SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE
назад

Как Google визуализирует связи между рекомендованными видео с помощью "взвешенной совместной посещаемости"

VISUAL PRESENTATION OF VIDEO RECOMMENDATIONS (Визуальное представление рекомендаций видео)
  • US7966632B1
  • Google LLC
  • 2007-12-12
  • 2011-06-21
  • Поведенческие сигналы
  • Мультимедиа
  • Персонализация
  • Описание
  • Разбор
  • Выводы
  • Практика
  • FAQ
  • Похожие

Патент Google, описывающий интерфейс для просмотра рекомендаций видео. Система отображает центральное видео и связанные с ним ролики, расположенные вокруг него. Расстояние между видео зависит от их "оценки рекомендации", основанной на том, как часто пользователи смотрят эти видео одно за другим (взвешенная совместная посещаемость), и их корреляции друг с другом.

Описание

Какую проблему решает

Патент решает проблему представления длинных списков рекомендаций видео в удобном для пользователя формате. Вместо стандартного списка ссылок или миниатюр, изобретение предлагает интуитивно понятный визуальный интерфейс, который позволяет пользователям быстро оценить связи и корреляцию между рекомендованными видео. Это улучшает пользовательский опыт (UX) навигации по видеоконтенту.

Что запатентовано

Запатентована система и метод для визуального просмотра нескольких групп рекомендаций видео. Интерфейс отображает Central Video (текущий фокус интереса) и набор связанных Orbiting Videos. Расположение орбитальных видео определяется двумя ключевыми факторами: их Recommendation Score по отношению к центральному видео (на основе Weighted Covisitation Measure) и их корреляцией друг с другом (моделируемой через силы притяжения и отталкивания).

Как это работает

Система работает следующим образом:

  • Расчет рекомендаций: Для выбранного Central Video система вычисляет Recommendation Scores для связанных видео. Эта оценка основана на Weighted Covisitation Measure — вероятности того, что пользователь посмотрит связанное видео следующим.
  • Визуализация связей: Система рассчитывает физическое расположение видео на экране. Расстояние от центра отражает силу рекомендации.
  • Моделирование корреляции: Для определения взаимного расположения рекомендованных видео используется модель физических сил. Pulling Force (притяжение) сближает похожие видео (пропорционально их оценкам), а Repelling Force (отталкивание) предотвращает их наложение. Это создает визуальную кластеризацию.
  • Интерактивность: Когда пользователь меняет фокус интереса (выбирает новое центральное видео), система генерирует новую группу рекомендаций и пересчитывает визуальное представление.

Актуальность для SEO

Средняя (для платформ видеохостинга). Хотя конкретный интерфейс, описанный в патенте (с орбитальным расположением), может не использоваться в текущих продуктах Google (YouTube сейчас предпочитает сетки и списки), базовые принципы, лежащие в основе генерации рекомендаций, остаются фундаментальными. Использование Covisitation (совместной посещаемости) является ключевым элементом современных рекомендательных систем.

Важность для SEO

Влияние на традиционное SEO минимальное (2/10). Патент описывает в первую очередь UI/UX для платформ видеохостинга (например, YouTube) и механизм генерации рекомендаций на основе поведения пользователей, а не алгоритмы ранжирования веб-поиска. Однако он имеет значение для YouTube SEO (оптимизации видео), поскольку раскрывает важность Covisitation как сигнала для получения рекомендательного трафика.

