Как Google использует данные о кликах и поиске для измерения популярности контента и генерации рекомендаций

Описание

Какую задачу решает

Патент решает задачу предоставления пользователям релевантных рекомендаций медиаконтента (ТВ-шоу, фильмы), основываясь на популярности. Ключевая проблема – это «холодный старт» (Cold Start Problem) для нового контента, когда поведенческих данных (кликов, поисков) еще недостаточно для надежной работы систем коллаборативной фильтрации (Collaborative Filtering). Система обеспечивает механизм перехода от внешних данных о популярности к внутренним поведенческим данным по мере их накопления и улучшения качества.

Что запатентовано

Запатентован метод генерации рекомендаций, который динамически использует различные источники данных о популярности. Суть изобретения в механизме оценки качества доступных данных (Data Quality) и адаптивного выбора или смешивания (blending) между User Click Data (поведенческие данные) и Audience Measurement Data (внешние рейтинги). Это позволяет давать рекомендации для новых программ и улучшать их точность для устоявшегося контента.

Как это работает

Система использует адаптивный алгоритм, который меняется со временем (см. FIG. 2 патента):

• Начальный этап (Cold Start): Для нового контента качество User Click Data недостаточное (Insufficient). Система полагается на Audience Measurement Data (например, ТВ-рейтинги) и контентный анализ (жанр, описание).
• Переходный этап (Fair Quality): По мере накопления данных о поиске и кликах их качество улучшается. Система начинает смешивать (blend) поведенческие данные с данными рейтингов, используя динамическое взвешивание.
• Зрелый этап (Excellent Quality): Когда поведенческие данные становятся надежными и объемными, система преимущественно использует User Click Data для Collaborative Filtering, считая их более точным индикатором интереса пользователей.

Актуальность для SEO

Высокая. Хотя эта заявка является продолжением (continuation) оригинальной заявки 2007 года и описывает интерфейсы EPG (Google TV), описанные принципы измерения популярности через агрегированное поведение пользователей (поиски и клики) и использование Collaborative Filtering являются фундаментальными для современных рекомендательных систем, включая Google Discover и YouTube. Понимание того, как Google измеряет популярность сущностей и обрабатывает новый контент, критически важно.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (85/100). Он не описывает алгоритмы веб-поиска, но подтверждает, что агрегированные поведенческие данные (поисковая активность и клики) являются предпочтительным источником для оценки популярности и генерации рекомендаций для устоявшегося контента. Это критически важно для стратегий продвижения в Google Discover и других рекомендательных системах, подчеркивая важность стимулирования реального поискового интереса к бренду и контенту.

Детальный разбор

Термины и определения

Audience Measurement Data (Данные измерения аудитории)

Внешние данные о популярности контента, такие как телевизионные рейтинги (например, Nielsen). Характеризуются быстрым появлением после выхода контента, но со временем их полезность для рекомендаций стабилизируется.

Collaborative Filtering (Коллаборативная фильтрация)

Метод генерации рекомендаций, основанный на поведении пользователей (behavioral data-based recommendation). Определяет интересы пользователя на основе интересов похожих людей.

Content-Based Recommendation (Рекомендация на основе контента)

Метод генерации рекомендаций путем анализа самого контента (жанр, актеры, описание, текст, упоминания в Web Corpus) для определения схожести элементов.

Cold Start Problem (Проблема холодного старта)

Ситуация нехватки данных для Collaborative Filtering для новых пользователей или новых элементов контента.

Data Quality (Качество данных)

Метрика, оценивающая надежность, объем и статистическую значимость доступных данных. Классифицируется как «Insufficient», «Fair» или «Excellent».

User Click Data (Пользовательские данные о кликах)

Поведенческие данные, агрегированные системой, включающие клики пользователей и другую веб-активность. Их качество для рекомендаций растет по мере накопления данных со временем и потенциально превосходит Audience Measurement Data.

Search Activity (Поисковая активность)

Данные о поисковых запросах пользователей, используемые как индикатор популярности медиапрограмм.

