Как Google использует время просмотра (Watch Time) для ранжирования видео и другого контента

Термины и определения

Watch Time (Время просмотра)

Общее время, которое пользователь тратит на потребление контента ресурса (например, просмотр видео, прослушивание аудио, просмотр веб-страницы). Для видео это может превышать длительность самого ролика, если пользователь перематывает и смотрит повторно.

Viewing Session (Сессия просмотра)

Цепочка ресурсов, просмотренных пользователем. Сессия начинается с первого ресурса, идентифицированного результатом поиска по запросу, и включает последующие ресурсы, на которые пользователь перешел по ссылкам (например, рекомендованное или связанное видео) с предыдущих ресурсов в этой же сессии.

Pings (Пинги)

Механизм сбора данных о Watch Time. Периодические запросы (например, HTTP-запросы) от клиентского устройства к системе, указывающие, какую точку в контенте достиг пользователь.

Watch Time Signals (Сигналы времени просмотра)

Статистические индикаторы, вычисляемые на основе данных Watch Time для пары Запрос-Ресурс. Используются для определения тенденций вовлеченности пользователей.

Watch Time Multiplier (M) (Множитель времени просмотра)

Коэффициент, вычисляемый на основе одного или нескольких Watch Time Signals. Используется для корректировки исходной оценки ранжирования (S).

Utility Functions (Функции полезности)

Математические функции (например, convexity curve, low-data backoff, scaling function), используемые для преобразования необработанных статистических данных в множители. Они обеспечивают плавность корректировок и обработку случаев с недостаточным количеством данных.

Document-Query Fraction (dqf)

Сигнал, измеряющий, какая часть от общего времени просмотра по данному запросу приходится на конкретный ресурс.

Relative Document Performance (rdp)

Сигнал, измеряющий отношение среднего времени просмотра сессии для данного ресурса к среднему времени просмотра сессии для всех ресурсов по данному запросу.

Clicks Per Impression (cpi)

Сигнал, измеряющий отношение количества кликов по ресурсу к количеству его показов (Impressions) по данному запросу.

Watch Time Per Watch (wtpw)

Сигнал, измеряющий среднее время просмотра сессии для данного ресурса в рамках сессий по данному запросу (например, среднее геометрическое).

Variant Penalty Parameter (Параметр штрафа за вариант)

Коэффициент (от 0 до 1), представляющий степень соответствия варианта термина, использованного для извлечения ресурса по запросу. Может использоваться для снижения влияния Watch Time Signals.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования на основе времени просмотра.

1. Система идентифицирует одну или несколько исторических сессий (sessions) для запроса. Каждая сессия — это цепочка просмотренных ресурсов, начавшаяся с результата поиска по этому запросу и продолженная через переходы по ссылкам.
2. Система ассоциирует общее время просмотра (total of watch times) ресурсов в этих сессиях с данным запросом.
3. Вычисляются один или несколько сигналов времени просмотра (watch time signals) для первого ресурса и запроса на основе ассоциированных времен просмотра.
4. После завершения этих сессий, когда система получает этот же запрос от пользователя:
5. Получается результат поиска, идентифицирующий первый ресурс, с исходной оценкой S.
6. Вычисляется обновленная оценка S' на основе S и функции времени просмотра (watch time function), которая зависит от вычисленных сигналов.
7. Обновленная оценка S' предоставляется процессу ранжирования.

Claim 5 (Зависимый от 1): Определяет конкретную реализацию функции времени просмотра.

Обновленная оценка S' вычисляется по формуле: $S' = S \times M_{Q,D_i}$, где $M_{Q,D_i}$ — это Watch Time Multiplier.

Claim 6 (Зависимый от 5): Уточняет, как вычисляется множитель.

Если используется несколько Watch Time Signals, то Watch Time Multiplier основан на произведении двух или более из этих сигналов.

Claims 7-10 (Зависимые от 1): Определяют конкретные Watch Time Signals, которые могут использоваться:

• Claim 7: Document-Query Fraction (dqf) — доля от общего времени просмотра по запросу, приходящаяся на данный ресурс.
• Claim 8: Relative Document Performance (rdp) — отношение среднего времени просмотра сессии для ресурса к среднему времени просмотра сессии для всех ресурсов по запросу.
• Claim 9: Clicks Per Impression (cpi) — отношение кликов к показам.
• Claim 10: Watch Time Per Watch (wtpw) — среднее время просмотра сессии для ресурса.

