Как Google визуализирует связи между рекомендованными видео с помощью «взвешенной совместной посещаемости»

Описание

Какую задачу решает

Патент решает проблему представления длинных списков рекомендаций видео в удобном для пользователя формате. Вместо стандартного списка ссылок или миниатюр, изобретение предлагает интуитивно понятный визуальный интерфейс, который позволяет пользователям быстро оценить связи и корреляцию между рекомендованными видео. Это улучшает пользовательский опыт (UX) навигации по видеоконтенту.

Что запатентовано

Запатентована система и метод для визуального просмотра нескольких групп рекомендаций видео. Интерфейс отображает Central Video (текущий фокус интереса) и набор связанных Orbiting Videos. Расположение орбитальных видео определяется двумя ключевыми факторами: их Recommendation Score по отношению к центральному видео (на основе Weighted Covisitation Measure) и их корреляцией друг с другом (моделируемой через силы притяжения и отталкивания).

Как это работает

Система работает следующим образом:

• Расчет рекомендаций: Для выбранного Central Video система вычисляет Recommendation Scores для связанных видео. Эта оценка основана на Weighted Covisitation Measure — вероятности того, что пользователь посмотрит связанное видео следующим.
• Визуализация связей: Система рассчитывает физическое расположение видео на экране. Расстояние от центра отражает силу рекомендации.
• Моделирование корреляции: Для определения взаимного расположения рекомендованных видео используется модель физических сил. Pulling Force (притяжение) сближает похожие видео (пропорционально их оценкам), а Repelling Force (отталкивание) предотвращает их наложение. Это создает визуальную кластеризацию.
• Интерактивность: Когда пользователь меняет фокус интереса (выбирает новое центральное видео), система генерирует новую группу рекомендаций и пересчитывает визуальное представление.

Актуальность для SEO

Средняя (для платформ видеохостинга). Хотя конкретный интерфейс, описанный в патенте (с орбитальным расположением), может не использоваться в текущих продуктах Google (YouTube сейчас предпочитает сетки и списки), базовые принципы, лежащие в основе генерации рекомендаций, остаются фундаментальными. Использование Covisitation (совместной посещаемости) является ключевым элементом современных рекомендательных систем.

Важность для SEO

Влияние на традиционное SEO минимальное (2/10). Патент описывает в первую очередь UI/UX для платформ видеохостинга (например, YouTube) и механизм генерации рекомендаций на основе поведения пользователей, а не алгоритмы ранжирования веб-поиска. Однако он имеет значение для YouTube SEO (оптимизации видео), поскольку раскрывает важность Covisitation как сигнала для получения рекомендательного трафика.

Детальный разбор

Термины и определения

Central Video (Центральное видео)

Текущий фокус интереса пользователя; видео, вокруг которого строятся и отображаются рекомендации.

Orbiting Videos (Орбитальные видео)

Набор рекомендованных видео, связанных с Central Video. В интерфейсе они отображаются вокруг центрального видео.

Covisitation (Совместная посещаемость)

Событие, когда пользователь просматривает одно видео, а затем другое. Учитывается при определении связи между видео.

Weighted Covisitation Measure (Взвешенная мера совместной посещаемости)

Метод оценки связи между видео. Учитывает количество совместных просмотров, скорректированное с помощью Scaling Factor для учета масштаба (популярности) видео.

Recommendation Score (Оценка рекомендации)

Числовое значение, представляющее условную вероятность того, что данное видео будет просмотрено следующим после Central Video. Определяет расстояние от центра в интерфейсе.

Pulling Force (Сила притяжения)

Виртуальная сила в модели визуализации, которая сближает два орбитальных видео на экране. Ее сила пропорциональна Recommendation Scores этих видео.

Repelling Force (Сила отталкивания)

Виртуальная сила, которая отталкивает орбитальные видео друг от друга для предотвращения наложения. Указывается, что сила падает с квадратом расстояния между двумя видео.

Scaling Factor (α) (Коэффициент масштабирования)

Степенной коэффициент, используемый в формуле Weighted Covisitation Measure для нормализации влияния популярности видео. В патенте предлагается значение 0.6.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод визуального просмотра рекомендаций.

1. Система получает выбор видео из первой группы рекомендаций.
2. Это видео назначается как Central Video.
3. Генерируется вторая группа рекомендаций, где каждое видео имеет Recommendation Score.
4. Координируется визуальное отображение второй группы вокруг Central Video. Ключевое условие: каждое видео отображается на расстоянии от центра, основанном на его Recommendation Score относительно центрального видео, И отображается относительно других видео в группе на основе его Recommendation Score относительно оценок других видео в группе.

Ядро изобретения — это способ визуализации, где позиция элемента на экране определяется не только его связью с центром, но и его связями с соседними элементами, что позволяет визуализировать кластеры.

Claim 4 (Зависимый): Уточняет, что генерация второй группы включает определение корреляции между видео, которая определяется силами притяжения (pulling forces) и отталкивания (repelling forces) между ними.

Claim 5 (Зависимый): Определяет, что Pulling Force измеряет относительную связанность между видео и пропорциональна Recommendation Score видео.

