Как Google использует историю покупок, социальные связи, геолокацию и демографию для персонализации ранжирования в поиске по медиаконтенту (Приложения, Книги, Музыка, Фильмы)

Термины и определения

Browse Query (Обзорный/Информационный запрос)

Запрос, ориентированный на открытие нового контента или исследование темы (например, «бесплатные игры»). Противопоставляется навигационным запросам.

Digital Content Database / Small Corpora («Малые корпуса»)

Коллекция документов определенного типа (музыка, книги, фильмы, приложения). Патент фокусируется на этих специализированных базах данных, а не на общем веб-индексе (WWW-based corpora).

Media Item (Медиа-элемент)

Единица цифрового контента: видео, фильм, ТВ-шоу, книга, аудиозапись, приложение (app), музыкальный альбом.

Media Preference Signal (Сигнал предпочтения медиа)

Данные о пользователе, используемые для персонализации. Включают демографию, историю покупок/просмотров, местоположение, социальные связи и т.д.

Navigational Query (Навигационный запрос)

Детализированный запрос с ясным намерением найти конкретный объект (например, «Spotify»).

Personalized Query-Dependent Scores (PQD) (Персонализированные оценки, зависящие от запроса)

Оценки, генерируемые путем комбинирования информации об интересах пользователя с текущим запросом.

Personalized Query-Independent Scores (PQI) (Персонализированные оценки, не зависящие от запроса)

Оценки, основанные на сигналах, связанных с пользователем (например, демография, история покупок), независимо от текущего запроса.

Query-Dependent Scores (Оценки, зависящие от запроса)

Стандартные оценки релевантности документа терминам в запросе пользователя.

Query-Independent Scores (Оценки, не зависящие от запроса)

Стандартные оценки качества или популярности документа, основанные на сигналах в корпусе (например, Query Volume, CTR, Conversion ratio), не зависящие от текущего запроса.

Search Engine Ranker (Ранжировщик поисковой системы)

Компонент, который рассчитывает итоговую оценку (Final Score) для каждого документа, комбинируя все четыре типа оценок.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод персонализации поиска медиаконтента.

1. Система получает запрос на поиск медиа-элемента.
2. Идентифицируются результаты поиска.
3. Генерируется оценка для каждого результата. Эта оценка основана на запросе И на одной или обеих персонализированных оценках (personalized query independent score и/или personalized query dependent score).
4. Персонализированные оценки основаны как минимум на одном media preference signal, связанном с пользователем.
5. Результаты ранжируются на основе сгенерированной оценки.

Claims 3-6 (Зависимые): Детализируют, какие именно media preference signals используются для разных типов контента. Это ключевая часть патента для практического применения.

Claim 3 (Книги): Сигналы предпочтений включают:

• Демографические данные пользователя.
• Историю предыдущих покупок и/или просмотров пользователя.
• Популярность книг в социальных кругах пользователя.

Claim 4 (Музыка): Сигналы предпочтений включают:

• Историю предыдущих покупок музыки и/или просмотров музыкальных видео.
• Популярность музыки в социальных кругах пользователя.
• Схожесть аудио (audio similarity) с треками, ранее купленными пользователем.
• Тип музыки на концертах, посещенных пользователем.

Claim 5 (Фильмы/ТВ-шоу): Сигналы предпочтений включают:

• Историю предыдущих покупок и/или просмотров фильмов/шоу.
• Популярность фильмов/шоу в социальных кругах пользователя.

Claim 6 (Приложения/Apps): Сигналы предпочтений включают:

• Популярность приложения среди демографической группы пользователя.
• Популярность приложения в географическом местоположении пользователя.
• Историю предыдущих покупок приложений пользователем.
• Популярность приложений в социальных кругах пользователя.

Claim 7 (Зависимый): Уточняет, что personalized query independent score может основываться на популярности медиа-элемента среди пользователей, находящихся в текущем географическом местоположении пользователя.

Где и как применяется

Этот патент применяется в специализированных поисковых системах по цифровому контенту (Digital Content Search Engine), таких как Google Play (Apps, Books, Movies), а не в основном веб-поиске Google.

