Как Google (YouTube) определяет популярные моменты в видео и формирует ленты связанных клипов на основе поведения пользователей (Co-Watch)

Описание

Какую задачу решает

Патент решает проблему сложности обнаружения интересного контента среди большого количества видео на хостинговой платформе (в тексте упоминается YouTube). Пользователям неэффективно вручную просматривать полные видео в результатах поиска или рекомендациях для оценки их содержания. Изобретение улучшает процесс обнаружения контента (content discovery), предоставляя интерактивное резюме коллекции, состоящее из наиболее вовлекающих фрагментов.

Что запатентовано

Запатентована система и метод создания Sequenced Video Segment Mix — упорядоченной последовательности популярных видеоклипов из коллекции видео. Суть изобретения заключается в двух механизмах: (1) автоматической идентификации наиболее популярных фрагментов (Popular Video Segment) внутри каждого видео на основе статистики воспроизведения и (2) упорядочивании этих фрагментов на основе анализа последовательного поведения пользователей (co-watch), а именно co-occurring positive interactions (совместных положительных взаимодействий).

Как это работает

Система работает в несколько этапов:

• Сегментация (Офлайн): Видео анализируются для определения наиболее часто просматриваемого фрагмента (frequently watched portion) на основе данных о вовлеченности (например, повторные просмотры).
• Анализ Поведения (Офлайн): Взаимодействия пользователей (просмотр, рейтинг, перемотка) классифицируются как положительные или отрицательные.
• Расчет Связей (Co-occurrence): Система анализирует сессии пользователей с помощью Sliding Window (например, 1 час). Если два видео просмотрены с положительным взаимодействием в рамках окна, связь между ними усиливается в Co-occurrence Matrix.
• Генерация Микса (Онлайн): В ответ на запрос определяется коллекция видео. Выбирается стартовый сегмент (например, самый популярный), и остальные сегменты упорядочиваются на основе силы связей из матрицы, формируя непрерывный поток просмотра.

Актуальность для SEO

Высокая. Патент описывает фундаментальные концепции, используемые в современных видеоплатформах. Идентификация ключевых моментов (аналог YouTube «Key Moments» или «Most Replayed») на основе вовлеченности и использование сигналов совместного просмотра (co-watch) для алгоритмов рекомендаций являются центральными элементами работы видеохостингов в 2025 году.

Важность для SEO

Патент имеет критическое значение (85/100) для Video SEO (VSEO), особенно на YouTube. Он раскрывает, что связанность и видимость видео определяются не столько метаданными, сколько реальным поведением пользователей и качеством вовлеченности. Понимание того, как система измеряет Positive Interactions (удержание, время просмотра) и использует последовательность просмотров (Co-occurrence), является ключом к оптимизации видео для попадания в системы рекомендаций.

Детальный разбор

Термины и определения

Co-occurrence Matrix (Матрица совместной встречаемости)

Структура данных, хранящая количество совместных положительных взаимодействий (co-occurring positive interactions) для каждой пары видеосегментов. Является основой для определения связанности контента.

Popular Video Segment / Frequently Watched Portion (Популярный видеосегмент / Часто просматриваемый фрагмент)

Фрагмент видео, который пользователи смотрят чаще всего. Определяется на основе анализа статистики воспроизведения (например, повторные просмотры, перемотки назад).

Positive Interaction (Положительное взаимодействие)

Взаимодействие, указывающее на интерес пользователя. Примеры из патента: просмотр всего сегмента или большей части (например, >75%), высокая оценка (рейтинг), перемотка назад для повторного просмотра.

Negative Interaction (Негативное взаимодействие)

Взаимодействие, указывающее на незаинтересованность. Примеры из патента: просмотр малой части сегмента (например, <25%), низкая оценка.

Segment Pathway (Путь сегментов)

Определенный порядок видеосегментов в миксе, основанный на силе связей в Co-occurrence Matrix.

Sequenced Video Segment Mix (Последовательный микс видеосегментов)

Конечный продукт: упорядоченная последовательность популярных видеосегментов из коллекции, представленная в интерактивном интерфейсе (например, в виде ленты/film strip).

Sliding Window (Скользящее окно)

Временной интервал (например, 1 час), используемый для анализа сессии пользователя. Взаимодействия в рамках этого окна считаются контекстуально связанными.

Watch Ratio (Коэффициент просмотра)

Отношение времени воспроизведения к общей длине сегмента. Используется для определения типа взаимодействия.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод графического резюмирования коллекции видео в ответ на поисковый запрос.

1. Система идентифицирует frequently watched portion для видео.
2. После получения поискового запроса определяется коллекция релевантных видео и создается набор их популярных сегментов.
3. Выбирается первый (стартовый) видеосегмент.
4. Система получает доступ к счетчику co-occurring positive interactions между первым сегментом и остальными. (Определение: интерес пользователя к обоим сегментам в течение определенного временного интервала).
5. Остальные сегменты упорядочиваются на основе этих счетчиков.
6. Генерируется и передается графическое представление (например, в виде выровненных ячеек).

Ядро изобретения — использование поведенческой метрики co-occurring positive interactions для определения порядка контента.

Claim 12 (Независимый пункт): Аналогичен Claim 1, но применяется в ответ на запрос просмотра сайта (например, главная страница), а не на поисковый запрос.

