Как Google анализирует поведение пользователей внутри видео для рекомендации лучших миниатюр и борьбы с кликбейтом

Описание

Какую задачу решает

Патент решает проблему неоптимального выбора миниатюр (thumbnails) для онлайн-медиа (преимущественно видео), что негативно влияет на показатели вовлеченности. Он направлен на устранение ситуаций, когда миниатюра вводит пользователя в заблуждение (кликбейт), например, показывая знаменитость, которая почти не появляется в видео. Это приводит к высокому показателю кликов (Click Rate), но низкому уровню потребления (Consumption Rate) и высокому показателю отказов (Drop-off Rate), так как пользователи быстро покидают видео.

Что запатентовано

Запатентована система для автоматизированной рекомендации миниатюр на основе анализа фактического поведения пользователей (User Activity Data) во время просмотра видео. Система сегментирует видео, отслеживает активность пользователей (лайки, паузы, пересмотры, шеры, время просмотра) и сопоставляет эту активность с конкретными временными сегментами. Кадры из сегментов с наивысшей вовлеченностью рекомендуются в качестве миниатюр для повышения общего Consumption Rate.

Как это работает

Система работает итеративно:

• Публикация и сбор данных: Видео публикуется. Система может использовать параметры публикации (Publishing Parameters) для проведения A/B тестирования разных миниатюр на разных группах пользователей. Собираются детальные данные об активности.
• Анализ производительности: Оценивается Click Rate и Consumption Rate. Производительность сравнивается между разными версиями миниатюр или с похожими видео.
• Сегментация и маппинг: Видео делится на сегменты. Собранные данные об активности (например, всплеск пересмотров) привязываются к этим сегментам.
• Идентификация и рекомендация: Определяются сегменты, вызвавшие наибольшее удержание аудитории. Кадры из этих сегментов предлагаются в качестве новых миниатюр.
• Персонализация: Система может рекомендовать разные миниатюры для разных географических регионов или языков на основе локальных предпочтений.

Актуальность для SEO

Высокая. Патент выдан в 2024 году (хотя основан на более ранних заявках) и описывает механизмы, критически важные для современных видеоплатформ (таких как YouTube). Оптимизация времени просмотра (Watch Time / Audience Retention) и борьба с кликбейтом являются центральными задачами для повышения качества платформ и удовлетворенности пользователей.

Важность для SEO

Патент имеет критическое значение для Video SEO (YouTube и Google Video). Он технически подтверждает, что система отдает приоритет глубокому вовлечению (Consumption Rate), а не просто кликам. Для SEO-специалистов это означает, что стратегии оптимизации должны фокусироваться на удержании аудитории и создании контента, который соответствует ожиданиям, заданным миниатюрой. Использование кликбейта активно подавляется этой системой.

Детальный разбор

Термины и определения

Click Rate / Click-through Rate (Показатель кликов)

Метрика, определяемая как количество кликов по онлайн-медиа, деленное на количество показов (impressions) этого медиа (или его миниатюры).

Consumption Rate (Уровень потребления / Удержание аудитории)

Метрика, показывающая процент пользователей, которые все еще потребляют (смотрят) контент в определенный момент времени, по отношению к числу пользователей, начавших потребление. Ключевой показатель вовлеченности.

Drop-off Rate (Показатель отказов/уходов)

Метрика, показывающая количество пользователей, прекративших потребление контента между двумя точками времени.

Online Media Item (Онлайн-медиа)

Цифровой контент, потребляемый через сеть (например, видео). В контексте патента в основном подразумевается видео.

Publishing Parameters (Параметры публикации)

Настройки для тестирования медиа. Включают выбор изображений для миниатюр и распределение показов между разными миниатюрами в рамках A/B теста.

Reputation Score (Оценка репутации)

Оценка владельца контента (Content Owner), основанная на истории использования им миниатюр (например, частота использования кликбейта, приводящего к низкому Consumption Rate).

Segment (Сегмент)

Фрагмент онлайн-медиа (например, 10-секундный отрезок видео), используемый для анализа активности пользователей.

Thumbnail (Миниатюра)

Цифровое изображение (или набор изображений), представляющее онлайн-медиа в интерфейсе пользователя.

User Activity Data (Данные об активности пользователей)

Детальные поведенческие данные, собранные во время потребления контента (лайки, паузы, пересмотры (Replay data), шеры (Share data), покупки и т.д.), привязанные к временным меткам.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод рекомендации миниатюр.