Детальный разбор

Термины и определения

Central Video (Центральное видео)
Текущий фокус интереса пользователя; видео, вокруг которого строятся и отображаются рекомендации.
Orbiting Videos (Орбитальные видео)
Набор рекомендованных видео, связанных с Central Video. В интерфейсе они отображаются вокруг центрального видео.
Covisitation (Совместная посещаемость)
Событие, когда пользователь просматривает одно видео, а затем другое. Учитывается при определении связи между видео.
Weighted Covisitation Measure (Взвешенная мера совместной посещаемости)
Метод оценки связи между видео. Учитывает количество совместных просмотров, скорректированное с помощью Scaling Factor для учета масштаба (популярности) видео.
Recommendation Score (Оценка рекомендации)
Числовое значение, представляющее условную вероятность того, что данное видео будет просмотрено следующим после Central Video. Определяет расстояние от центра в интерфейсе.
Pulling Force (Сила притяжения)
Виртуальная сила в модели визуализации, которая сближает два орбитальных видео на экране. Её сила пропорциональна Recommendation Scores этих видео.
Repelling Force (Сила отталкивания)
Виртуальная сила, которая отталкивает орбитальные видео друг от друга для предотвращения наложения. Указывается, что сила падает с квадратом расстояния между двумя видео.
Scaling Factor (α) (Коэффициент масштабирования)
Степенной коэффициент, используемый в формуле Weighted Covisitation Measure для нормализации влияния популярности видео. В патенте предлагается значение 0.6.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод визуального просмотра рекомендаций.

  1. Система получает выбор видео из первой группы рекомендаций.
  2. Это видео назначается как Central Video.
  3. Генерируется вторая группа рекомендаций, где каждое видео имеет Recommendation Score.
  4. Координируется визуальное отображение второй группы вокруг Central Video. Ключевое условие: каждое видео отображается на расстоянии от центра, основанном на его Recommendation Score относительно центрального видео, И отображается относительно других видео в группе на основе его Recommendation Score относительно оценок других видео в группе.

Ядро изобретения — это способ визуализации, где позиция элемента на экране определяется не только его связью с центром, но и его связями с соседними элементами, что позволяет визуализировать кластеры.

Claim 4 (Зависимый): Уточняет, что генерация второй группы включает определение корреляции между видео, которая определяется силами притяжения (pulling forces) и отталкивания (repelling forces) между ними.

Claim 5 (Зависимый): Определяет, что Pulling Force измеряет относительную связанность между видео и пропорциональна Recommendation Score видео.

Claim 7 (Зависимый): Уточняет, что генерация рекомендаций включает:

  1. Связывание видео с Central Video с использованием Weighted Covisitation Measure.
  2. Генерацию Recommendation Score на основе этой меры.

Claim 9 (Зависимый от 8): Определяет формулу для Recommendation Score (вероятности следующего просмотра):

score(videoB)=num

Выводы

  1. Фокус на UI/UX и Рекомендациях, а не на Поиске: Патент описывает интерфейс для визуализации рекомендаций видео и базовый алгоритм для их генерации. Он не имеет отношения к ранжированию в веб-поиске и не дает прямых рекомендаций для традиционного SEO.
  2. Фундаментальная роль Поведенческих Факторов (Covisitation): Ключевым инсайтом для специалистов по видео (YouTube SEO) является подтверждение того, что Weighted Covisitation Measure лежит в основе рекомендаций. То, что пользователи смотрят после вашего видео, напрямую влияет на то, кому и когда оно будет рекомендовано.
  3. Нормализация Популярности: Использование Scaling Factor (α < 1) в формуле показывает, что Google стремится сбалансировать популярность и релевантность. Это предотвращает ситуацию, когда сверхпопулярные видео полностью доминируют в рекомендациях, и дает шанс менее известному, но сильно связанному контенту.
  4. Важность Удержания: Упоминание учета "длины фактически просмотренного фрагмента" подтверждает, что качество просмотра (удержание аудитории) является важным фактором для активации рекомендательных механизмов.
  5. Визуализация Кластеров: Описанный механизм визуализации (силы притяжения/отталкивания) демонстрирует сложный подход к отображению связей, учитывающий не только связь с центром, но и взаимосвязи между самими рекомендациями.

Практика

ВАЖНО: Патент описывает механизмы для платформ видеохостинга (например, YouTube). Приведенные ниже рекомендации относятся к YouTube SEO, а не к традиционному SEO для веб-сайтов.