Web Corpus (Веб-корпус)

Внешние источники данных, такие как блоги, веб-сайты и субтитры (closed caption data), используемые для лучшего понимания медиапрограмм при контентном анализе.

Ключевые утверждения (Анализ Claims)

Анализ проводится на основе Claims, представленных в заявке US20240171820A1, которые описывают логику динамического выбора данных (как показано на FIG. 4B).

Claim 1, 4, 7 (Описывают ядро системы динамического выбора источника данных):

Описывается компьютерный метод реагирования на запрос рекомендации. Ключевым элементом является процесс принятия решения на основе оценки качества доступных данных (determining a quality of available user click data and audience measurement data).

1. (Claim 1) Условие недостаточного качества (Insufficient-quality): Если качество доступных данных определено как недостаточное (например, при «холодном старте»), система выполняет доступ к Audience Measurement Data и генерирует корреляции на их основе.
2. (Claim 4) Условие отличного качества (Excellent-quality): Если качество определено как отличное, система получает доступ к User Click Data и генерирует корреляции на их основе (приоритет коллаборативной фильтрации).
3. (Claim 7) Условие среднего качества (Fair-quality): Если качество определено как среднее, система получает доступ к комбинации User Click Data и Audience Measurement Data и генерирует корреляции на основе смешанных данных.

Claim 9 (Зависимый):

Детализирует механизм смешивания данных при среднем качестве. Корреляции генерируются с использованием математической модели, которая учитывает качество источников данных (quality of data sources) во времени. Это подтверждает динамический характер системы, которая адаптируется по мере «взросления» программы и накопления данных о ней.

Где и как применяется

Изобретение описывает работу системы рекомендаций. Хотя оно сфокусировано на медиаконтенте (ТВ), описанные механизмы применимы к любым системам рекомендаций контента (YouTube, Google Discover).

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает и индексирует данные, необходимые для рекомендаций:

• Поведенческие данные: User Click Data и Search Activity агрегируются из логов и ассоциируются с сущностями (медиапрограммами).
• Данные о контенте: Извлекаются признаки для Content-Based Recommendation (жанры, описания, данные из Web Corpus – блогов, сайтов, субтитров).
• Внешние данные: Импортируются Audience Measurement Data (рейтинги).

RANKING / RERANKING (В контексте рекомендаций)
Основное применение патента происходит на этапе генерации и ранжирования списка рекомендаций.

1. Определение контекста: Система определяет интерес пользователя.
2. Оценка качества данных: Оценивается Data Quality доступных поведенческих данных для связанного контента.
3. Выбор источников и Генерация корреляций: В зависимости от Data Quality, система выбирает источники (Click Data, Audience Data или их смесь) и применяет Collaborative Filtering и/или Content-Based Recommendation.
4. Ранжирование: Сгенерированным рекомендациям присваиваются оценки (scores), и формируется упорядоченный список.

На что влияет

• Типы контента: В первую очередь медиаконтент (видео, фильмы, сериалы). Принципы применимы к рекомендациям статей (Discover) и товаров.
• Новый vs Устоявшийся контент: Механизм по-разному обрабатывает новый контент (используя внешние данные и анализ контента для решения Cold Start Problem) и устоявшийся контент (используя поведенческие данные).

Когда применяется

• Триггеры активации: Когда система генерирует рекомендации (в ленте, при просмотре контента, в ответ на запрос).
• Временные рамки: Применяется динамически. Система постоянно переоценивает Data Quality. Со временем (как показано на FIG. 2) фокус смещается на поведенческие данные, когда их качество превышает качество внешних данных.

