Как Google идентифицирует контент на одном устройстве (например, ТВ) и проактивно отправляет свежие и трендовые результаты поиска на другое (например, смартфон)

Термины и определения

Content Fingerprint (Цифровой отпечаток контента)

Идентификатор активного контента. Может включать аудио-отпечаток, видео-отпечаток, заголовок, дорожку субтитров (caption track) или уникальный Content ID. Может относиться ко всему произведению или к текущей позиции (сцене, временной метке).

Dynamic Current Result (Динамический текущий результат)

Результат поиска, который не является статичным, а генерируется на основе текущего запроса в реальном времени. Результаты для одного и того же контента должны отличаться при повторном просмотре. Выбирается на основе анализа свежести, трендов и поведения пользователей.

First Device / Second Device (Первое / Второе устройство)

Первое устройство воспроизводит основной контент (например, ТВ). Второе устройство получает динамические результаты (например, смартфон).

Known Content Database (База данных известного контента)

Хранилище content fingerprints и связанных с ними метаданных (сущности, темы).

Knowledge Graph (Граф знаний) / Knowledge Base

Упоминается как один из возможных источников для предоставления динамических результатов, наряду с поисковой системой и контент-сервисами.

Search Frequency/Recency/Trend (Частота/Давность/Тренд поиска)

Метрики, анализирующие популярность темы в поиске. Используются для определения актуальности результата.

Update Frequency Threshold (Порог частоты обновлений)

Критически важный критерий (Claim 1). Контент может быть выбран, если количество его обновлений (или обновлений его источника) за период времени превышает этот порог.

Update Recency (Давность обновления)

Метрика, анализирующая, как недавно обновлялся контент или его источник.

User Type (Тип пользователя)

Характеристика пользователя (демография, опыт, уровень навыков), используемая для персонализации результатов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы и ключевые критерии динамичности.

1. Получение content fingerprint активного контента на первом устройстве.
2. Корреляция отпечатка с записью в known content database.
3. Генерация первого поискового запроса.
4. Получение первого dynamic current result.
5. Предоставление результата на втором устройстве.
6. Ключевой аспект динамичности: При повторном воспроизведении того же контента система генерирует второй запрос и получает второй результат, который отличается от первого.
7. Критерий выбора контента (Ключ для SEO): Система предоставляет контент в качестве динамического результата, основываясь на update frequency threshold. Контент выбирается, если количество обновлений контента или его хоста (источника) за период времени превышает этот порог.

Система целенаправленно ищет новизну и использует частоту обновления контента как жесткий фильтр для отбора результатов.

Claim 2, 4 (Зависимые): Уточняют, что content fingerprint может соответствовать текущей позиции (сцене, кадру) и может быть аудио, видео, ID или субтитрами. Это позволяет доставлять гипер-контекстную информацию.

Claim 8, 9 (Зависимые): Уточняют источники. Результат предоставляется поисковой системой, контент-сервисом или Knowledge Graph (Claim 8) и основан на анализе веб-сайтов, форумов, социальных сетей (Claim 9).

Claim 10, 11 (Зависимые): Определяют дополнительные критерии выбора. Результат основан на трендах/частоте/давности поиска (Claim 10) и давности обновления (update recency) (Claim 11).

Claim 14, 15 (Зависимые): Описывают краудсорсинг интереса. Результат может быть выбран на основе того, что его выбирали другие пользователи (Claim 14). Выбор пользователя влияет на будущие показы этого результата другим пользователям (Claim 15).

Где и как применяется

Изобретение затрагивает несколько этапов поиска, реализуя проактивную доставку контента (Ambient Computing).

INDEXING – Индексирование и извлечение признаков
Система полагается на два типа индексации: 1. Индексация медиаконтента для создания Known Content Database и content fingerprints. 2. Индекс свежего контента (веб, новости, соцсети) для быстрого поиска актуальных результатов.

QUNDERSTANDING – Понимание Запросов
Система интерпретирует контекст пользователя (что он смотрит/слушает) и автоматически генерирует поисковый запрос на основе связанных сущностей и тем. Это понимание интента без ручного ввода.

RANKING – Ранжирование
Сгенерированный запрос выполняется. Ранжирование здесь специфично: оно направлено на выявление результатов, соответствующих строгим критериям динамичности (пороги Update Frequency/Recency и Search Trends).