Best practices (это мы делаем)

  • Оптимизация под совместную посещаемость (Covisitation): Стратегически управляйте путем пользователя после просмотра видео. Цель состоит в том, чтобы стимулировать просмотр других ваших видео или видео в вашей нише, с которыми вы хотите ассоциироваться. Используйте плейлисты, подсказки, конечные заставки и вербальные призывы к действию (CTA).
  • Фокус на Удержании Аудитории (Audience Retention): Поскольку система может учитывать "длину фактически просмотренного фрагмента", высокое удержание критично. Это гарантирует, что просмотр будет засчитан как качественный и будет эффективно использоваться в расчете Covisitation.
  • Создание Серийного Контента: Разработка серий видео или взаимосвязанного контента естественным образом стимулирует последовательные просмотры. Это напрямую усиливает сигналы Covisitation между этими видео, увеличивая их Recommendation Scores.

Worst practices (это делать не надо)

  • Кликбейт и Введение в Заблуждение: Тактики, ведущие к высокому показателю отказов и низкому удержанию, контрпродуктивны. Если пользователи быстро покидают видео, это минимизирует генерацию сильных сигналов Covisitation, снижая вероятность попадания в рекомендации.
  • Изолированный Контент без CTA: Публикация видео без четких указаний на следующий шаг (следующее видео, подписка) упускает возможность направить поведение пользователя и усилить Covisitation.
  • Резкая Смена Тематики Канала: Это может нарушить устоявшиеся паттерны совместной посещаемости. Система теряет четкие связи между вашим новым контентом и предыдущим, что может негативно сказаться на рекомендательном трафике.

Стратегическое значение

Патент подтверждает, что рекомендательные системы Google (как YouTube) в значительной степени опираются на анализ поведенческих паттернов (что смотрят вместе) и метрики вовлеченности (как долго смотрят), а не только на метаданные и ключевые слова. Для успеха на видеоплатформах долгосрочная стратегия должна быть направлена на максимизацию общего времени просмотра сессии и управление навигацией пользователя по контенту.

Практические примеры

Сценарий: Оптимизация серии обучающих видео по веб-дизайну для YouTube.

  1. Цель: Увеличить совместную посещаемость (Covisitation) между Видео 1 ("Основы HTML") и Видео 2 ("Основы CSS").
  2. Действия:
    1. Объединить видео в последовательный плейлист "Веб-дизайн для начинающих".
    2. В конце Видео 1 добавить вербальный призыв: "В следующем уроке мы разберем, как стилизовать эту страницу с помощью CSS. Кликайте на экран, чтобы перейти к нему".
    3. Разместить в конечной заставке Видео 1 прямую ссылку на Видео 2.
    4. Убедиться, что оба видео имеют высокое удержание (более 50%).
  3. Ожидаемый результат: Значительный процент пользователей переходит с Видео 1 на Видео 2. Recommendation Engine фиксирует высокую Weighted Covisitation Measure между ними. Это увеличивает Recommendation Score Видео 2 по отношению к Видео 1, повышая вероятность его показа в блоке рекомендаций.

Вопросы и ответы

Имеет ли этот патент отношение к ранжированию сайтов в Google Поиске?

Нет, этот патент не имеет прямого отношения к традиционному веб-поиску. Он описывает пользовательский интерфейс (UI) для визуализации рекомендаций на видеохостинге (например, YouTube) и базовый алгоритм генерации этих рекомендаций, основанный на поведении пользователей при просмотре видео.

Что такое "Covisitation" (Совместная посещаемость) и почему это важно для YouTube SEO?

Covisitation — это событие, когда пользователь смотрит одно видео, а затем другое. Это критически важный сигнал для рекомендательных систем. Если многие пользователи после Видео А смотрят Видео Б, система считает их сильно связанными. Оптимизация под Covisitation (например, через плейлисты и конечные заставки) увеличивает вероятность попадания вашего контента в рекомендации.