1. Сбор данных об активности пользователя (user activity data) для первого онлайн-медиа.
2. Определение рейтинга (ranking) множества онлайн-медиа на основе их показателя кликов (click rate).
3. Идентификация второго онлайн-медиа для анализа миниатюры на основе этого рейтинга. (Примечание: Это шаг приоритизации — определение, какие видео нуждаются в оптимизации).
4. Сегментирование второго онлайн-медиа.
5. Идентификация сегмента, данные об активности пользователя в котором удовлетворяют определенным критериям.
6. Выбор кадра из этого идентифицированного сегмента.
7. Отправка рекомендации использовать выбранный кадр в качестве миниатюры. Рекомендация включает указание на момент времени в видео, соответствующий этому кадру.

Ядро изобретения — это процесс использования данных о внутренней вовлеченности для выбора репрезентативного кадра из видео и рекомендация его в качестве внешней миниатюры, причем выбор видео для оптимизации приоритизируется на основе метрик производительности.

Claim 3 (Зависимый): Уточняет процесс идентификации сегментов.

Система идентифицирует признаки (features) из каждого сегмента (например, распознавание лиц, речь) и сравнивает их с данными об активности пользователей, чтобы найти корреляцию между содержанием сегмента и поведением пользователей.

Claim 4 (Зависимый): Указывает, что критерии могут включать географию, язык или тему. Это подтверждает возможность персонализации миниатюр.

Claim 6 (Зависимый): Уточняет выбор конкретного кадра из сегмента.

Система анализирует данные кадра (frame data), включая информацию анализа цвета (color analysis information) или consumption rate, чтобы выбрать наилучший кадр внутри вовлекающего сегмента.

Claim 7 (Зависимый): Уточняет формат рекомендации.

Рекомендация может также включать указание кадров, которые НЕ следует использовать в качестве миниатюры (негативные рекомендации).

Где и как применяется

Этот патент описывает систему оптимизации и рекомендаций для медиаплатформы (например, YouTube Studio), а не непосредственно алгоритм ранжирования в веб-поиске Google. Однако данные, генерируемые этой системой (Consumption Rate, Click Rate), являются критически важными сигналами для ранжирования видео.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит анализ видеоконтента. Система извлекает признаки (features) из сегментов видео, такие как наличие человеческой речи, распознаваемый контент (например, узнаваемые лица), анализ цвета кадров. Эти данные сохраняются для последующего анализа вовлеченности.

RANKING / RERANKING (Косвенно)
Патент использует метрики производительности (например, Click Rate) для ранжирования видео и определения приоритетов оптимизации (Claim 1). Метрики вовлеченности (Consumption Rate), улучшенные благодаря этому механизму, вероятно, используются как сигналы в основных алгоритмах ранжирования и рекомендаций видео.

Система аналитики и рекомендаций (Основное применение)
Основная работа происходит в рамках системы аналитики платформы:

1. Сбор данных: Непрерывный сбор User Activity Data во время просмотра.
2. Анализ и сравнение: Оценка производительности видео, сравнение с аналогами, A/B тестирование миниатюр.
3. Генерация рекомендаций: Использование алгоритма для предложения оптимальных миниатюр владельцам контента или автоматическое применение изменений.

Входные данные:

• Видеоконтент (Online Media Item).
• User Activity Data (поведенческие сигналы во время просмотра).
• Данные о владельце контента (включая Reputation Score).
• Конфигурационные данные (параметры A/B тестов, критерии вовлеченности).

Выходные данные:

• Рекомендованные изображения для миниатюр (с таймкодами).
• Визуальные отчеты о производительности разных миниатюр (FIG 5-8).

На что влияет

• Конкретные типы контента: В первую очередь влияет на видеоконтент на платформах хостинга (YouTube) и в результатах поиска Google Video.
• Специфические запросы: Влияет на все типы запросов и рекомендательные системы, так как оптимизированная миниатюра повышает вероятность клика и последующего удержания.

Когда применяется

Алгоритм может применяться в нескольких сценариях:

• После загрузки (Тестирование): Система может автоматически тестировать несколько миниатюр на ограниченной аудитории сразу после публикации видео (используя Publishing Parameters).
• При низкой производительности: Активируется, если видео демонстрирует низкий Click Rate или низкий Consumption Rate по сравнению с похожими видео (Comparison Factor).
• При высоком Drop-off Rate: Если пользователи массово покидают видео в начале просмотра (признак кликбейта), это является триггером для анализа и смены миниатюры.
• Для владельцев с низким Reputation Score: Система может более агрессивно анализировать и рекомендовать миниатюры для авторов, которые ранее были замечены в использовании кликбейта.