Где и как применяется

Изобретение применяется в основном на финальных этапах обработки запроса, используя данные, собранные и обработанные офлайн.

Офлайн-процессы (Сбор данных и Аналитика)
Система непрерывно собирает данные о пользовательских сессиях (session logs database). Watch Time Engine периодически обрабатывает эти логи для вычисления Watch Time Signals (dqf, rdp, cpi, wtpw) для пар Запрос-Ресурс. Эти сигналы сохраняются для использования в реальном времени.

RANKING – Ранжирование
На этом этапе Search Engine генерирует начальный набор результатов с исходными оценками ранжирования (S).

RERANKING – Переранжирование
Основное применение патента. Watch Time Engine получает запрос и начальные результаты. Он извлекает предварительно рассчитанные Watch Time Signals и вычисляет Watch Time Multiplier (M). Затем он рассчитывает скорректированные оценки (S' = S * M) и передает их обратно в Search Engine или финальному процессу ранжирования для пересортировки результатов.

Входные данные:

• Исходный запрос пользователя.
• Начальные результаты поиска с их оценками (S).
• Исторические данные о сессиях просмотра (session logs).
• Предварительно рассчитанные Watch Time Signals.

Выходные данные:

• Скорректированные оценки ранжирования (S').
• Переранжированный набор результатов поиска.

На что влияет

• Конкретные типы контента: Наибольшее влияние оказывается на видеоконтент. Однако патент отмечает, что Watch Time может быть рассчитан и использован для ранжирования других типов контента, где измеряется время потребления (например, аудиофайлы, веб-страницы).
• Специфические запросы: Влияет на запросы, где вовлеченность является ключевым индикатором качества и удовлетворенности пользователя (например, развлекательные, образовательные, информационные запросы, связанные с мультимедиа).

Когда применяется

• Условия применения: Алгоритм применяется во время процесса ранжирования/переранжирования для ресурсов, для которых доступна и релевантна статистика Watch Time (преимущественно видео).
• Частота применения: Сбор данных происходит непрерывно. Вычисление сигналов происходит периодически (например, ежедневно, еженедельно). Корректировка ранжирования происходит в реальном времени при обработке запроса.

Пошаговый алгоритм

Процесс состоит из трех основных фаз: сбор данных, расчет сигналов и корректировка ранжирования.

Фаза А: Сбор данных (Непрерывный/Фоновый)

1. Мониторинг сессий: Система отслеживает действия пользователей после ввода запроса и клика по результату.
2. Идентификация сессии просмотра: Определяется цепочка просмотренных ресурсов (например, Видео 1 -> Рекомендованное Видео 2 -> Рекомендованное Видео 3).
3. Сбор Watch Time: Для каждого ресурса в сессии фиксируется время просмотра. Это делается с помощью периодических Pings от клиента, указывающих прогресс просмотра.
4. Завершение сессии: Сессия завершается (например, из-за тайм-аута, нового запроса или ухода с сайта).
5. Ассоциация данных с запросом: Время просмотра всех ресурсов в сессии ассоциируется с исходным запросом, который инициировал сессию.

Фаза Б: Расчет сигналов и множителей (Периодический/Офлайн)

1. Агрегация данных: Данные из множества сессий агрегируются. Для каждой пары Запрос-Ресурс собирается статистика просмотров (n), общее время просмотра (W), клики (C) и показы (N).
2. Вычисление Watch Time Signals: Система рассчитывает ключевые метрики:
   • dqf (доля в общем времени).
   • rdp (относительная производительность).
   • cpi (клики на показ).
   • wtpw (время на просмотр).
3. Преобразование в множители (Utility Functions): Необработанные сигналы преобразуются в индивидуальные множители (M1-M4) с помощью функций полезности. Например, low-data backoff используется для снижения влияния сигналов, если данных недостаточно.
4. Комбинирование: Индивидуальные множители объединяются (например, путем перемножения) в итоговый Watch Time Multiplier $M_{Q,D}$.
5. Сохранение: Множители сохраняются для использования в реальном времени.