INDEXING – Индексирование и извлечение признаков
На этом этапе система индексирует медиа-элементы и вычисляет стандартные Query-Independent Scores (общую популярность, CTR). Также происходит сбор и обработка Media Preference Signals пользователей (история, демография, социальный граф).

RANKING – Ранжирование
На этом этапе вычисляются стандартные Query-Dependent Scores (релевантность медиа-элемента запросу).

RERANKING – Переранжирование (Персонализация)
Это основной этап применения патента. Search Engine Ranker взаимодействует с профилем пользователя.

1. Вычисление PQI: Система рассчитывает Personalized Query-Independent Scores на основе демографии, истории покупок, социальных связей, локации пользователя и т.д.
2. Вычисление PQD: Система рассчитывает Personalized Query-Dependent Scores, анализируя, как интересы пользователя пересекаются с текущим запросом.
3. Комбинирование оценок: Ранжировщик объединяет все четыре типа оценок (стандартные и персонализированные) для генерации Final Score.
4. Финальное ранжирование: Результаты сортируются по Final Score.

Входные данные:

• Запрос пользователя (User Query).
• Список медиа-элементов из Digital Content Database.
• Стандартные оценки (Query-Dependent и Query-Independent).
• Профиль пользователя, содержащий Media Preference Signals.

Выходные данные:

• Персонализированный ранжированный список медиа-элементов с итоговыми оценками (Final Score).

На что влияет

• Конкретные типы контента: Влияет исключительно на цифровой медиаконтент: книги, музыку, фильмы, ТВ-шоу, приложения (Apps).
• Специфические запросы: Наибольшее влияние оказывает на Browse Queries (общие запросы, например, «экшн фильмы», «бесплатные игры»), где намерение пользователя широко и требуется персонализация. Меньше влияет на Navigational Queries.
• Географические факторы: Местоположение пользователя явно используется как сильный сигнал персонализации, особенно для приложений (например, локальные приложения для расписания транспорта).

Когда применяется

• Условия работы: Алгоритм применяется при поиске в специализированных базах цифрового контента.
• Триггеры активации: Активируется при наличии достаточных данных о пользователе (media preference signals). Персонализация усиливается для Browse Queries, где стандартных сигналов ранжирования может быть недостаточно для дифференциации результатов.

Пошаговый алгоритм

Процесс персонализированного ранжирования цифрового контента:

1. Получение запроса: Система получает от пользователя поисковый запрос на медиа-элемент.
2. Идентификация результатов: Система идентифицирует набор медиа-элементов в Digital Content Database, соответствующих запросу.
3. Получение стандартных оценок: Для каждого медиа-элемента извлекаются или рассчитываются:
   • Query-Dependent Score (релевантность запросу).
   • Query-Independent Score (общая популярность/качество в корпусе).
4. Получение сигналов предпочтений: Система обращается к профилю пользователя для извлечения релевантных Media Preference Signals (история покупок, демография, социальные круги, местоположение, история просмотров смежного контента).
5. Расчет персонализированных оценок:
   • Рассчитывается Personalized Query-Independent Score (PQI) на основе общих предпочтений пользователя.
   • Рассчитывается Personalized Query-Dependent Score (PQD) на основе пересечения предпочтений пользователя и текущего запроса.
6. Генерация итоговой оценки: Search Engine Ranker генерирует Final Score для каждого медиа-элемента, комбинируя стандартные и персонализированные оценки (PQI и/или PQD).
7. Ранжирование: Результаты поиска ранжируются на основе Final Score.
8. Отображение: Ранжированный список результатов отображается пользователю.

Какие данные и как использует

Данные на входе

Патент детализирует использование поведенческих, географических, пользовательских и социальных факторов для персонализации.

