Как Google связывает медиаконтент (видео) с Графом Знаний для улучшения поиска и автоматического тегирования

Термины и определения

Knowledge Database (База знаний)

Структурированная коллекция данных, часто использующая графовую модель (упоминается Freebase, аналог – Knowledge Graph). Содержит узлы (nodes), представляющие темы, подтемы или сущности.

Identification / Textual identification string (Идентификатор / Текстовая строка идентификации)

Строка, используемая для уникальной идентификации узла (сущности или темы) в Knowledge Database (например, /en/president_of_the_USA).

Media Storage (Медиа-хранилище)

База данных, содержащая медиаконтент, доступный через сайты обмена медиа (например, серверы YouTube).

Content Item (Единица контента)

Отдельный медиафайл (видео, аудио), плейлист или пользовательский канал в Media Storage.

Association Store (Хранилище ассоциаций)

База данных, которая хранит связи (cross-references) между Content Items и Identifications.

Metadata (Метаданные)

Данные, связанные с Content Item, такие как заголовок (title), описание (description) или теги. Указывается, что они могут быть созданы загрузчиком или зрителем контента. Используются для создания ассоциаций.

Tag Database (База данных тегов)

Хранилище, содержащее информацию о тегах, присвоенных контенту, в частности, теги, сгенерированные автоматически на основе Identifications.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основную систему поиска и её компоненты.

1. Система включает Knowledge Database (с узлами и текстовыми строками идентификации), Media Storage (с контентом и метаданными, созданными пользователями) и Association Store.
2. Association Store генерирует и хранит ассоциации между контентом и идентификаторами. Генерация основана на соответствии (meeting at least one matching criteria) между метаданными контента и идентификаторами.
3. Search Retrieving Unit получает поисковый запрос.
4. Association Retrieval Unit извлекает ассоциацию между Content Item и как минимум одной Textual identification string. Извлечение происходит, если запрос соответствует (matching) либо метаданным контента, либо идентификатору.
5. Output Unit отображает и Content Item, и извлеченную Textual identification string в ответ на запрос.

Claim 2, 3, 4 (Зависимые): Детализируют сценарий поиска по идентификатору.

• Если поисковый запрос содержит (или является частью) первой строки идентификации (Claim 2).
• Система извлекает Content Item на основе этой первой строки (Claim 3).
• Затем система извлекает *вторую* строку идентификации из базы знаний на основе уже извлеченного Content Item (Claim 4). Это механизм для поиска связанных сущностей через общий контент.

Claim 5, 6 (Зависимые): Детализируют сценарий поиска по метаданным.

• Если поисковый запрос содержит метаданные из Content Item (Claim 5).
• Система извлекает связанную строку идентификации на основе Content Item, который был идентифицирован по этим метаданным (Claim 6).

Где и как применяется

Изобретение охватывает процессы как на этапе индексирования, так и на этапе обработки запроса для улучшения поиска на медиа-платформах (например, YouTube).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основной процесс создания ассоциаций. Система анализирует Content Items (видео) и их Metadata (заголовки, описания) из Media Storage. Она сравнивает эти метаданные с данными в Knowledge Database для поиска соответствующих Identifications (сущностей). Найденные ассоциации сохраняются в Association Store. Также на этом этапе работает механизм автоматического тегирования (Tag Performing Unit), который сохраняет результаты в Tag Database.

QUNDERSTANDING – Понимание Запросов
Когда пользователь выполняет поиск на медиа-платформе, система анализирует запрос. Она может определить, что запрос сам по себе является Textual identification string (идентификатором сущности из базы знаний) или содержит метаданные.

RANKING – Ранжирование (Retrieval)
На этапе поиска (retrieval) компонент Association Retrieval Unit использует Association Store для нахождения релевантного контента. Если запрос является идентификатором, система находит связанные с ним видео. Если запрос соответствует метаданным, система находит видео и связанные с ним идентификаторы.

Входные данные:

• Медиаконтент (видео, аудио, плейлисты, каналы).
• Метаданные контента (заголовки, описания, пользовательские теги).
• Knowledge Database (сущности и их идентификаторы).
• Поисковые запросы пользователей или API.