Пошаговый алгоритм

Процесс А: Генерация рекомендаций в реальном времени (на основе FIG. 4B)

1. Получение запроса: Система получает запрос на генерацию рекомендаций.
2. Оценка качества данных (Data Quality Assessment): Система оценивает объем и качество доступных User Click Data.
3. Ветвление логики выбора источника:
   • Путь 1 (Insufficient Data): Если данные низкого качества (новый контент). Система получает доступ преимущественно к Audience Measurement Data и/или использует Content-based Recommendation.
   • Путь 2 (Fair Data): Если данные среднего качества. Система получает доступ и к User Click Data, и к Audience Measurement Data.
   • Путь 3 (Excellent Data): Если данные высокого качества (устоявшийся контент). Система получает доступ преимущественно к User Click Data (используя Collaborative Filtering).
4. Генерация и смешивание корреляций:
   • Пути 1 и 3: Генерируются корреляции (поиск похожего контента) на основе выбранного источника.
   • Путь 2: Генерируются корреляции из обоих источников, после чего происходит их смешивание (Blend Correlations). Веса определяются математической моделью, учитывающей качество данных во времени.
5. Присвоение оценок (Scoring): Каждой рекомендации присваивается оценка (Score), основанная на силе корреляции и популярности.
6. Передача и отображение: Отсортированный список рекомендаций передается пользователю.

Процесс Б: Сбор и обработка данных (Фоновый режим)

1. Сбор поведенческих данных: Система непрерывно записывает действия пользователей (клики, поиски) в User Click History.
2. Импорт внешних данных: Система периодически загружает Audience Measurement Data.
3. Индексация контента: Система анализирует метаданные контента и Web Corpus для определения схожести контента.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Ключевые):
  • User Click Data: Клики пользователей, взаимодействие с контентом, обратная связь на сайтах.
  • Search Activity: Поисковые запросы, связанные с контентом.
  • История просмотров пользователя.
• Внешние факторы популярности:
  • Audience Measurement Data: Внешние рейтинги популярности (например, ТВ-рейтинги).
• Контентные факторы:
  • Метаданные (жанр, актеры, режиссер).
  • Описания и синопсисы.
  • Web Corpus: Контент блогов и веб-сайтов, описывающий программу.
  • Данные субтитров (closed caption data).
• Пользовательские факторы:
  • Профили пользователей (демография, интересы), если доступны, для персонализации Collaborative Filtering.

Какие метрики используются и как они считаются

• Data Quality (Качество данных): Метрика, определяющая степень надежности источников данных. Качество User Click Data растет со временем по мере накопления, а качество Audience Measurement Data быстро возрастает в начале, но затем стабилизируется.
• Popularity Score (Оценка популярности): Метрика популярности контента, основанная на рейтингах или поведенческих данных.
• Correlation Score (Оценка корреляции): Мера схожести между двумя единицами контента или двумя пользователями. Рассчитывается с помощью алгоритмов Collaborative Filtering (например, Bayesian Network/Clustering) или анализа контента (например, кластеризация по ключевым словам из описаний/веб-корпуса).
• Весовые коэффициенты (Weighting factors): Используются в модели смешивания (Blending). Веса динамически изменяются в зависимости от Data Quality и времени.
• Методы машинного обучения: Упоминается применение методов машинного обучения для анализа контента (Web Corpus) и определения концепций.

Выводы

1. Поведенческие данные – предпочтительный сигнал популярности: Патент четко показывает, что Google предпочитает использовать агрегированные данные о поиске (Search Activity) и кликах (User Click Data) как основной индикатор популярности для генерации рекомендаций, когда эти данные достигают высокого качества (Excellent Quality).
2. Механизм обработки нового контента (Cold Start): Для нового контента, по которому еще нет поведенческих данных, система использует альтернативные сигналы: внешние данные о популярности (Audience Measurement Data) и анализ схожести контента (Content-Based Recommendation), включая анализ Web Corpus.
3. Динамическое смешивание сигналов: Система не просто переключается между источниками, а использует математическую модель для их смешивания (Blending), изменяя веса в зависимости от качества и возраста данных. Со временем вес поведенческих данных увеличивается.
4. Фундаментальная роль Collaborative Filtering: Коллаборативная фильтрация, основанная на поведении пользователей («те, кто интересовался X, также интересовались Y»), является ядром рекомендательной системы для устоявшегося контента.
5. Важность внешнего веба для понимания контента: Система использует данные из Web Corpus (блоги, сайты) для улучшения понимания контента и генерации рекомендаций, что подчеркивает важность внешних упоминаний (PR).