Поведенческие факторы (История взаимодействия):

• История покупок/загрузок (Buying History): Используется для всех типов контента. Система определяет категории/жанры и повышает похожий контент.
• История просмотров/превью (Previewing/Viewing History): Просмотры книг, трейлеров, фильмов, музыкальных видео. Упоминается, что просмотр трейлера может вызвать повышение соответствующего фильма или связанной книги в результатах поиска.
• Загрузки в хранилище (Music uploads to a music locker): Используется для анализа музыкальных предпочтений.
• Посещение мероприятий (Attendance of music events): Посещение концертов используется для определения музыкальных вкусов.
• История поиска (User Prior Search History): Используется для расчета PQD.

Пользовательские факторы:

• Демографические сигналы (User Demographic Signals): Возраст, пол. Используется для повышения контента, популярного в соответствующей демографической группе.
• Предпочтения жанров (Content Category/Genre Preferences): Выводятся на основе истории взаимодействия.

Географические факторы:

• Местоположение пользователя (User's geographic location): Используется для повышения контента, популярного в данном регионе, или локально релевантного контента (особенно для приложений). Может определяться по IP или вводиться пользователем.

Социальные факторы:

• Действия социальных кругов (Actions of user's social circles): Покупки, рекомендации (лайки, +1) друзей пользователя. Контент, популярный у друзей, получает повышение.

Мультимедиа факторы (Специфичные):

• Схожесть аудио (Audio similarity): Для музыки система может повышать треки, которые по аудио характеристикам похожи на те, что пользователь уже купил или загрузил.

Какие метрики используются и как они считаются

Патент не предоставляет конкретных формул для комбинирования оценок, но определяет четыре ключевые метрики, которые объединяются в Final Score:

1. Query-Dependent Score.
2. Query-Independent Score (включая метрики популярности в корпусе: Query Volume, Query Frequency, Query-to-click ratio, Clickthrough ratio (CTR), Query-to-conversion ratio, Conversion ratio).
3. Personalized Query-Dependent Score (PQD).
4. Personalized Query-Independent Score (PQI).

Методы расчета PQD и PQI основаны на применении Media Preference Signals для бустинга (повышения оценки) медиа-элементов, соответствующих профилю пользователя.

1. Сегментированная релевантность (ASO и Вертикальный поиск): Этот патент имеет критическое значение для оптимизации приложений (ASO) и продвижения цифрового контента в вертикалях Google (Книги, Фильмы, Музыка). Он четко определяет, что ранжирование в этих системах глубоко персонализировано и отличается от веб-поиска.
2. Ключевая роль истории взаимодействия: История покупок, просмотров и загрузок пользователя является фундаментальным сигналом (Media Preference Signal) для определения его интересов и последующего бустинга релевантного контента.
3. Социальное доказательство как фактор ранжирования: Активность социальных кругов пользователя (покупки, лайки, +1) напрямую влияет на ранжирование контента для этого пользователя. Это подтверждает использование социального графа в качестве сильного сигнала ранжирования в этих вертикалях.
4. Влияние демографии и геолокации: Демографические данные (возраст, пол) и местоположение пользователя используются для повышения контента, популярного в соответствующих сегментах аудитории. Локализация особенно критична для приложений (Apps).
5. Кросс-медийное влияние: Патент описывает, как потребление одного типа контента влияет на ранжирование другого. Например, просмотр фильма или трейлера повышает ранжирование книги-первоисточника; просмотр музыкального видео повышает ранжирование соответствующего трека.
6. Различие между PQI и PQD: Система использует как общие предпочтения пользователя (PQI) для бустинга определенных категорий контента, так и контекстуальные предпочтения (PQD) для интерпретации текущего запроса в свете интересов пользователя.

Best practices (это мы делаем)

Рекомендации применимы для ASO и продвижения контента в вертикалях Google (Google Play и т.п.).