Пошаговый алгоритм

Этап 1: Идентификация и Приоритизация (FIG. 4)

1. Идентификация онлайн-медиа: Обнаружение нового или существующего видео.
2. Определение необходимости анализа: Принятие решения об анализе на основе критериев:
   • Низкий Reputation Score владельца контента.
   • Низкая производительность видео (например, Consumption Rate ниже среднего для похожих видео).
   • Технические индикаторы кликбейта (например, цвет миниатюры не совпадает с цветами кадров в видео).
3. Ранжирование и приоритизация (Claim 1): Ранжирование множества видео на основе метрик (например, Click Rate) для определения, какие видео нуждаются в оптимизации в первую очередь.

Этап 2: Сбор данных и Анализ производительности (FIG. 4)

1. Публикация (Тестирование): Если видео выбрано для анализа, оно публикуется с учетом Publishing Parameters (например, показ разным группам пользователей разных миниатюр для A/B теста).
2. Сбор User Activity Data: Сбор детальных данных о взаимодействии пользователей с видео (клики, время просмотра, лайки, шеры, паузы, пересмотры и т.д.).
3. Сравнение и Ранжирование: Сравнение производительности анализируемого видео с другими похожими видео или сравнение производительности разных тестируемых миниатюр.
4. Принятие решения о рекомендации: Определение необходимости смены миниатюры.

Этап 3: Генерация рекомендаций (FIG. 9)

1. Сегментация: Разделение видео на короткие временные сегменты.
2. Маппинг данных: Сопоставление собранных User Activity Data с соответствующими сегментами.
3. Идентификация критериев: Определение целей оптимизации (например, максимальный Consumption Rate). Критерии могут быть персонализированы (например, по географии).
4. Идентификация сегментов: Поиск сегментов, которые соответствуют критериям (например, сегмент с самым высоким удержанием или наибольшим количеством пересмотров).
5. Извлечение признаков (Feature Extraction): Анализ содержания сегментов (наличие лиц, речи).
6. Выбор кадров: Выбор одного или нескольких кадров из наиболее вовлекающих сегментов (учитывая frame data, например, цвет).
7. Рекомендация: Предоставление выбранных кадров в качестве рекомендаций, часто сопровождаемое данными о производительности (отчетами). Также могут быть даны негативные рекомендации (Claim 7).

Какие данные и как использует

Данные на входе

Ключевыми данными в этом патенте являются поведенческие факторы во время потребления контента.

• Поведенческие факторы (User Activity Data): Критически важные данные. Включают:
  • Click Rate и View data.
  • Consumption Rate, Consumption Time, Start/Stop time.
  • Direct linking data (прямые ссылки на определенный момент в видео).
  • Pause data (когда ставят на паузу).
  • Replay data (когда пересматривают сегменты).
  • Like/dislike data (лайки/дизлайки с привязкой ко времени).
  • Share data (когда делятся видео).
  • Purchase data (покупки, инициированные из видео).
• Контентные факторы (Видео):
  • Признаки сегментов (Features): наличие человеческой речи, распознаваемый контент (например, лица людей).
  • Данные кадров (Frame data): информация о цвете кадров (color analysis).
• Пользовательские и Географические факторы: Данные о пользователе, география (страна, город, штат), язык, платформа устройства, операционная система. Используются для анализа и персонализации рекомендаций.
• Данные о Владельце Контента: Reputation Score, история использования миниатюр.

Какие метрики используются и как они считаются

• Click Rate: (Количество кликов) / (Количество показов).
• Consumption Rate: (Количество пользователей, смотрящих в момент времени T) / (Общее количество начавших просмотр). Рассчитывается для разных моментов времени для построения кривой удержания (FIG 5, 7, 8).
• Drop-off Rate: Процент пользователей, ушедших за определенный интервал времени.
• Reputation Score: Оценка автора, основанная на истории корреляции между Click Rate и Consumption Rate его контента (например, постоянный высокий Click Rate при низком Consumption Rate может снижать репутацию).
• Методы анализа: A/B тестирование используется для сравнения эффективности разных миниатюр в контролируемой среде.

Выводы

1. Приоритет удержания над кликами: Патент технически доказывает, что система оптимизирует видео для максимизации Consumption Rate (удержания аудитории), а не только Click Rate. В патенте приведен пример (FIG. 7), где миниатюра с более низким Click Rate может быть предпочтительнее, если она обеспечивает значительно более высокий Consumption Rate.
2. Активная борьба с кликбейтом: Система направлена на выявление и замену вводящих в заблуждение миниатюр. Если миниатюра нерепрезентативна, это приводит к высокому Drop-off Rate, что является триггером для системы рекомендаций.
3. Оптимизация на основе данных о просмотре: Выбор миниатюры основывается на сегментах, которые фактически вызывают наибольшее вовлечение у зрителей (лайки, пересмотры, удержание), а не на субъективном выборе автора.
4. Гранулярное понимание видеоконтента: Система анализирует видео на уровне сегментов, извлекая признаки (например, распознавание лиц, речь) и коррелируя их с поведением пользователей.
5. Использование репутации автора: Reputation Score автора может быть триггером для активации системы анализа. Авторы, злоупотребляющие кликбейтом, находятся под более пристальным вниманием.
6. Персонализация миниатюр: Патент описывает возможность персонализации миниатюр на основе географии и языка для повышения локальной релевантности (например, показ местного спортсмена в миниатюре для пользователей из его страны).