Что означает "Weighted Covisitation Measure" и как используется Scaling Factor (α)?

Это способ расчета силы связи между видео, который нормализует влияние популярности. Формула делит количество совместных просмотров на количество просмотров первого видео, возведенное в степень α (Scaling Factor). Если α < 1 (в патенте предложено 0.6), это уменьшает "штраф" за популярность первого видео, позволяя рекомендовать сильно связанные, но менее известные видео.

Учитывает ли система, сколько времени пользователь смотрел видео?

Да, в патенте прямо упоминается возможность генерации Recommendation Scores на основе "длины фактически просмотренного фрагмента" (length of the video actually watched). Это подчеркивает важность высокого удержания аудитории для эффективной работы рекомендательных механизмов.

Используется ли сейчас интерфейс с "орбитальными видео", описанный в патенте?

Конкретный интерфейс с видео, вращающимися вокруг центра и перемещающимися под действием сил притяжения/отталкивания, в настоящее время не является стандартным для YouTube. Однако базовые алгоритмы расчета рекомендаций на основе Covisitation, описанные в патенте, остаются актуальными для современных интерфейсов (сеток, списков рекомендаций).

Как я могу улучшить Covisitation для моих видео?

Создавайте серийный контент, объединяйте видео в тематические плейлисты, используйте интерактивные элементы (конечные заставки, подсказки) для направления пользователя к следующему видео и давайте четкие вербальные призывы к действию. Главное — мотивировать пользователя продолжить просмотр связанного контента.

Влияет ли название или описание видео на Covisitation?

Напрямую нет, так как Covisitation — это поведенческий сигнал. Однако метаданные влияют на то, как пользователи находят ваше видео изначально (через поиск или первичные рекомендации). Если метаданные не соответствуют контенту (кликбейт), удержание будет низким, что негативно скажется на сигналах, используемых для расчета рекомендаций.

Что такое силы притяжения (Pulling Force) и отталкивания (Repelling Force) в этом патенте?

Это концепции, используемые исключительно для визуализации в интерфейсе. Pulling Force сближает видео с похожими паттернами просмотра (визуально кластеризует их), а Repelling Force гарантирует, что иконки видео не накладываются друг на друга. Они не являются факторами ранжирования, а служат для расчета координат на экране.

Может ли этот механизм рекомендовать видео с других каналов?

Да, безусловно. Система анализирует поведение всех пользователей платформы. Если после просмотра вашего видео пользователи часто переходят на контент другого канала, система установит связь Covisitation между вашим видео и видео того канала, что приведет к взаимным рекомендациям.

Какая главная мысль этого патента для создателя контента на YouTube?

Главная мысль заключается в том, что для максимизации охвата через рекомендации необходимо сосредоточиться на создании качественного контента, который удерживает внимание зрителя и стимулирует его к дальнейшему просмотру связанных видео (ваших или чужих). Поведение аудитории определяет рекомендации.

Похожие патенты

Как Google (YouTube) использует последовательность просмотров и общее время просмотра для определения и ранжирования похожих видео
Google использует поведенческие сигналы для определения похожих видео на платформах типа YouTube. Система анализирует, какие видео пользователи смотрят одно за другим в течение короткого времени (ко-просмотры). Если пользователи положительно взаимодействуют (например, долго смотрят) с Видео А и сразу после этого с Видео Б, система считает их связанными. Финальный список рекомендаций ранжируется с учетом временной близости просмотров и общего времени просмотра (Total Watch Time).
  • US9088808B1
  • 2015-07-21
  • Поведенческие сигналы

  • Мультимедиа

  • Персонализация

Как Google использует поведенческие сигналы и совместные просмотры для генерации рекомендаций контента (например, "Похожие видео" на YouTube)
Google использует механизм коллаборативной фильтрации для определения связанности контента, анализируя логи взаимодействия пользователей. Система определяет, какой контент пользователи потребляют совместно в рамках одной сессии ("locality of time"). Учитываются только "позитивные взаимодействия" (например, длительный просмотр, высокая оценка). Это позволяет формировать рекомендации на основе реального поведения аудитории, а не только метаданных.
  • US8055655B1
  • 2011-11-08
  • Поведенческие сигналы