• Стимулирование социального взаимодействия: Активно поощряйте пользователей делиться контентом, ставить лайки/+1 и рекомендовать его в своих социальных сетях. Поскольку действия социальных кругов являются прямым сигналом персонализации, это увеличит видимость контента для друзей этих пользователей.
• Оптимизация под целевые демографические и географические сегменты: Анализируйте, в каких демографических группах и регионах ваш контент наиболее популярен. Усиление позиций в ключевом сегменте приведет к бустингу в ранжировании для пользователей из этого сегмента за счет Personalized Query-Independent Score.
• Использование кросс-промо и связывание контента: Используйте связь между разными типами медиа. Например, при продвижении книги активно продвигайте связанный с ней фильм (и наоборот), например, через трейлеры на YouTube. Просмотр трейлера пользователем улучшит ранжирование связанного контента для него.
• Стимулирование вовлеченности и удержания (Retention): Поскольку история просмотров и покупок является ключевым сигналом, важно не только привлечь пользователя, но и удержать его. Чем больше пользователь взаимодействует с вашим контентом (или контентом вашей категории), тем выше вероятность бустинга в будущем.
• Локализация приложений (ASO): Для приложений, имеющих локальную привязку (транспорт, доставка, услуги), критически важно фокусироваться на достижении популярности в конкретных регионах, так как геолокация является сильным сигналом персонализации для Apps.

Worst practices (это делать не надо)

• Игнорирование персонализации в пользу только ключевых слов: Оптимизация метаданных (название, описание) под ключевые слова без учета целевой аудитории и её предпочтений будет неэффективной, так как персонализированные сигналы могут перевесить стандартную релевантность.
• Накрутка общих поведенческих факторов без сегментации: Попытки манипулировать общими сигналами популярности (Query-Independent Scores) могут быть менее эффективными, чем органический рост популярности внутри целевого сегмента пользователей, который активирует Personalized Scores.
• Фокус только на навигационном трафике: Концентрация только на брендовых (навигационных) запросах и игнорирование оптимизации под Browse Queries (общие категории) упускает возможность привлечения новой аудитории через механизмы персонализированного поиска.

Стратегическое значение

Патент подчеркивает, что в экосистемах цифрового контента Google приоритет отдается не просто релевантности запросу, а соответствию контента долгосрочным интересам и профилю пользователя. Для ASO и вертикального поиска это означает, что стратегия должна быть направлена на построение аудитории и стимулирование органического вовлечения внутри целевых сегментов. Понимание механизмов кросс-медийного влияния и роли социальных сигналов позволяет строить более сложные и эффективные маркетинговые кампании.

Практические примеры

Сценарий 1: Использование геолокации для ASO

• Задача: Продвинуть новое приложение для заказа такси в Берлине по запросу «Taxi App».
• Действия согласно патенту: Фокусировать маркетинговые усилия (реклама, PR) строго на Берлине для достижения высокой локальной популярности. Оптимизировать метаданные под локальный контекст.
• Ожидаемый результат: Система идентифицирует, что приложение популярно в Берлине (Сигнал из Claim 6 и 7). Когда пользователь из Берлина вводит «Taxi App», система применит Personalized Query-Independent Score, основанный на геолокации, и повысит это приложение в выдаче выше глобальных конкурентов.

Сценарий 2: Кросс-медийное продвижение книги

• Задача: Увеличить видимость книги в жанре фэнтези в Google Books.
• Действия согласно патенту: Запустить рекламную кампанию на YouTube с трейлером этой книги (или фильма, если есть экранизация), таргетированную на любителей фэнтези.
• Ожидаемый результат: Пользователи, посмотревшие трейлер, фиксируются системой. Когда эти пользователи позже ищут книги (даже по общему запросу «фэнтези»), система использует их историю просмотров видео (User's movie/trailer viewing history) для повышения данной книги в их персонализированной выдаче.

Сценарий 3: Использование социальных сигналов для музыки

• Задача: Продвинуть новый альбом инди-группы.
• Действия согласно патенту: Организовать кампанию в социальных сетях, стимулируя фанатов делиться альбомом и ставить лайки/+1. Провести конкурсы среди микро-инфлюенсеров.
• Ожидаемый результат: Когда друзья этих фанатов и подписчиков будут искать музыку (например, по общему запросу "инди-музыка"), система использует активность их социальных кругов (Сигнал из Claim 4) для повышения альбома в выдаче, предполагая схожесть интересов.