Как Google идентифицирует конкретные видео (фильмы, клипы, эпизоды) на веб-страницах, анализируя окружающий текст

Термины и определения

Associated Text (Ассоциированный текст)

Текст на веб-странице, связанный с конкретным экземпляром видеоконтента. В патенте часто определяется как Adjacent Text.

Adjacent Text (Прилегающий текст)

Текст в ресурсе, который находится на расстоянии менее заданного порога от видеоконтента при рендеринге страницы в браузере.

Database of Video Bibliographic Entries (База данных библиографических записей видео)

Хранилище структурированных данных о известных видео-объектах (фильмах, клипах, эпизодах). Каждая запись разделена на поля (атрибуты), такие как название, режиссер, актеры, длина, дата выпуска.

Occurrence Score (Оценка совпадения)

Метрика, рассчитываемая для ресурса. Показывает уверенность системы в том, что видео на ресурсе соответствует библиографической записи. Основана на совпадении полей записи с текстом, ассоциированным с видео.

Phrase Boundary (Граница фразы)

Символы, указывающие на окончание одной фразы и начало другой. Делятся на внутрипредложенческие (запятая, тире, скобки) и межпредложенческие (точка, абзац). Используются для повышения точности сопоставления текста.

Refinement Engine (Система уточнения запросов)

Компонент, который предлагает уточнения (Query Refinement) для исходного запроса с целью улучшения качества поиска. Анализирует логи поисковых сессий.

Video Identification Engine (Система идентификации видео)

Основная система, описанная в патенте, которая выполняет процесс сопоставления видеоконтента с библиографическими данными.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод идентификации видео.

1. Система формулирует запрос на основе полей библиографической записи видео.
2. Получает результаты поиска (ресурсы).
3. Идентифицирует ресурсы, содержащие видеоконтент.
4. Вычисляет Occurrence Score для каждого ресурса. Оценка основана на трех ключевых факторах:
   • Совпадение терминов из библиографической записи с терминами, ассоциированными с ресурсом.
   • Нахождение этих терминов в тексте, прилегающем (adjacent) к видеоконтенту на ресурсе.
   • URL (uniform resource locator) ресурса.
5. Выбирает ресурсы, чья Occurrence Score удовлетворяет пороговому значению.
6. Сохраняет информацию об ассоциации между библиографической записью и выбранными ресурсами.
7. Использует эту сохраненную информацию для обработки другого (пользовательского) запроса на поиск видеоконтента.

Claim 3 (Зависимый): Уточняет, что сформулированный запрос может быть основан на уточнениях запроса (query refinements) для терминов из определенного поля библиографической записи.

Система может использовать данные из логов поиска (через Refinement Engine), чтобы понять, как лучше сформулировать запрос для поиска конкретного видео, а не просто использовать его название напрямую.

Claim 4 (Зависимый): Уточняет, что Occurrence Score основан на дифференцированном взвешивании полей библиографической записи.

Совпадение по одним полям (например, Название) может иметь больший вес в итоговой оценке, чем совпадение по другим (например, Актер второго плана).

Claim 5 (Зависимый): Уточняет, что Occurrence Score зависит от того, связан ли ассоциированный текст с границей фразы (phrase boundary) рядом с вхождением термина из библиографической записи.

Это механизм повышения точности. Система проверяет наличие знаков препинания или разделителей рядом с найденным термином, чтобы убедиться, что это точное совпадение фразы, а не случайное сочетание слов.

Claim 6 (Зависимый): Уточняет, что Occurrence Score зависит от количества экземпляров видеоконтента на ресурсе.

Ресурс может быть страницей видеогалереи. Система учитывает этот фактор при оценке уверенности.

Где и как применяется

Изобретение является частью процесса извлечения информации и индексирования контента.

CRAWLING – Сканирование и Сбор данных
Система обнаруживает и загружает ресурсы, содержащие видеоконтент.

INDEXING – Индексирование и извлечение признаков
Основной этап применения патента. Video Identification Engine работает как система извлечения признаков (Feature Extraction). Она анализирует проиндексированные ресурсы (из Collection of Resources) и пытается сопоставить найденный видеоконтент с известными сущностями из Database of Video Bibliographic Entries. Происходит анализ текста, прилегающего к видео, и расчет Occurrence Score. Результатом является аннотация ресурса, указывающая на связь с конкретной видео-сущностью.

RANKING / METASEARCH – Ранжирование / Метапоиск
Результаты работы системы (сохраненные ассоциации) используются на этих этапах. Когда пользователь вводит запрос на поиск видео (как указано в Claim 1), система использует предварительно рассчитанные ассоциации для отбора и ранжирования релевантных видеорезультатов, а также для формирования блоков, таких как Видео-карусели.