  • Персонализация

Как Google (YouTube) ранжирует рекомендуемые видео, балансируя релевантность, монетизацию и вероятность просмотра рекламы
Google использует систему для ранжирования рекомендуемых (дополнительных) видео на платформах типа YouTube. Система учитывает не только релевантность и потенциал монетизации видео, но и «экспериментальные данные» о том, как пользователи взаимодействуют с рекламой в этом видео. Цель — показывать видео, где пользователи с большей вероятностью досмотрят рекламу, максимизируя доход и минимизируя отток пользователей.
  • US9405775B1
  • 2016-08-02
  • Мультимедиа

  • Поведенческие сигналы

Как Google использует визуальное сходство для связывания изображений и видео, кластеризации выдачи и обогащения метаданных
Google анализирует визуальное содержимое изображений и ключевых кадров видео для выявления сходств. Это позволяет связывать разнотипный контент, даже если у него мало текстовых данных. Система использует эти связи для переноса метаданных (например, ключевых слов или геопозиции) от одного ресурса к другому, а также для кластеризации и смешивания изображений и видео в результатах поиска.
  • US9652462B2
  • 2017-05-16
  • Мультимедиа

  • SERP

  • Семантика и интент

Как Google создает видео-нарезки (Composite Videos) на лету, используя текстовый запрос и анализ аудиодорожек
Google может анализировать аудиодорожки (транскрипты) видео для идентификации конкретных сегментов, где произносятся слова из запроса пользователя. Система автоматически объединяет эти сегменты из разных видео в одно новое сводное видео (Composite Video). Для выбора сегментов используются метрики релевантности, популярности и свежести исходного контента.
  • US9672280B2
  • 2017-06-06
  • Мультимедиа

  • Индексация

  • Семантика и интент

Популярные патенты

Как Google определяет популярность и ранжирует физические события (концерты, выставки) в локальной выдаче
Google использует специализированную систему для ранжирования физических событий в определенном месте и времени. Система вычисляет оценку популярности события на основе множества сигналов: количества упоминаний в интернете, кликов на официальную страницу, популярности связанных сущностей (артистов, команд), значимости места проведения и присутствия в общих поисковых запросах о событиях. Затем результаты переранжируются для обеспечения разнообразия, понижая схожие события или события одной категории.
  • US9424360B2
  • 2016-08-23
  • Local SEO

  • Поведенческие сигналы

Как Google выбирает каноническую (основную) версию документа, основываясь на авторитетности источника и полноте контента
Google использует систему для выбора канонической (основной) версии документа среди его дубликатов. Система присваивает «приоритет авторитетности» каждой версии, основываясь на источнике (например, официальный издатель) и праве публикации. Основной версией выбирается та, которая имеет высокий авторитет и является полной. При отсутствии идеального варианта выбирается версия с наибольшим объемом информации (например, самая длинная или с наибольшим PageRank).
  • US8095876B1
  • 2012-01-10
  • EEAT и качество

  • Техническое SEO

  • Ссылки

Как Google использует машинное обучение и данные о длительности сессий для выявления битых Deep Links в мобильных приложениях
Google использует систему машинного обучения для анализа того, как долго пользователи взаимодействуют с контентом в приложении после перехода по Deep Link (Presentation Duration). Анализируя распределение этих временных интервалов, система классифицирует ссылку как рабочую или битую без необходимости прямого сканирования контента. Это позволяет Google удалять неработающие ссылки из индекса.
  • US10628511B2
  • 2020-04-21
  • Ссылки

