет.
5. Рекомендация: Система предлагает автору Original Video добавить термин "без тюнера" в описание или теги (Metadata Improvement).
6. Результат: Original Video начинает лучше ранжироваться по этому специфическому запросу, возвращая себе трафик, который уходил на копию.