Фаза В: Ранжирование (Онлайн)

1. Получение запроса: Система получает запрос от пользователя.
2. Генерация исходных результатов: Поисковая система генерирует начальный набор результатов с оценками S.
3. Применение множителя: Для каждого результата извлекается соответствующий $M_{Q,D}$. Вычисляется новая оценка $S' = S \times M_{Q,D}$.
4. Переранжирование: Результаты сортируются по оценке S' и предоставляются пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Являются основой изобретения.
  • Watch Time: Длительность потребления контента.
  • Clicks (Клики): Выбор результата поиска, инициирующий запрос ресурса.
  • Impressions (Показы): Случаи, когда результат был показан пользователю (был выбран или находился выше выбранного результата).
  • Session Data (Данные сессии): Последовательность посещенных ресурсов, переходы по ссылкам (например, на рекомендованный контент).
• Технические факторы:
  • Pings: Технические данные для определения прогресса просмотра.
• Системные данные:
  • Исходные оценки ранжирования (S).
  • Variant Penalty Parameter: Данные о степени соответствия терминов запроса и ресурса.
• Пользовательские факторы: Данные могут быть агрегированы по географическому региону или языку пользователя.

Какие метрики используются и как они считаются

Система использует несколько ключевых метрик (Watch Time Signals), которые преобразуются с помощью функций полезности (Utility Functions).

Функции полезности (Utility Functions):

• Кривая выпуклости (Convexity Curve): $conv(x) = \frac{x}{c+x(1-c)}$. Используется для сглаживания роста множителя.
• Кривая для недостаточных данных (Low-data backoff): $low(n) = \frac{n}{n+b}$. Снижает влияние сигналов, если количество просмотров (n) мало. b — эмпирический параметр.
• Функция масштабирования (Scaling Function): $scale(x) = 1 + \sigma(x-1)$. σ — параметр масштабирования (наклон кривой).

Сигналы (Watch Time Signals):

• dqf (Document-Query Fraction): $dqf(Q, D_i) = \frac{\sum_{j=1}^{n_i} W_{i,j}}{\sum_{k=1}^{N} \sum_{l=1}^{n_k} W_{k,l}}$. Доля времени просмотра ресурса $D_i$ от общего времени просмотра всех ресурсов N по запросу Q.
• rdp (Relative Document Performance): $rdp(Q, D_i) = \frac{\left[\prod_{j=1}^{n_i} W_{i,j}\right]^{\frac{1}{n_i}}}{\left[\prod_{k=1}^{N} \prod_{l=1}^{n_k} W_{k,l}\right]^{\frac{1}{\sum_{k=1}^{N} n_k}}}$. Отношение среднего геометрического времени просмотра ресурса $D_i$ к среднему геометрическому времени просмотра всех ресурсов.
• cpi (Clicks Per Impression): $cpi(Q, D_i) = \frac{C_i}{N_i}$. Отношение кликов ($C_i$) к показам ($N_i$).
• wtpw (Watch Time Per Watch): $wtpw(Q, D_i) = \left[\prod_{j=1}^{n_i} W_{i,j}\right]^{\frac{1}{n_i}}$. Среднее геометрическое время просмотра ресурса $D_i$ за сессию.

Итоговый расчет:

Сигналы комбинируются в Watch Time Multiplier $M_{Q,D}$ (например, как произведение индивидуальных множителей, полученных из сигналов). Новая оценка рассчитывается как $S' = S \times M_{Q,D}$.

1. Приоритет вовлеченности над кликами: Патент подтверждает, что Google рассматривает время, затраченное на потребление контента (Watch Time), как мощный сигнал качества и релевантности. Простого привлечения клика недостаточно; важно удержание внимания.
2. Комплексная оценка вовлеченности: Система использует не один, а комбинацию из четырех ключевых сигналов (dqf, rdp, cpi, wtpw) для всесторонней оценки того, как пользователи взаимодействуют с контентом по конкретному запросу.
3. Важность относительной производительности (rdp): Ресурс должен не просто иметь хорошее абсолютное время просмотра (wtpw), но и показывать результаты лучше, чем в среднем другие ресурсы по этому запросу (rdp). Это создает конкурентную среду, ориентированную на качество.
4. Ценность сессии: Анализ не ограничивается взаимодействием с одним ресурсом, а охватывает всю Viewing Session, включая переходы на связанный контент. Это подчеркивает важность построения связного пользовательского пути.
5. Обработка новых данных: Система включает защитные механизмы (low-data backoff), чтобы не пессимизировать новый или нишевый контент, по которому еще не накоплено достаточно статистики просмотров.
6. Множительный эффект: Корректировка применяется как множитель к исходной оценке ранжирования. Это означает, что высокое или низкое время просмотра может привести к значительным изменениям позиций в выдаче.