  • Индексация

  • Поведенческие сигналы

Как Google оценивает качество изображений, комбинируя визуальные характеристики, распознанный контент и социальные сигналы для ранжирования
Google использует систему для автоматического определения качества изображений, анализируя три класса характеристик: техническое качество (резкость, экспозиция), содержание (объекты, лица, ландшафты) и социальную популярность (просмотры, шеры, рейтинги). Система присваивает баллы этим характеристикам, взвешивает их (учитывая репутацию пользователей, оставивших отзывы) и формирует общий рейтинг для выбора лучших изображений.
  • US9858295B2
  • 2018-01-02
  • Мультимедиа

  • Поведенческие сигналы

  • SERP

Как Google планировал использовать социальные связи, сети доверия и экспертизу для персонализации и переранжирования поисковой выдачи
Google запатентовал метод использования данных из социальных сетей («member networks») для влияния на ранжирование. Пользователи могли явно одобрять («endorse») результаты поиска. Эти одобрения показывались другим связанным пользователям (друзьям или людям, ищущим экспертное мнение) и использовались для переранжирования выдачи, добавляя персонализированный слой доверия.
  • US8825639B2
  • 2014-09-02
  • Персонализация

  • EEAT и качество

  • Поведенческие сигналы

Как Google использует визуальное расположение новостей на главных страницах СМИ для ранжирования в Google News
Google анализирует главные страницы авторитетных новостных сайтов («Hub Pages»), чтобы определить важность новостей. Система оценивает «визуальную заметность» (Prominence) ссылки на статью — ее расположение (выше/ниже), размер шрифта, наличие картинки и сниппета. Чем заметнее ссылка на сайте СМИ, тем выше статья ранжируется в агрегаторах новостей.
  • US8375073B1
  • 2013-02-12
  • EEAT и качество

  • SERP

  • Ссылки

Как Google использует машинное обучение и поведенческие данные для прогнозирования полезности документов и решает, что включать в поисковый индекс
Google использует модель машинного обучения для определения, какие документы включать в поисковый индекс. Модель обучается на исторических данных о кликах и показах, чтобы предсказать будущую «оценку полезности» (Utility Score) документа. Документы ранжируются по этой оценке, а также с учетом других факторов (например, PageRank, стоимость индексации, свежесть, квоты), и лучшие из них попадают в индекс.
  • US8255386B1
  • 2012-08-28
  • Индексация

  • Поведенческие сигналы

Как Google использует клики по изображениям для определения схожести запросов и картинок (Поведенческая схожесть)
Google анализирует поведение пользователей в поиске по картинкам, чтобы определить схожесть двух запросов (или двух изображений). Если пользователи часто кликают на одни и те же изображения в ответ на разные запросы, эти запросы считаются похожими. Этот механизм (Коллаборативная фильтрация) позволяет находить связи независимо от языка или типа запроса (текст/изображение) и используется для генерации рекомендаций.
  • US8280881B1
  • 2012-10-02
  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google выбирает модель визуальной релевантности для сложных запросов в Поиске по картинкам
Google решает проблему ранжирования изображений для сложных или редких запросов, для которых нет специализированной модели релевантности. Система тестирует существующие модели, созданные для частей запроса (подзапросов), и выбирает ту, которая лучше всего соответствует поведению пользователей (кликам) по исходному запросу. Это позволяет улучшить визуальную релевантность в Image Search.
  • US9152652B2
  • 2015-10-06
  • Поведенческие сигналы

  • Мультимедиа

  • Семантика и интент

Как Google использует модель D-Q-D и поведение пользователей для предложения разнообразных запросов, связанных с конкретными результатами поиска
Google использует модель "Документ-Запрос-Документ" (D-Q-D), построенную на основе данных о поведении пользователей (клики, время просмотра), для генерации связанных поисковых подсказок. Система предлагает альтернативные запросы, привязанные к конкретному результату, только если эти запросы ведут к новому, разнообразному набору документов, облегчая исследование смежных тем.
  • US8583675B1
  • 2013-11-12
  • Поведенческие сигналы

  • SERP

  • Семантика и интент

seohardcore