Как Google использует тип устройства, скорость соединения и время суток для персонализации рекомендаций контента

Термины и определения

Access Vector (Вектор доступа)

Агрегированное представление контекста подключения пользователя (также Access Data). Включает взвешенные значения скорости соединения, типа устройства, времени суток и дня недели.

Connectivity Analyzer (Анализатор подключения)

Компонент системы, который определяет параметры текущего доступа пользователя к сервису (скорость, устройство, время, день).

Content Sharing Service (Сервис обмена контентом)

Платформа, предоставляющая пользователям контент (видео, аудио, текст), например, YouTube.

Content Data Collector (Сборщик данных о контенте)

Компонент, анализирующий характеристики контента, который просматривает пользователь (длина, жанр, статус подписки и т.д.).

Default Vector History / Default Learning Vector (История векторов по умолчанию)

Обобщенные данные, указывающие предпочтения всех или подмножества посетителей сервиса для определенного контекста подключения. Используется, если персональных данных недостаточно.

Learning Mode (Режим обучения)

Режим работы системы, в котором она записывает характеристики просмотренного контента и коррелирует их с текущим Access Vector для обучения.

Personal Vector History / Personal Learning Vector (Персональная история векторов)

Запись предпочтений конкретного пользователя, коррелирующая Access Vector с характеристиками потребляемого им контента.

Recommending Mode (Режим рекомендации)

Режим работы системы, в котором она анализирует текущий Access Vector и использует изученные корреляции для подбора связанного контента.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс персонализированной рекомендации на основе контекста доступа.

1. Система определяет доступ к медиаконтенту.
2. Определяются параметры доступа. Обязательные параметры, указанные в этом пункте: пользовательское устройство (user device) и время доступа (time associated with the access).
3. На основе параметров создаются данные доступа (Access Data или Access Vector).
4. Данные доступа ассоциируются с пользователем и сохраняются.
5. Определяется другой (последующий) доступ к другому медиаконтенту этим же пользователем.
6. Сохраненные данные доступа анализируются для создания критериев выбора (selection criteria) с учетом этого последующего доступа.
7. Определяется дополнительный медиаконтент для предоставления пользователю на основе этих критериев выбора.

Claim 3 и 4 (Зависимые): Уточняют, что параметры доступа могут также включать скорость соединения (Claim 3) и день недели (Claim 4).

Claim 5 (Зависимый): Указывает, что при создании данных доступа (Access Vector) параметрам могут быть назначены предопределенные веса (predefined weightings).

Claim 6 и 7 (Зависимые): Описывают процесс обучения. Система определяет характеристики (features) медиаконтента, к которому был получен доступ (Claim 6), и коррелирует данные доступа с этими характеристиками (Claim 7).

Claim 10 (Зависимый от 9, который схож с 1): Детализирует два режима работы системы.

1. Система определяет, установлен ли Режим обучения (Learning Mode) или Режим рекомендации (Recommending Mode).
2. Если установлен Learning Mode: определяются характеристики просмотренного контента и ассоциируются с данными доступа в хранилище.
3. Если установлен Recommending Mode: анализируются данные доступа для создания критериев выбора и определяется дополнительный контент на основе этих критериев.

Где и как применяется

Патент не относится напрямую к архитектуре стандартного веб-поиска Google, а описывает работу рекомендательной системы внутри Content Sharing Service (например, YouTube).

INDEXING – Индексирование и извлечение признаков
Характеристики контента (длина, жанр, разрешение), которые используются для рекомендаций, должны быть предварительно извлечены и проиндексированы.

QUNDERSTANDING (Понимание контекста пользователя)
Основной этап применения патента. Система в реальном времени анализирует контекст подключения пользователя: Connectivity Speed, Device Type, Time, Day. Эти данные формируют Access Vector.

RANKING / RERANKING (Генерация рекомендаций)
Related Content Retriever использует Access Vector для выбора и ранжирования следующего контента. Система отбирает кандидатов, основываясь на корреляции между текущим контекстом (Access Vector) и историческими данными потребления (Personal или Default Vector History).

Входные данные:

• Параметры подключения в реальном времени (Скорость, Устройство).
• Временные данные (Время суток, День недели).
• Идентификатор пользователя (для персонализации).
• Характеристики текущего просматриваемого контента (для режима обучения).

Выходные данные:

• Список рекомендуемого связанного контента, адаптированный под текущий контекст подключения.
• Обновленные данные в Personal Vector History (в режиме обучения).