Best practices (это мы делаем)

• Оптимизация удержания (Retention): Для видеоконтента критически важно оптимизировать первые секунды/минуты, чтобы заинтересовать пользователя и предотвратить его уход. Анализируйте кривые удержания аудитории, чтобы выявить моменты оттока и улучшить контент. Это напрямую влияет на wtpw и rdp.
• Создание контента, превосходящего конкурентов по вовлеченности: Анализируйте контент конкурентов по вашим целевым запросам. Ваша цель — создать контент, который пользователи будут смотреть дольше, чем контент конкурентов, чтобы максимизировать rdp (Relative Document Performance).
• Стимулирование длительных сессий: Используйте эффективные внутренние ссылки, плейлисты, блоки "рекомендуем также" или "читать далее", чтобы побудить пользователя продолжить потребление контента на вашем сайте. Увеличение общего времени сессии положительно влияет на восприятие качества ресурса.
• Точное соответствие интенту (Anti-Clickbait): Убедитесь, что заголовки, описания и миниатюры (thumbnails) точно отражают содержание. Это позволяет поддерживать высокий cpi (CTR) без ущерба для wtpw. Если пользователь кликает, но сразу уходит, система понизит результат.
• Увеличение доли в общем времени просмотра (dqf): Стремитесь стать доминирующим источником информации по теме. Чем больше пользователей выбирают ваш контент и чем дольше его смотрят по сравнению с другими источниками по данному запросу, тем выше будет dqf.

Worst practices (это делать не надо)

• Использование кликбейта: Создание сенсационных заголовков или вводящих в заблуждение миниатюр для привлечения кликов. Хотя это может временно повысить cpi, низкое время просмотра (низкий wtpw и rdp) приведет к пессимизации результата.
• Искусственное раздувание контента без ценности: Создание излишне длинных видео или статей, наполненных "водой", в надежде увеличить Watch Time. Если пользователи проматывают или покидают контент, не найдя ценности, это будет зафиксировано и негативно повлияет на ранжирование.
• Игнорирование аналитики вовлеченности: Фокусировка только на трафике и позициях без анализа того, как пользователи потребляют контент (время на странице, глубина просмотра, показатели отказов, удержание аудитории для видео).

Стратегическое значение

Этот патент подчеркивает стратегический сдвиг в оценке качества контента от статических факторов к динамическим поведенческим сигналам. Для SEO-стратегии это означает, что качество контента напрямую измеряется его способностью удовлетворять и вовлекать пользователя. Особенно это критично для мультимедийного контента, где измерение Watch Time является основным индикатором успеха. Долгосрочная стратегия должна быть направлена на создание глубокого, полезного и увлекательного контента, который стимулирует длительное взаимодействие.

Практические примеры

Сценарий: Оптимизация обучающего видео по запросу "Как настроить гитару"

1. Анализ текущей ситуации: Ваше видео имеет высокий cpi (хорошая миниатюра), но низкий wtpw (среднее время просмотра 1 минута из 10) и низкий rdp (конкуренты имеют среднее время 3 минуты).
2. Действия по оптимизации:
   • Анализ удержания показывает, что пользователи уходят на 45 секунде во время длинного вступления.
   • Перемонтируйте видео: уберите длинное вступление, сразу перейдите к настройке первого струны, добавьте четкую навигацию по таймкодам.
   • Добавьте в конце видео ссылку на связанный контент ("Первые аккорды для начинающих"), чтобы увеличить время сессии.
3. Ожидаемый результат: Увеличение среднего времени просмотра до 3.5 минут. Это повысит wtpw и rdp. Система пересчитает Watch Time Multiplier в сторону увеличения, что приведет к росту позиций видео в поиске (например, YouTube или Google Search).