Как Google использует статистику кликов по рекламе для определения тематики видео и другого нетекстового контента

Описание

Какую задачу решает

Патент решает проблему точного определения релевантных ключевых слов и тематик для media documents, которые преимущественно состоят из нетекстового контента (например, видео, изображения, аудио). Традиционные методы текстового анализа неэффективны, когда метаданных мало или они отсутствуют. Это затрудняет категоризацию контента, его поиск и таргетинг сопутствующих элементов, таких как реклама.

Что запатентовано

Запатентована система, которая использует поведенческую статистику (user interaction statistics) для определения тематики медиадокументов. Суть в том, что система анализирует, насколько эффективно работают сопутствующие элементы контента (content items, например, реклама) при показе с основным медиадокументом. Если пользователи часто взаимодействуют с рекламой, имеющей определенные ключевые слова, система делает вывод, что эти ключевые слова релевантны медиадокументу.

Как это работает

Механизм работает как петля обратной связи:

• Показ и сбор данных: Медиадокумент (например, видео) показывается пользователям вместе с различными content items (рекламой). Система собирает данные о взаимодействии с рекламой (клики, конверсии).
• Инференс (Вывод): Система идентифицирует рекламу с высокой эффективностью (например, высоким CTR). Ключевые слова (keywords), связанные с этой успешной рекламой, ассоциируются с просмотренным видео.
• Пропагация (Распространение): Если система обнаруживает другой медиадокумент с общими атрибутами (common attribute) — например, загруженный тем же автором, на том же канале или имеющий схожую тему, — выведенные ключевые слова переносятся (пропагируются) и на этот связанный документ.

Актуальность для SEO

Высокая. В условиях доминирования видео и визуального контента точное понимание его тематики без опоры на текст критически важно. Использование поведенческих данных и петель обратной связи (feedback loops) для улучшения понимания контента является стандартом в современных поисковых и рекомендательных системах (например, YouTube, TikTok).

Важность для SEO

Патент имеет высокое значение, особенно для Video SEO и продвижения на платформах типа YouTube. Он раскрывает механизм, позволяющий Google определять тематику контента, опираясь на интересы аудитории, а не только на заявленные метаданные. Это подчеркивает стратегическую важность привлечения качественной, целевой аудитории, поскольку ее поведение (включая взаимодействие с рекламой) напрямую влияет на то, как Google классифицирует ваш контент.

Детальный разбор

Термины и определения

Media Document (Медиадокумент)

Основной контент, потребляемый пользователем. В контексте патента часто подразумевается контент с нетекстовыми элементами, такими как видео, аудио или изображения.

Content Item (Элемент контента)

Дополнительный контент, отображаемый в ассоциации с Media Document. В примерах патента это преимущественно рекламные объявления (ads).

Keywords (Ключевые слова)

Слова или фразы, семантически связанные с Content Items (рекламой) и описывающие их тематику.

User Interaction Statistics / Usage Statistics (Статистика взаимодействий)

Собранные данные о том, как пользователи взаимодействуют с Content Items. Ключевые метрики включают Click-Through Rate (CTR) и Conversion Rate.

Content Delivery Service (Служба доставки контента)

Система, которая управляет выбором и показом Content Items, а также анализирует статистику и управляет ассоциациями ключевых слов.

Media Service (Медиасервис)

Платформа, предоставляющая основные Media Documents (например, видеохостинг).

Common Attribute (Общий атрибут)

Характеристика, общая для двух разных Media Documents. Используется как основание для переноса (пропагации) ключевых слов с одного документа на другой. Примеры: источник (Source/Автор), канал контента (Content Channel), общий поисковый запрос, общая тема.

Topic Engine (Движок определения тем)

Система или база данных, которая анализирует Media Documents (включая анализ нетекстового содержания) для определения их тематик (Topics).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод идентификации и переноса ключевых слов.

1. Система компилирует статистику взаимодействий пользователей (user interaction statistics) для набора элементов контента (content items), которые отображались вместе с первым целевым медиадокументом (имеющим нетекстовую часть). Эти элементы контента ассоциированы с одним или несколькими ключевыми словами.
2. На основе этой статистики (например, если CTR рекламы высок), система ассоциирует первый медиадокумент с некоторыми из этих ключевых слов.
3. На основе общего атрибута (common attribute) между первым и вторым медиадокументом (также имеющим нетекстовую часть), система ассоциирует второй медиадокумент с теми же ключевыми словами, которые были присвоены первому.

Зависимые пункты (Детализация):

• Использование ключевых слов: Система использует эти новообретенные ассоциации для выбора будущих content items для показа в ассоциации с первым или вторым медиадокументом.
• Метрики: Статистика взаимодействий включает как минимум Click-Through Rate (CTR) и/или Conversion Rate (коэффициент конверсии), когда элемент контента отображается с первым медиадокументом.
• Типы общих атрибутов: Общий атрибут (common attribute) может включать: источник медиадокументов (source), канал контента (content channel) или единый поисковый запрос (single search query), связанный с обоими документами.
• Общие темы (Topics): Общий атрибут может быть общей темой медиадокумента (media document topic). Эта тема может быть идентифицирована на основе нетекстового контента (например, с помощью Topic Engine) и может включать место создания документа или сущность, изображенную в нем.