Практика

Важно: Патент напрямую относится к рекомендациям медиаконтента, а не к ранжированию веб-поиска. Приведенные ниже пункты являются стратегическими выводами для SEO, основанными на общих принципах работы Google с данными.

Best practices (это мы делаем)

• Стимулирование органического интереса и поискового спроса: Для попадания в рекомендательные системы (Discover, YouTube, Related Searches) необходимо генерировать реальный спрос на контент/бренд. Поскольку Search Activity и User Click Data являются предпочтительными сигналами популярности, PR и маркетинговые активности, ведущие к росту брендовых и тематических запросов и кликов, напрямую влияют на видимость в рекомендациях.
• Оптимизация под Google Discover: Стратегия должна фокусироваться на создании контента, который вызывает отклик у аудитории и стимулирует дальнейшее взаимодействие. Успешный контент с большей вероятностью будет рекомендован похожим пользователям через Collaborative Filtering.
• Четкое позиционирование нового контента (Cold Start Strategy): При публикации нового контента обеспечьте максимально полное описание и активное распространение информации в вебе (Web Corpus). Это поможет системе сгенерировать первые рекомендации через Content-Based Recommendation, пока не накопятся поведенческие данные.
• Построение тематического авторитета через кластеры интересов: Используйте логику Collaborative Filtering при разработке контент-стратегии. Создавайте контент, который охватывает темы, часто искомые вместе. Если пользователи, интересующиеся Темой А, также интересуются Темой Б, авторитетный сайт должен покрывать обе темы для соответствия паттернам интересов аудитории.

Worst practices (это делать не надо)

• Игнорирование поведенческих сигналов: Полагаться только на контентную оптимизацию недостаточно. Если контент не генерирует клики и интерес, он не будет считаться популярным и не будет рекомендоваться, даже если он хорошо оптимизирован под ключевые слова.
• Накрутка поведенческих факторов: Попытки манипулировать User Click Data рискованны. Система оценивает Data Quality, что подразумевает анализ естественности и разнообразия источников поведенческих данных, а не только их объема. Сложные модели Collaborative Filtering затрудняют масштабируемую накрутку.
• Создание изолированного контента: Публикация статей, не связанных с другими материалами на сайте или общими трендами в нише, снижает вероятность их попадания в рекомендации, так как системе сложнее найти корреляции через Collaborative Filtering.

Стратегическое значение

Патент подтверждает стратегическую важность популярности и поведенческих факторов в экосистеме Google. Он описывает механизм, лежащий в основе того, как Google определяет тренды и распространяет контент за пределами традиционного поиска. Для SEO-стратегии это означает необходимость смещения фокуса с чисто технической оптимизации на комплексное продвижение, направленное на реальный интерес аудитории, узнаваемость бренда и стимулирование поискового спроса.

Практические примеры

Сценарий: Продвижение новой статьи в Google Discover

1. Задача: Вывести новую экспертную статью в ленты рекомендаций пользователей.
2. Применение патента (Холодный старт): Сразу после публикации поведенческих данных мало (Insufficient Click Data). Система будет опираться на Content-Based Recommendation.
3. Действия SEO: Обеспечить четкое позиционирование статьи (заголовки, сущности). Активно распространить статью через соцсети и email-рассылку, стимулируя упоминания на внешних ресурсах (Web Corpus).
4. Применение патента (Накопление данных): Первичный посев трафика генерирует первые User Click Data и Search Activity. Качество данных переходит в стадию Fair или Excellent.
5. Результат: Система определяет, что пользователи, кликнувшие на эту статью, также интересуются определенными темами. Если реакция положительная, Collaborative Filtering начинает работать, и статья рекомендуется более широкой аудитории похожих пользователей в Discover.

Вопросы и ответы