Входные данные:

• Запись из Database of Video Bibliographic Entries (структурированные данные: название, длина, актеры и т.д.).
• Collection of Resources (индекс веб-страниц).
• Данные логов поиска (для Refinement Engine).

Выходные данные:

• Данные, ассоциирующие выбранные ресурсы (URL) с конкретной библиографической записью (Entity ID).

На что влияет

• Конкретные типы контента: Влияет на любые страницы, содержащие видеоконтент, который может быть сопоставлен с известными сущностями: фильмы, трейлеры, эпизоды телешоу, музыкальные клипы, записи выступлений.
• Специфические запросы: Влияет на запросы, где пользователь ищет конкретное видео (например, название фильма или клипа).
• Форматы выдачи: Напрямую влияет на формирование выдачи в Google Видео (Video Search) и появление видео-каруселей или блоков с видео в основной веб-выдаче.

Когда применяется

• Временные рамки: Процесс применяется во время индексирования контента. Он может запускаться периодически для всего индекса или активироваться при обнаружении нового или обновленного ресурса, содержащего видео.
• Условия работы: Алгоритм применяется, когда системе необходимо идентифицировать видео на странице и проверить, соответствует ли оно известной библиографической записи.

Пошаговый алгоритм

Процесс идентификации видео для конкретной библиографической записи.

1. Формулирование запроса:
   • Система выбирает одну или несколько библиографических записей для обработки.
   • Для записи формулируется запрос на основе терминов из ее полей (например, Название + Режиссер).
   • Опционально: запрос может быть отправлен в Refinement Engine для получения более эффективной формулировки на основе анализа логов поиска.
2. Поиск кандидатов:
   • Сформулированный запрос отправляется в поисковую систему.
   • Система получает список ресурсов (веб-страниц), релевантных запросу и содержащих видеоконтент.
3. Анализ ресурсов и Извлечение текста:
   • Для каждого ресурса система идентифицирует экземпляры видеоконтента.
   • Определяется текст, ассоциированный с видео (associated text), например, текст, находящийся в непосредственной близости к видео при рендеринге (adjacent text).
4. Сопоставление и Расчет Occurrence Score:
   • Система ищет вхождения терминов из полей библиографической записи в ассоциированном тексте. Может использоваться "мягкое сопоставление" (soft matching) с учетом нормализации и расстояния редактирования.
   • Рассчитывается Occurrence Score. При расчете учитывается:
     • Количество совпавших полей.
     • Веса полей (дифференцированное взвешивание).
     • Наличие границ фраз (phrase boundaries) рядом с совпадениями для повышения точности.
     • URL ресурса (некоторые URL могут повышать или понижать оценку).
     • Количество экземпляров видео на странице.
5. Выбор и Фильтрация:
   • Ресурсы ранжируются по их Occurrence Score.
   • Выбираются ресурсы, чья оценка превышает заданный порог уверенности.
6. Сохранение ассоциаций:
   • Данные, связывающие выбранные ресурсы с библиографической записью, сохраняются.
   • Эта информация используется поисковой системой при обработке пользовательских запросов.

Какие данные и как использует

Данные на входе

Система использует следующие типы данных для идентификации видео:

• Контентные факторы: Критически важным является текст, ассоциированный с видео (associated text) или прилегающий к нему (adjacent text). Это основной источник данных для сопоставления.
• Технические факторы: URL (uniform resource locator) ресурса используется как один из факторов при расчете Occurrence Score (Claim 1).
• Структурные факторы (Анализ макета): Система анализирует расположение текста относительно видеоконтента при рендеринге страницы для определения adjacent text.
• Внутренние данные (Библиографические): Структурированные данные из Database of Video Bibliographic Entries. Упомянутые поля включают: title, description, genre, director, producer, cast members, length, release date, awards, production company, song name, artist(s), album(s) и т.д.

Какие метрики используются и как они считаются

• Occurrence Score: Основная метрика патента. Это взвешенная оценка уверенности.

  Методы расчета включают:

  • Soft Matching (Мягкое сопоставление): Для сравнения строковых полей с текстом может использоваться порог расстояния редактирования (edit distance). Для числовых полей (например, длина видео) — сравнение разницы с пороговым значением.
  • Нормализация: Применение стемминга и удаления стоп-слов к тексту перед сопоставлением.
  • Weighted Average (Взвешенное среднее): Разные поля имеют разный вес (Claim 4). Совпадение по более уникальным или важным полям дает больший вклад в оценку.
  • Phrase Boundary Adjustment: Повышение оценки, если рядом с совпадением обнаружена граница фразы (Claim 5).
  • URL Adjustment: Модификация оценки на основе URL ресурса (Claim 1).
  • Video Instances Count: Учет количества видео на странице (Claim 6).
• Порог Occurrence Score: Пороговое значение, которое должна превысить оценка ресурса, чтобы система подтвердила идентификацию видео.