Где и как применяется

Изобретение применяется в основном в рамках систем доставки контента и рекламы, работающих на медиаплатформах.

INDEXING – Индексирование и извлечение признаков
На этом этапе система индексирует Media Documents и извлекает их базовые атрибуты (автор, канал). Также здесь работает Topic Engine, который анализирует сам контент (например, видеоряд) для определения тем (Topics). Эти данные сохраняются для последующего использования.

Data Analytics & Feedback Loop (Аналитика и Петля обратной связи)
Это непрерывный процесс, не являющийся стандартным этапом обработки запроса. Content Delivery Service постоянно собирает Usage Statistics (клики по рекламе) и использует эти данные для обновления и обогащения индекса, создавая новые ассоциации между Media Documents и Keywords.

RANKING / METASEARCH (Применительно к выбору рекламы)
Когда пользователь просматривает Media Document, система доставки контента использует существующие ассоциации (включая те, что были выведены по данному патенту) для выбора и ранжирования наиболее подходящих Content Items (рекламы) для показа.

Входные данные:

• Просматриваемый Media Document и его атрибуты (автор, канал, темы).
• Пул доступных Content Items (реклама) и связанные с ними Keywords.
• Накопленные Usage Data (история кликов и конверсий по рекламе в привязке к медиадокументам).

Выходные данные:

• Обновленные ассоциации между Media Documents и Keywords в базе данных.
• Выбранный Content Item для показа пользователю.

На что влияет

• Конкретные типы контента: Основное влияние оказывается на контент, где текст не является основным содержанием: видео (особенно на платформах типа YouTube), стримы, подкасты, изображения.
• Специфические запросы и ниши: Влияет на все тематики и типы запросов, связанных с потреблением медиаконтента. Особенно значимо в нишах, где сложно вербализовать содержание (например, музыка, визуальное искусство, ASMR).

Когда применяется

• При каких условиях работает алгоритм: Алгоритм работает непрерывно. Сбор данных происходит при каждом показе медиаконтента с рекламой. Анализ и обновление ассоциаций происходят периодически или в реальном времени.
• Триггеры активации: Ассоциация ключевого слова с медиадокументом активируется, когда статистика взаимодействий (interaction statistics) для рекламы с этим ключевым словом достигает определенного порога статистической значимости (например, стабильно высокий CTR).
• Триггеры пропагации: Перенос ключевых слов происходит при обнаружении значимого общего атрибута (common attribute) между документом, уже имеющим выведенные ключевые слова, и другим документом.

Пошаговый алгоритм

Этап 1: Сбор данных и вывод ключевых слов (Inference)

1. Компиляция статистики: Система собирает и компилирует user interaction statistics для набора content items (рекламных объявлений), которые показывались в ассоциации с первым медиадокументом (например, Видео 1).
2. Анализ эффективности: Идентифицируются content items, которые показали высокую эффективность (например, превысили порог по CTR или Conversion Rate) при показе с Видео 1.
3. Извлечение ключевых слов: Система извлекает keywords, ассоциированные с этими эффективными content items.
4. Ассоциация с первым документом: Система ассоциирует эти keywords с Видео 1, делая вывод, что они релевантны его содержанию. Этой ассоциации может быть присвоена оценка уверенности (score).

Этап 2: Распространение ключевых слов (Propagation)

1. Идентификация связанных документов: Система ищет второй медиадокумент (Видео 2), который имеет общие атрибуты (common attribute) с Видео 1. Атрибуты могут включать: тот же автор, тот же канал, или общую тему, определенную Topic Engine.
2. Ассоциация со вторым документом: При обнаружении связи система ассоциирует keywords, выведенные для Видео 1, также и с Видео 2.

Этап 3: Применение

1. Выбор контента: При последующих показах Видео 1 или Видео 2 система использует эти новые ассоциированные keywords для выбора и показа релевантных content items.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Являются основой изобретения. Используются Usage data: клики пользователей по content items и последующие конверсии. Критически важно, что эти данные привязаны к конкретному media document, с которым показывалась реклама.
• Контентные факторы: Используются Keywords, которые заранее ассоциированы с Content Items (рекламой).
• Структурные/Технические факторы: Атрибуты Media Document, используемые для пропагации: Источник (Source/Uploader), Канал контента (Content Channel).
• Мультимедиа факторы: Данные анализа нетекстового контента (например, видеоряда, аудиодорожки). Эти данные обрабатываются Topic Engine для определения тем (Topics), которые также могут служить общими атрибутами для пропагации.