Claim 7 (Зависимый): Уточняет, что генерация рекомендаций включает:

1. Связывание видео с Central Video с использованием Weighted Covisitation Measure.
2. Генерацию Recommendation Score на основе этой меры.

Claim 9 (Зависимый от 8): Определяет формулу для Recommendation Score (вероятности следующего просмотра):

$score(vide{o}_B)=\frac{num}{}$

Выводы

1. Фокус на UI/UX и Рекомендациях, а не на Поиске: Патент описывает интерфейс для визуализации рекомендаций видео и базовый алгоритм для их генерации. Он не имеет отношения к ранжированию в веб-поиске и не дает прямых рекомендаций для традиционного SEO.
2. Фундаментальная роль Поведенческих Факторов (Covisitation): Ключевым инсайтом для специалистов по видео (YouTube SEO) является подтверждение того, что Weighted Covisitation Measure лежит в основе рекомендаций. То, что пользователи смотрят после вашего видео, напрямую влияет на то, кому и когда оно будет рекомендовано.
3. Нормализация Популярности: Использование Scaling Factor (α < 1) в формуле показывает, что Google стремится сбалансировать популярность и релевантность. Это предотвращает ситуацию, когда сверхпопулярные видео полностью доминируют в рекомендациях, и дает шанс менее известному, но сильно связанному контенту.
4. Важность Удержания: Упоминание учета «длины фактически просмотренного фрагмента» подтверждает, что качество просмотра (удержание аудитории) является важным фактором для активации рекомендательных механизмов.
5. Визуализация Кластеров: Описанный механизм визуализации (силы притяжения/отталкивания) демонстрирует сложный подход к отображению связей, учитывающий не только связь с центром, но и взаимосвязи между самими рекомендациями.

Практика

ВАЖНО: Патент описывает механизмы для платформ видеохостинга (например, YouTube). Приведенные ниже рекомендации относятся к YouTube SEO, а не к традиционному SEO для веб-сайтов.

Best practices (это мы делаем)

• Оптимизация под совместную посещаемость (Covisitation): Стратегически управляйте путем пользователя после просмотра видео. Цель состоит в том, чтобы стимулировать просмотр других ваших видео или видео в вашей нише, с которыми вы хотите ассоциироваться. Используйте плейлисты, подсказки, конечные заставки и вербальные призывы к действию (CTA).
• Фокус на Удержании Аудитории (Audience Retention): Поскольку система может учитывать «длину фактически просмотренного фрагмента», высокое удержание критично. Это гарантирует, что просмотр будет засчитан как качественный и будет эффективно использоваться в расчете Covisitation.
• Создание Серийного Контента: Разработка серий видео или взаимосвязанного контента естественным образом стимулирует последовательные просмотры. Это напрямую усиливает сигналы Covisitation между этими видео, увеличивая их Recommendation Scores.

Worst practices (это делать не надо)

• Кликбейт и Введение в Заблуждение: Тактики, ведущие к высокому показателю отказов и низкому удержанию, контрпродуктивны. Если пользователи быстро покидают видео, это минимизирует генерацию сильных сигналов Covisitation, снижая вероятность попадания в рекомендации.
• Изолированный Контент без CTA: Публикация видео без четких указаний на следующий шаг (следующее видео, подписка) упускает возможность направить поведение пользователя и усилить Covisitation.
• Резкая Смена Тематики Канала: Это может нарушить устоявшиеся паттерны совместной посещаемости. Система теряет четкие связи между вашим новым контентом и предыдущим, что может негативно сказаться на рекомендательном трафике.

Стратегическое значение

Патент подтверждает, что рекомендательные системы Google (как YouTube) в значительной степени опираются на анализ поведенческих паттернов (что смотрят вместе) и метрики вовлеченности (как долго смотрят), а не только на метаданные и ключевые слова. Для успеха на видеоплатформах долгосрочная стратегия должна быть направлена на максимизацию общего времени просмотра сессии и управление навигацией пользователя по контенту.

Практические примеры

Сценарий: Оптимизация серии обучающих видео по веб-дизайну для YouTube.

1. Цель: Увеличить совместную посещаемость (Covisitation) между Видео 1 («Основы HTML») и Видео 2 («Основы CSS»).
2. Действия:
   1. Объединить видео в последовательный плейлист «Веб-дизайн для начинающих».
   2. В конце Видео 1 добавить вербальный призыв: «В следующем уроке мы разберем, как стилизовать эту страницу с помощью CSS. Кликайте на экран, чтобы перейти к нему».
   3. Разместить в конечной заставке Видео 1 прямую ссылку на Видео 2.
   4. Убедиться, что оба видео имеют высокое удержание (более 50%).
3. Ожидаемый результат: Значительный процент пользователей переходит с Видео 1 на Видео 2. Recommendation Engine фиксирует высокую Weighted Covisitation Measure между ними. Это увеличивает Recommendation Score Видео 2 по отношению к Видео 1, повышая вероятность его показа в блоке рекомендаций.

Вопросы и ответы