Выходные данные:

• Извлеченные единицы контента (Content Items).
• Извлеченные связанные идентификаторы (Identifications).
• Автоматически сгенерированные теги для контента.

На что влияет

• Конкретные типы контента: В первую очередь влияет на медиаконтент на сайтах обмена видео, музыкой или текстом. Включает отдельные медиафайлы, плейлисты и пользовательские каналы.
• Специфические запросы: Улучшает обработку запросов, основанных на сущностях (люди, места, объекты, темы), когда пользователи ищут медиаконтент, связанный с этой конкретной сущностью.

Когда применяется

• При обработке запроса: Механизм поиска активируется при получении любого поискового запроса на медиа-платформе. Система проверяет соответствие запроса метаданным или идентификаторам из Knowledge Database.
• При индексировании (Tagging): Механизм автоматического тегирования применяется при обработке контента или на основе заранее определенных условий (predetermined condition) или эвристик, установленных имплементатором системы. В качестве примеров эвристик упоминаются контент, связанный с определенной темой, или контент с определенным количеством просмотров (view count).

Пошаговый алгоритм

Процесс А: Создание Ассоциаций (Индексирование)

1. Извлечение данных: Система получает Content Item и его Metadata (заголовок, описание, теги) из Media Storage.
2. Сопоставление: Система сравнивает метаданные с текстовыми строками (идентификаторами) в Knowledge Database.
3. Сохранение ассоциации: При обнаружении соответствия, удовлетворяющего критериям (matching criteria), связь между Content Item и соответствующим Identification сохраняется в Association Store.

Процесс Б: Автоматическое Тегирование (Индексирование)

1. Определение контента: Система (Tag Determination Unit) выбирает Content Item или группу для тегирования на основе заданных эвристик или условий.
2. Получение ассоциаций: Для выбранного контента система извлекает связанные Identifications из Association Store.
3. Выполнение тегирования: Система (Tag Performing Unit) присваивает эти Identifications в качестве тегов к Content Item.
4. Сохранение тегов: Информация о тегировании сохраняется в Tag Database и может быть передана на медиа-сайт для отображения.

Процесс В: Обработка Поискового Запроса (Реальное время)

1. Получение запроса: Система получает поисковый запрос (ключевое слово, ID или запрос конкретного контента).
2. Определение типа извлечения: Определяется, что нужно извлечь: контент, идентификаторы или и то, и другое.
3. Извлечение ассоциаций (Сценарий 1: Запрос по ID): Если запрос – это Identification (ID1), система ищет в Association Store связанные Content Items и извлекает их. Она также может извлечь *другие* Identifications (ID2), связанные с этим же контентом (поиск связанных сущностей).
4. Извлечение ассоциаций (Сценарий 2: Запрос по Контенту/Метаданным): Если запрос идентифицирует Content Item (через ключевые слова/метаданные), система находит его и извлекает все связанные с ним Identifications из Association Store.
5. Вывод результатов: Система отправляет извлеченный контент и/или идентификаторы получателю (например, веб-сайту или API) для отображения.

Какие данные и как использует

Данные на входе

• Контентные факторы (Метаданные): Заголовки (titles), описания (descriptions) и теги (tags) медиафайлов. Они явно указаны как основные источники данных для сопоставления с Knowledge Database.
• Структурные данные (Knowledge Database): Узлы (Nodes), представляющие темы/сущности, и текстовые строки идентификации (Textual identification strings).
• Пользовательские/Поведенческие факторы: Метаданные, созданные загрузчиком или зрителем контента. Также упоминается возможность использования количества просмотров (view count) как эвристики для выбора контента для автоматического тегирования.

Какие метрики используются и как они считаются

• Методы анализа текста (NLP): Используется сопоставление (matching) строк метаданных с данными в Knowledge Database для создания ассоциаций. Конкретные алгоритмы сопоставления или пороги (matching criteria) в патенте не детализированы.
• Условия срабатывания: Для автоматического тегирования используются заранее определенные условия (predetermined conditions) или эвристики (heuristics) для выбора целевого контента.