Какие метрики используются и как они считаются

• Click-Through Rate (CTR): Рассчитывается как отношение кликов к показам content item при его отображении с конкретным media document.
• Conversion Rate: Рассчитывается как частота достижения конверсии после взаимодействия с content item.
• Пороги взаимодействия: Система использует пороговые значения для CTR и Conversion Rate. Если метрики превышают порог, это служит триггером для ассоциации ключевых слов. Конкретные значения порогов в патенте не указаны.
• Score (Оценка ассоциации): В патенте упоминается возможность присвоения оценки (score) ассоциации между ключевым словом и медиадокументом. Более высокая статистика взаимодействий, вероятно, приводит к более высокому score, что отражает уверенность системы в релевантности.

Выводы

1. Поведенческие данные как индикатор тематики: Патент демонстрирует механизм, в котором поведение пользователей (взаимодействие с рекламой) используется как сильный сигнал для понимания тематики контента, особенно при отсутствии текста. Интересы аудитории определяют классификацию контента.
2. Feedback Loop в классификации контента: Система создает петлю обратной связи. Успешность рекламы при показе с видео определяет, какие ключевые слова будут ассоциированы с этим видео, что, в свою очередь, влияет на будущий таргетинг рекламы и, косвенно, на понимание контента поисковой системой.
3. Пропагация тематик через атрибуты: Ключевые слова могут распространяться между разными единицами контента, если у них есть общие атрибуты (common attributes), такие как автор, канал или тема. Это подчеркивает важность структурной организации контента (например, целостности канала).
4. Комплексное понимание контента: Этот поведенческий метод дополняет прямые методы анализа (NLP для текста, Computer Vision для изображений/видео). Если прямые сигналы слабые или неоднозначные, данные о взаимодействии с рекламой могут стать решающим фактором в определении тематики.
5. Качество аудитории важнее количества: Для правильной классификации контента важно не просто привлекать много зрителей, а привлекать аудиторию с четко выраженными интересами, релевантными тематике контента.

Практика

Best practices (это мы делаем)

• Поддержание тематической целостности канала (Video SEO): Критически важно фокусировать канал на одной или нескольких тесно связанных темах. Поскольку система распространяет (пропагирует) выведенные тематики между видео на одном канале (используя канал как common attribute), тематическая чистота поможет системе точнее и быстрее классифицировать весь контент канала.
• Привлечение качественной целевой аудитории: Фокусируйтесь на создании контента, который привлекает аудиторию с конкретными интересами, соответствующими вашей нише. Взаимодействие этой аудитории с релевантной рекламой поможет Google правильно понять и классифицировать ваш контент.
• Стимулирование вовлеченности: Чем активнее аудитория и чем дольше она потребляет контент, тем больше данных о взаимодействии получает система. Высокая вовлеченность способствует более точной классификации.
• Использование структурирования контента: Организуйте контент в плейлисты и серии. Хотя плейлисты прямо не упоминаются как common attribute, это соответствует логике группировки связанного контента, что может способствовать правильной пропагации тематик.

Worst practices (это делать не надо)

• Смешивание несвязанных тем на одном канале: Публикация видео на сильно различающиеся темы запутает систему. Интересы аудитории будут размыты, статистика взаимодействий будет неоднородной, что приведет к неточной классификации и неэффективной пропагации тематик.
• Использование кликбейта для привлечения нецелевого трафика: Если заголовок обещает одно, а контент содержит другое, вы привлечете нерелевантную аудиторию. Их взаимодействие с рекламой может привести к тому, что система ассоциирует с вашим видео совершенно неверные ключевые слова.
• Игнорирование аналитики аудитории: Не анализировать интересы своей аудитории (например, через YouTube Analytics) опасно, так как именно эти интересы, согласно патенту, используются для классификации контента через механизм обратной связи.

Стратегическое значение

Патент подтверждает, что для понимания нетекстового контента Google использует сложные поведенческие сигналы, выходящие далеко за рамки анализа метаданных (заголовков, описаний, тегов). Для SEO-стратегии это означает, что оптимизация видео — это не только работа с текстом, но и работа с аудиторией. Поведение зрителей, которых привлекает ваш контент, напрямую формирует то, как поисковая система его классифицирует. Долгосрочная стратегия должна быть направлена на построение тематического авторитета всего канала и привлечение релевантной, заинтересованной аудитории.

Практические примеры

Сценарий: Быстрая классификация нового видео на тематическом канале.

1. Контекст: Существует устоявшийся канал, посвященный обзорам зеркальных фотокамер (DSLR). Аудитория канала регулярно взаимодействует с рекламой фототехники и курсов фотографии.
2. Работа системы (Inference): Google уже ассоциировал с видео на этом канале keywords, такие как «обзор DSLR», «лучшие объективы Canon», «уроки фотографии», на основе высоких CTR соответствующей рекламы.
3. Новое видео: Автор загружает новое видео с обзором бюджетной модели камеры.
4. Работа системы (Propagation): Еще до того, как новое видео набрало значительную собственную статистику просмотров и кликов, система применяет механизм пропагации. Используя канал как common attribute, она переносит ключевые слова («обзор DSLR», «уроки фотографии») на новое видео.
5. Результат для SEO: Новое видео быстрее классифицируется системой как релевантное запросам о фототехнике, что ускоряет его попадание в рекомендации и поиск для целевой аудитории.

Вопросы и ответы