На что влияет

• Конкретные типы контента: В первую очередь влияет на медиаконтент (видео, аудио) на рекомендательных платформах. Система может предпочесть короткие видео (если соединение медленное или используется мобильное устройство) или полнометражные фильмы (если используется IP TV и быстрое соединение).
• Специфические запросы/Интенты: Влияет на интенты, которые зависят от времени суток. Например, образовательный контент в рабочее время или развлекательный контент вечером. Контент, связанный со спортивными событиями (например, футбол по понедельникам).

Когда применяется

• Условия применения: Алгоритм применяется каждый раз, когда пользователь получает доступ к контенту на платформе и система должна сгенерировать блок рекомендаций (например, "Следующее видео" или боковая панель рекомендаций на YouTube).
• Триггеры активации: Доступ к контенту (Detect Access to Content).
• Режимы: Система может работать одновременно в режиме обучения (для сбора данных) и в режиме рекомендации (для показа контента).

Пошаговый алгоритм

Процесс обработки доступа к контенту

1. Обнаружение доступа: Система фиксирует доступ пользователя к контенту.
2. Анализ подключения: Connectivity Analyzer определяет параметры: скорость соединения, тип устройства, время суток, день недели.
3. Создание Вектора Доступа: Vector Aggregator комбинирует эти параметры с использованием предопределенных весов (W, X, Y, Z) в единый Access Vector.
4. Определение режима: Система определяет, работать ли в Learning Mode, Recommending Mode или в обоих одновременно.
5. [Learning Mode] Анализ контента: Content Data Collector анализирует характеристики текущего просматриваемого контента (длина, жанр и т.д.).
6. [Learning Mode] Корреляция и сохранение: Learning Module коррелирует характеристики контента с Access Vector и обновляет Personal Vector History пользователя.
7. [Recommending Mode] Анализ вектора: Retrieving Module анализирует текущий Access Vector и сравнивает его с сохраненными корреляциями. Сравнение может быть точным или в пределах предопределенной разницы (predetermined difference).
8. [Recommending Mode] Поиск контента: Система ищет подходящий контент. Сначала проверяется персональная история (Based on Personal Vector History). Если совпадений нет, используется обобщенная история (Based on Default Vector History).
9. [Recommending Mode] Предоставление рекомендаций: Выбранный связанный контент предоставляется пользователю.

Какие данные и как использует

Данные на входе

Система использует несколько категорий данных для определения контекста и обучения.

• Технические факторы: Скорость соединения (Connection Speed). Примеры: T1 (быстрое), 3G (медленное).
• Пользовательские факторы: Тип устройства (Device). Примеры: персональный компьютер, мобильное устройство, IP-телевизор. Идентификатор пользователя (для создания Personal Vector History).
• Временные факторы: Время суток (Time). Примеры: утро, рабочие часы, вечер. День недели (Day). Примеры: понедельник, суббота.

Данные, анализируемые в Режиме Обучения (Характеристики контента):

• Мультимедиа факторы: Длина контента (Content length); является ли контент только видео или только аудио. Разрешение контента (упоминается в описании как фактор).
• Контентные факторы: Жанр контента (Content genre).
• Структурные факторы: Является ли контент частью плейлиста (part of a playlist); был ли контент ранее поставлен в очередь (previously queued, например, 'смотреть позже'); является ли контент частью подписки (part of a subscription).
• Ссылочные/Социальные факторы: Был ли контент изначально получен из социальной сети (sourced from a social network).
• Поведенческие факторы: Пассивно ли пользователь потреблял контент или взаимодействовал с ним (engaged a selectable option); процент просмотренного контента из предопределенной группы.

Какие метрики используются и как они считаются

• Access Vector (Вектор доступа): Ключевая метрика, представляющая контекст. Рассчитывается как взвешенная комбинация параметров подключения. В патенте приводится формула: $[W*vector 221a; X*vector 222a; Y*vector 223a; Z*vector 224a]$, где W, X, Y, Z — предопределенные веса для скорости, устройства, времени и дня соответственно.
• Корреляция (Correlation): Метрика, связывающая Access Vector с характеристиками контента. Рассчитывается в Learning Mode на основе частоты потребления определенного типа контента в определенном контексте.
• Пороговые значения (Thresholds): Используются для определения значимости корреляции (например, частота выше предопределенного порога) и для сравнения векторов в Recommending Mode (например, если разница между текущим и сохраненным вектором находится в пределах предопределенного порога).