1. Центральная роль Knowledge Database для медиа: Google активно использует структурированные данные (Граф Знаний) для понимания и организации нетекстового контента, такого как видео. Это позволяет системе интерпретировать контент на семантическом уровне, а не только по ключевым словам.
2. Метаданные как ключ к ассоциации: Основным механизмом для связывания медиаконтента с сущностями является анализ и сопоставление текстовых метаданных (заголовков, описаний, тегов) с данными в Knowledge Database. Качество и полнота этих метаданных критичны.
3. Улучшенная обнаруживаемость (Enhanced Discovery): Связывание контента с конкретными Identifications позволяет находить его по запросам, связанным с этими сущностями, даже если точные ключевые слова отсутствуют в метаданных, но семантическая связь установлена через Association Store.
4. Автоматизация и стандартизация тегирования: Система автоматизирует процесс тегирования, используя авторитетные данные из Knowledge Database. Это повышает точность, полноту и консистентность тегов по сравнению с ручным вводом пользователями.
5. Извлечение семантических связей: Система спроектирована не только для поиска контента, но и для выявления связей между сущностями. Поиск по одной сущности может вернуть контент и список других релевантных сущностей, также связанных с этим контентом.

Best practices (это мы делаем)

Эти рекомендации критически важны для Video SEO (например, на YouTube).

• Оптимизация метаданных для распознавания сущностей: Создавайте четкие, описательные заголовки и подробные описания для видео. Они должны содержать недвусмысленные упоминания ключевых сущностей (имена людей, названия организаций, мест, событий, тем), о которых идет речь в контенте.
• Согласованность с Knowledge Graph: Используйте названия сущностей в том виде, в котором они известны в Google Knowledge Graph (или Википедии). Это облегчает системе процесс сопоставления (matching) и создания точных ассоциаций в Association Store.
• Тематическая полнота в описаниях: В описаниях видео подробно раскрывайте контекст и упоминайте связанные сущности. Это увеличивает вероятность того, что система свяжет ваше видео с большим количеством релевантных Identifications и использует их для автоматического тегирования.
• Использование релевантных тегов: Хотя система может автоматически генерировать теги, предоставление точных пользовательских тегов также является частью метаданных, которые могут использоваться для создания ассоциаций с Knowledge Database.

Worst practices (это делать не надо)

• Кликбейт и неясные заголовки: Использование заголовков, которые не отражают содержание видео или не упоминают основные сущности, значительно затрудняет для системы создание корректных ассоциаций с Knowledge Database.
• Игнорирование поля описания: Оставление описания пустым или минимальным снижает объем текстовых данных, доступных для анализа и сопоставления с сущностями, что ухудшает обнаруживаемость контента.
• Спам нерелевантными тегами или ключевыми словами: Перечисление нерелевантных ключевых слов или тегов в попытке охватить больше запросов может привести к неверным ассоциациям или быть проигнорировано системой, фокусирующейся на точном сопоставлении с сущностями.

Стратегическое значение

Патент подтверждает важность Entity-First подхода даже для медиаконтента. Успех в Video SEO зависит не только от оптимизации под ключевые слова, но и от того, насколько хорошо контент интегрирован в семантическую сеть Google. Правильная ассоциация с сущностями обеспечивает лучшую видимость в поиске по связанным темам и, вероятно, является сильным сигналом для систем рекомендаций медиа-платформы.

Практические примеры

Сценарий: Оптимизация видеообзора технологического продукта на YouTube

1. Задача: Убедиться, что видеообзор смартфона правильно связан с сущностями продукта и бренда.
2. Действие: В заголовке используется точное название модели (например, "Обзор Samsung Galaxy S25 Ultra: Камера и Производительность"). В описании подробно перечисляются связанные технологии и сущности (например, "Samsung", "Android", "Snapdragon 8 Gen 4", "Dynamic AMOLED 2X"). Добавляются соответствующие теги.
3. Результат (по патенту): Система анализирует метаданные (заголовок, описание, теги), сопоставляет "Samsung Galaxy S25 Ultra", "Snapdragon 8 Gen 4" и другие термины с соответствующими Identifications в Knowledge Database. Ассоциации сохраняются в Association Store. Видео автоматически тегируется этими сущностями и становится доступным для поиска по запросам, связанным с любой из них.