Практика

Best practices (это мы делаем)

• Фокус на удержании аудитории (Audience Retention): Стратегия создания видео должна быть направлена на максимизацию Consumption Rate. Необходимо анализировать кривые удержания в аналитике (например, YouTube Studio) и выявлять моменты, где зрители уходят или, наоборот, проявляют повышенный интерес (всплески/spikes).
• Создание вовлекающих моментов: Проектируйте видео так, чтобы в нем были яркие, интересные моменты, которые пользователи захотят пересмотреть или которыми захотят поделиться. Именно кадры из этих моментов являются лучшими кандидатами для миниатюр.
• Репрезентативные миниатюры: Убедитесь, что миниатюра точно отражает содержание видео и соответствует сегментам, которые вызывают наибольший интерес. Использование узнаваемых лиц или ключевых объектов, которые играют центральную роль в видео, является хорошей практикой.
• A/B тестирование миниатюр: Используйте инструменты для тестирования различных миниатюр (если платформа предоставляет такую возможность, как описано в патенте). При оценке результатов отдавайте приоритет миниатюрам, которые обеспечивают лучшее удержание, а не только высокий CTR.
• Локализация контента: При работе с международной аудиторией рассмотрите возможность локализации миниатюр, если в видео присутствуют элементы, более релевантные для конкретного региона, так как система поддерживает персонализацию.

Worst practices (это делать не надо)

• Использование кликбейта: Создание миниатюр, которые обещают то, чего нет в видео, или показывают элементы, которые присутствуют лишь мельком. Это приведет к высокому Drop-off Rate, снижению Reputation Score и активации описанной системы для поиска замены.
• Игнорирование данных об удержании: Оптимизация только под высокий Click Rate без учета того, как долго пользователи смотрят видео после клика.
• Скучное начало видео: Если начало видео не оправдывает ожиданий, заданных миниатюрой, пользователи быстро уйдут, что негативно скажется на Consumption Rate.
• Использование спойлеров в миниатюре: Использование кадров из самого конца видео. Патент упоминает возможность негативных рекомендаций (Claim 7) для предотвращения использования таких кадров.

Стратегическое значение

Этот патент подтверждает стратегическую важность поведенческих факторов в Video SEO. Успех видео определяется не только его обнаружением и кликом, но и качеством просмотра (Watch Time и User Satisfaction). Долгосрочная стратегия должна фокусироваться на создании качественного, вовлекающего контента и честной его «упаковке» (Title + Thumbnail). Системы Google/YouTube активно используют машинное обучение для анализа содержания видео и поведения зрителей для оптимизации вовлеченности в масштабе всей платформы.

Практические примеры

Сценарий 1: Оптимизация видеообзора гаджета

1. Исходная ситуация: Видеообзор нового смартфона имеет средний Click Rate, но очень высокий Drop-off Rate в первые 30 секунд. Текущая миниатюра — логотип производителя.
2. Анализ (действие системы): Система анализирует Consumption Rate и определяет, что пик интереса (много пересмотров и лайков) приходится на сегмент 2:30-2:50, где показан краш-тест смартфона.
3. Рекомендация: Система рекомендует использовать кадр из сегмента краш-теста в качестве новой миниатюры.
4. Тестирование и Результат: Новая миниатюра тестируется (A/B тест). Click Rate возрастает, и, что более важно, Drop-off Rate в начале снижается, так как пользователи ожидают увидеть тест. Общий Consumption Rate увеличивается.

Сценарий 2: Персонализация миниатюры спортивного обзора

1. Ситуация: Загружен обзор футбольного матча между Командой А (из Бразилии) и Командой Б (из Аргентины).
2. Действие системы: Система проводит A/B тестирование двух миниатюр: Игрок 1 (звезда Команды А) и Игрок 2 (звезда Команды Б).
3. Анализ: Данные показывают, что в Бразилии миниатюра с Игроком 1 имеет значительно более высокий Click Rate и Consumption Rate. В Аргентине лучшие показатели у миниатюры с Игроком 2.
4. Результат: Система применяет персонализацию (на основе географических критериев): пользователям из Бразилии показывается Игрок 1, пользователям из Аргентины — Игрок 2.

Вопросы и ответы