1. Контекст определяет рекомендации: Для рекомендательных систем контекст потребления (устройство, скорость, время) является ключевым фактором. Система может рекомендовать разный контент одному и тому же пользователю в зависимости от того, использует ли он смартфон утром или телевизор вечером.
2. Адаптация под технические ограничения: Система явно учитывает технические ограничения пользователя. При медленном соединении или использовании мобильного устройства предпочтение отдается более короткому контенту или контенту с более низким разрешением. При быстром соединении и использовании ТВ — длинному контенту с высоким разрешением.
3. Персонализация на основе поведения в контексте: Система обучается (Learning Mode), чтобы понять не только то, ЧТО пользователь смотрит, но и КАК и КОГДА он это делает. Эти паттерны сохраняются в Personal Vector History.
4. Использование обобщенных данных: Если персональных данных недостаточно, система полагается на Default Vector History — обобщенные паттерны поведения всех пользователей в схожем контексте.
5. Взвешивание факторов контекста: Не все факторы контекста равнозначны. Система использует веса (W, X, Y, Z) для определения важности типа устройства, времени, дня или скорости соединения при формировании Access Vector.

Best practices (это мы делаем)

Рекомендации применимы в первую очередь для Video SEO (VSEO) и продвижения на платформах с рекомендательными системами (YouTube, Google Discover).

• Создание портфолио контента для разных контекстов: Разрабатывайте контент разной длины и формата. Например, короткие резюме или "shorts" для мобильного потребления (вероятный контекст: медленное соединение, утро/день, в дороге) и длинные подробные разборы для потребления на десктопе или ТВ (вероятный контекст: быстрое соединение, вечер/выходные).
• Анализ аудитории по устройствам и времени: Используйте аналитику (например, YouTube Analytics), чтобы понять, когда и с каких устройств пользователи смотрят ваш контент. Это поможет определить доминирующие Access Vectors вашей аудитории и адаптировать контент-план под эти контексты.
• Точное заполнение метаданных: Убедитесь, что характеристики контента (длина, жанр) точно определены, так как система использует их для корреляции в Learning Mode.
• Оптимизация под временные тренды: Если ваш контент связан с событиями (например, спортивные обзоры), публикуйте его в то время, когда пользователи склонны его потреблять (например, обзоры футбола в понедельник утром). Система учитывает день недели и время суток.

Worst practices (это делать не надо)

• Универсальный подход к формату контента: Производство исключительно длинного контента в высоком разрешении. Такой контент не будет рекомендован пользователям с медленным соединением или тем, кто в данный момент предпочитает короткие форматы (например, во время поездки на работу).
• Игнорирование контекста потребления: Оптимизация контента только под ключевые слова без учета того, как формат контента соответствует контексту пользователя.
• Предположение о статичности интента: Рассчитывать на то, что интент пользователя остается неизменным в течение дня. Патент доказывает, что система адаптирует рекомендации в зависимости от времени и дня недели.

Стратегическое значение

Патент подтверждает, что рекомендательные движки Google (включая YouTube) глубоко анализируют поведенческий контекст. Успех на этих платформах зависит не только от тематической релевантности, но и от соответствия формата контента текущим условиям пользователя. Для SEO-стратегии это означает необходимость диверсификации форматов контента и глубокого понимания сценариев его потребления для максимизации охвата через рекомендации.

Практические примеры

Сценарий 1: Оптимизация канала о продуктивности

1. Анализ контекста (гипотеза): Пользователи ищут советы по продуктивности в будние дни утром, часто с мобильных устройств по пути на работу (Медленное/среднее соединение, Мобильное устройство, Понедельник-Пятница, Утро).
2. Действие (Learning Mode Google): Google замечает, что в этом контексте пользователи предпочитают видео длиной 3-5 минут (Content Length) в жанре "Образование" (Content Genre).
3. Применение (Создание контента): Создать серию коротких (3-5 минут) видео "Совет дня по продуктивности". Публиковать их рано утром в будние дни.
4. Ожидаемый результат (Recommending Mode Google): Система с большей вероятностью порекомендует эти короткие видео пользователям, чей Access Vector соответствует этому контексту, увеличивая охват и вовлеченность.

Сценарий 2: Оптимизация канала с обзорами техники

1. Анализ контекста (гипотеза): Подробные обзоры техники пользователи смотрят вечером или на выходных, часто на ТВ или ПК (Быстрое соединение, ТВ/ПК, Выходные/Вечер).
2. Действие (Learning Mode Google): Google фиксирует, что в этом контексте пользователи смотрят видео длиной 20-40 минут в высоком разрешении.
3. Применение (Создание контента): Создавать глубокие, детализированные обзоры в 4K.
4. Ожидаемый результат (Recommending Mode Google): Этот контент будет активно рекомендоваться пользователям в соответствующем контексте, конкурируя с другим длинным контентом.