1. Критическая важность прилегающего текста: Основной механизм идентификации видео основан на анализе текста, расположенного в непосредственной близости к видеоплееру (adjacent text). Расположение контента на странице имеет решающее значение для Video SEO.
2. Идентификация сущностей, а не ключевых слов: Цель системы — не просто найти ключевые слова, а однозначно сопоставить видео с конкретной сущностью (Video Bibliographic Entry). Это требует совпадения по нескольким атрибутам.
3. Взвешивание атрибутов: Не все атрибуты видео одинаково важны. Система использует дифференцированное взвешивание полей, предполагая, что совпадение по названию или режиссеру может быть более сильным сигналом, чем по актеру второго плана.
4. Точность превыше полноты (Precision over Recall): Механизм использования границ фраз (phrase boundaries) указывает на стремление к высокой точности идентификации. Система пытается избежать ложных срабатываний, проверяя контекст и структуру предложений вокруг найденных атрибутов.
5. Использование URL как сигнала: URL ресурса явно включен в расчет Occurrence Score, что подтверждает использование характеристик URL (и, возможно, домена) для оценки достоверности контента.
6. Комплексный подход к формулированию запросов: Система не просто ищет по названию. Она может использовать комбинации полей и применять Query Refinements, основанные на поведении пользователей, для более эффективного поиска кандидатов.

Best practices (это мы делаем)

• Оптимизация расположения текста (Layout Optimization): Размещайте ключевую информацию о видео (точное название, исполнитель/режиссер, дата выпуска, длина) в тексте, который находится в непосредственной близости к видеоплееру. Этот текст должен быть легко идентифицирован как adjacent text.
• Четкость и точность формулировок: Используйте точные названия и имена, соответствующие общепринятым библиографическим данным (например, данным из Wikipedia/IMDb). Это облегчит процесс soft matching.
• Использование естественной структуры предложений: Описывайте видео, используя четкую структуру предложений со знаками препинания. Это позволит системе использовать сигналы phrase boundaries для подтверждения точности совпадений (например, "Фильм: [Название], Режиссер: [Имя]").
• Предоставление множественных атрибутов: Указывайте как можно больше релевантных атрибутов видео рядом с плеером. Чем больше полей система сможет сопоставить, тем выше будет Occurrence Score.
• Оптимизация URL (по возможности): Если применимо, используйте чистые и описательные URL для страниц с видео, так как URL является фактором в расчете Occurrence Score.

Worst practices (это делать не надо)

• Разделение видео и его описания: Размещение описания видео далеко от плеера (например, внизу страницы или на другой вкладке). Система может не распознать этот текст как adjacent text.
• Зашумленный прилегающий текст: Размещение нерелевантного контента (рекламы, блоков похожих видео, длинных списков тегов) непосредственно рядом с плеером, что затрудняет выделение ключевых атрибутов видео.
• Неоднозначные или неточные названия: Использование кликбейтных или измененных названий видео, которые не соответствуют библиографическим данным.
• Отсутствие текстового описания: Публикация видео только с минимальными метаданными без сопутствующего текста на странице.

Стратегическое значение

Патент подтверждает стратегию Google по извлечению структурированных данных из неструктурированного текста для понимания контента и идентификации сущностей. Для успешного Video SEO недостаточно просто разместить видео на сайте; необходимо обеспечить условия, при которых Google сможет однозначно идентифицировать это видео. Это подчеркивает важность оптимизации макета страницы (Layout) и качества окружающего текста как ключевых факторов для видимости в видео-вертикалях поиска.

Практические примеры

Сценарий: Оптимизация страницы музыкального клипа на сайте исполнителя

1. Задача: Гарантировать, что Google точно идентифицирует официальный клип для песни "Song X" исполнителя "Artist Y".
2. Действия (согласно патенту):
   • Разместить видеоплеер на видном месте.
   • Непосредственно над или под плеером разместить блок текста.
   • В этом блоке четко указать атрибуты, используя естественные разделители (phrase boundaries): "Официальное видео на песню: 'Song X'. Исполнитель: Artist Y. Альбом: 'Album Z' (2025). Продолжительность: 3:45."
   • Убедиться, что рядом с плеером нет отвлекающего контента, который мог бы быть ошибочно интерпретирован как описание.
3. Ожидаемый результат: Video Identification Engine анализирует adjacent text, успешно сопоставляет поля (Song Name, Artist, Album, Length) с библиографической записью, вычисляет высокий Occurrence Score и ассоциирует страницу с сущностью клипа. Страница получает приоритет в Google Видео и Видео-каруселях по соответствующим запросам.