RERANKING / Доставка Контента
Финальный этап, на котором применяется персонализация (Claims 12, 13, 16), фильтры безопасности (Safety Rating, Claim 17) и краудсорсинговые данные (Claims 14, 15) для выбора наилучшего результата и его доставки на второе устройство.

Входные данные:

• Content fingerprint с первого устройства.
• Данные поискового индекса (свежесть и тренды).
• Данные пользователя (история, предпочтения, тип пользователя, статус подписки на услугу (Opt-in, Claim 18)).

Выходные данные:

• Dynamic Current Result, отображаемый на втором устройстве.

На что влияет

• Конкретные ниши и тематики: Наибольшее влияние на ниши, связанные с медиа-потреблением: развлечения (кино, музыка), спорт, новости о знаменитостях.
• Конкретные типы контента: Контент, основанный на сущностях (Entity-based content) и контент реального времени (Real-Time content).

Когда применяется

• Условия работы: Когда пользователь потребляет контент на первом устройстве (например, Smart TV) и имеет активное ассоциированное второе устройство (например, смартфон), и дал согласие на получение таких результатов (Opt-in, Claim 18).
• Триггеры активации: Получение и успешное распознавание content fingerprint.

Пошаговый алгоритм

1. Получение отпечатка: Система получает content fingerprint активного контента с первого устройства, включая информацию о текущей временной метке/сцене.
2. Корреляция и Идентификация: Отпечаток сопоставляется с записью в Known Content Database. Определяются связанные метаданные и сущности.
3. Генерация запроса: На основе метаданных генерируется поисковый запрос.
4. Выполнение динамического поиска: Запрос выполняется к поисковому движку, контент-сервису или Knowledge Graph.
5. Фильтрация кандидатов (Критерии динамичности): Полученные результаты анализируются на соответствие критериям Dynamic Current Result:
   • Проверка Update Frequency Threshold: Достаточно ли часто обновляется источник? (Claim 1).
   • Проверка Update Recency: Достаточно ли недавно обновлен контент? (Claim 11).
   • Проверка Search Trends/Frequency/Recency: Является ли тема популярной в поиске сейчас? (Claim 10).
6. Выбор результата (Персонализация и Краудсорсинг): Выбор наилучшего результата с учетом истории пользователя и агрегированных данных о кликах других пользователей (Claims 14, 15).
7. Проверка безопасности: Фильтрация по Safety Rating (Claim 17).
8. Доставка: Отправка результата на второе устройство.
9. Обработка повторного просмотра: При повторном просмотре система обязана предоставить новый результат, отличный от показанного ранее (Claim 1).

Какие данные и как использует

Данные на входе

• Мультимедиа факторы: Аудио- и видеосигналы, дорожки субтитров (caption track), используемые для создания content fingerprint.
• Технические факторы: Идентификаторы контента (Content ID).
• Поведенческие и Пользовательские факторы:
  • История пользователя (user's historical usage).
  • Выборы пользователя (user selections).
  • Выборы других пользователей (another user's selection) — краудсорсинг интереса.
  • Тип пользователя (user type) и настройки безопасности (safety threshold).
• Временные факторы (Критические): Данные о давности и частоте обновления контента/источника, давности и частоте поисковых запросов.
• Внешние данные: Анализ веб-сайтов, форумов, социальных сетей для определения динамических результатов (Claim 9).

Какие метрики используются и как они считаются

Система использует конкретные метрики и пороговые значения (thresholds) для фильтрации результатов. В описании патента приведены иллюстративные примеры:

• Update Frequency Threshold (Порог частоты обновления): Минимальное количество обновлений источника за период. Пример из патента: 3 обновления в день. (Claim 1).
• Update Recency Threshold (Порог давности обновления): Максимальное время с момента последнего обновления. Пример: обновление в течение последних 3 часов. (Claim 11).
• Search Frequency Threshold: Минимальное количество поисковых запросов. Пример: >30 запросов в час.
• Search Recency Threshold: Минимальное количество запросов за последнее время. Пример: >5 запросов за последние 30 минут.
• Trend Threshold: Скорость роста популярности. Пример: рост на >4 запроса в час.

1. Проактивная доставка контента (Ambient Computing): Патент описывает механизм доставки поисковых результатов пользователю без его явного запроса, основываясь на контексте потребления медиа. Это важный канал дистрибуции контента вне стандартной SERP.
2. Критическое значение свежести (Freshness) и частоты обновлений: Основной вывод для SEO — подтверждение критической важности свежести. В Claim 1 явно указан Update Frequency Threshold как условие выбора результата. Статический контент имеет мало шансов быть выбранным.
3. Важность трендов (QDF): Система активно использует Search Trends и Search Frequency. Это соответствует принципам Query Deserves Freshness (QDF). Контент должен быть не только свежим, но и востребованным в данный момент.
4. Динамика результатов: Система намеренно обязана показать разные результаты при повторном просмотре одного и того же контента (Claim 1), что еще больше подчеркивает фокус на новизне.
5. Краудсорсинг интереса и персонализация: Выбор результата зависит от того, что интересует других пользователей, смотрящих тот же контент (краудсорсинг), а также от личной истории пользователя.

Best practices (это мы делаем)

• Применение стратегии Real-Time SEO / QDF: Для сайтов в нишах медиа, спорта и развлечений необходимо быть самым оперативным источником информации. Это критично для соответствия критериям Dynamic Current Result.
• Максимизация частоты обновлений (Update Frequency): Поскольку Update Frequency Threshold является явным критерием (Claim 1), необходимо обеспечить частое обновление страниц, связанных с популярными сущностями и событиями. Убедитесь, что ваш сайт обновляется чаще, чем указанные в патенте примерные пороги (например, чаще 3 раз в день).
• Оптимизация под тренды и Newsjacking: Мониторить Search Trends и социальные сети для оперативного создания контента, соответствующего всплескам интереса. Это повышает шансы пройти пороги Search Frequency/Trend.
• Оптимизация под сущности (Entity Optimization) и Knowledge Graph: Убедитесь, что ваш контент четко связан с сущностями в Графе Знаний, так как он указан как источник данных. Система генерирует запросы на основе сущностей, идентифицированных в медиаконтенте.
• Повышение вовлеченности: Создавать контент, который мотивирует пользователя кликнуть. Система использует краудсорсинг (Claim 14): если результат популярен у других пользователей, он будет показываться чаще.

Worst practices (это делать не надо)

• Ставка только на "вечнозеленый" контент в медиа-нишах: Полагаться на статический контент для тем, связанных с медиа и спортом. Такой контент не пройдет пороги свежести и частоты обновлений и не будет классифицирован как dynamic current result.
• Медленное обновление информации: Задержки в публикации или обновлении информации исключают контент из этого канала доставки из-за Update Recency Threshold.
• Игнорирование активности в социальных сетях и на форумах: Патент упоминает анализ этих источников (Claim 9). Игнорирование трендов на этих платформах снижает шансы на выбор вашего контента.

Стратегическое значение

Патент подтверждает переход Google к Ambient Computing, где поиск происходит проактивно на основе контекста. Для SEO это означает, что видимость контента зависит не только от ответа на явные запросы, но и от способности удовлетворять контекстуальные потребности. Стратегический приоритет смещается в сторону источников, обеспечивающих максимальную свежесть, высокую частоту обновлений и соответствие текущим трендам.

Практические примеры

Сценарий: Доставка новостей во время спортивного матча (Применение Update Frequency Threshold)

1. Контекст: Пользователь смотрит футбольный матч в прямом эфире на Smart TV (Первое устройство).
2. Идентификация: Система идентифицирует матч по Content Fingerprint.
3. Действие SEO/Контент-команды: Спортивный сайт ведет поминутную текстовую трансляцию, обновляя страницу каждые 30 секунд.
4. Обработка Google:
   • Система генерирует запрос о текущем матче.
   • Страница текстовой трансляции обнаруживается.
   • Она проходит Update Frequency Threshold (например, >3 обновлений в день; у сайта их сотни).
   • Она проходит Update Recency Threshold (обновлена только что).
   • Она проходит Search Trend Threshold (высокий интерес к матчу).
5. Результат: Система выбирает эту страницу как Dynamic Current Result и отправляет ссылку на трансляцию на смартфон пользователя (Второе устройство). Статья об истории встреч команд игнорируется.