Система определяет коллекцию для резюмирования (например, на основе интересов пользователя (Claim 13) или популярных тем (Claim 14)) и применяет ту же логику упорядочивания.

Claims 2-5 (Зависимые): Определяют критерии выбора стартового сегмента в миксе. Это может быть сегмент с наибольшим общим временем просмотра, наивысшим рейтингом, наибольшим количеством просмотров или уникальных зрителей.

Claim 7 (Зависимый): Описывает интерактивность интерфейса. Наведение курсора на ячейку останавливает прокрутку и воспроизводит сегмент внутри ячейки (inline), предоставляя опцию перехода к полному видео.

Где и как применяется

Изобретение описывает архитектуру видеохостинга (например, YouTube) и затрагивает несколько этапов обработки данных и формирования выдачи.

INDEXING – Индексирование и извлечение признаков (Офлайн-обработка)
На этом этапе происходит предварительная обработка видео и поведенческих данных:

• Извлечение признаков вовлеченности: Анализ логов воспроизведения (Video Access Log) для идентификации Popular Video Segments.
• Анализ взаимодействий: Классификация User Events как положительных или отрицательных.
• Построение связей: Анализ последовательности просмотров (сессий) для вычисления Co-occurrence Matrix. Это ресурсоемкий процесс, выполняемый офлайн.

RANKING – Ранжирование (Системы рекомендаций)
Данные из Co-occurrence Matrix являются критически важным сигналом для систем рекомендаций. Способность определить, какие видео пользователи смотрят последовательно после положительного взаимодействия, напрямую влияет на формирование лент рекомендаций и блока «Связанные видео».

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование (Уровень презентации)
На этапе формирования выдачи или страницы просмотра система генерирует Sequenced Video Segment Mix.

1. Определяется коллекция видео (результаты поиска, рекомендации).
2. Извлекаются популярные сегменты для этой коллекции.
3. Используя предварительно вычисленную Co-occurrence Matrix, система определяет оптимальный Segment Pathway.
4. Генерируется интерактивный интерфейс для отображения пользователю.

Входные данные:

• Логи доступа к видео (Video Access Log): User Events, временные метки, User IDs.
• Запрос пользователя (поисковый или навигационный).

Выходные данные:

• Co-occurrence Matrix (офлайн).
• Sequenced Video Segment Mix (онлайн).

На что влияет

• Типы контента: Исключительно видеоконтент на хостинговых платформах.
• Обнаружение контента (Content Discovery): Влияет на то, как пользователи находят новый контент через результаты поиска, главную страницу и блоки рекомендаций.
• Рекомендательные системы: Механизм анализа co-watch и положительных взаимодействий является фундаментом для алгоритмов рекомендаций видео.

Когда применяется

• Условия применения: Когда необходимо представить коллекцию видео пользователю (поиск, рекомендации).
• Предварительные условия: Требуется достаточный объем статистики взаимодействий для надежного определения популярных сегментов и расчета матрицы совместной встречаемости.
• Динамическое обновление: Патент упоминает возможность динамического обновления микса в реальном времени, если пользователь выбирает определенный сегмент, перестраивая последовательность относительно нового выбора.

Пошаговый алгоритм

Алгоритм состоит из офлайн-обработки данных и онлайн-генерации микса.

Процесс А: Сегментация и Определение Популярности (Офлайн)

1. Выборка видео: Отбор видео с достаточным количеством взаимодействий.
2. Сегментация: Разделение видео на фрагменты (по времени или сценам).
3. Анализ статистики: Изучение логов воспроизведения (частота просмотра, перемотки назад).
4. Идентификация популярного сегмента: Определение наиболее часто просматриваемой части видео.
5. Сохранение: Запись меток популярного сегмента в базу данных.

Процесс Б: Анализ Взаимодействий и Построение Связей (Офлайн)

1. Извлечение и тегирование событий: Извлечение User Events из логов и их классификация как положительных или отрицательных (например, на основе Watch Ratio >75% или <25%).
2. Тегирование и секвенирование сегментов: Определение общего тега взаимодействия для сегмента и упорядочивание просмотров хронологически для каждого пользователя.
3. Обработка скользящим окном: Анализ последовательности просмотров с помощью Sliding Window (например, 1 час).
4. Идентификация совместных взаимодействий: Выявление пар сегментов (Vi, Vj) с положительными тегами внутри окна.
5. Обновление матрицы: Увеличение счетчика в Co-occurrence Matrix для пары (Vi, Vj). Может применяться взвешивание (Weighting), снижающее вес при увеличении временной дистанции между просмотрами.
6. Ранжирование связей: Создание ранжированного списка связанных сегментов для каждого сегмента (например, по количеству взаимодействий или total accumulated time watched).

Процесс В: Генерация Микса (Онлайн)

1. Получение запроса и коллекции: Определение набора видео в ответ на запрос.
2. Извлечение сегментов: Получение популярных сегментов для видео из коллекции.
3. Выбор стартового сегмента: Определение начального сегмента (например, по наивысшему рейтингу или времени просмотра в коллекции).
4. Определение пути: Построение Segment Pathway с использованием ранжированных списков связей (из Процесса Б).
5. Генерация и отображение: Формирование интерфейса Sequenced Video Segment Mix.

Какие данные и как использует

Данные на входе

Система критически зависит от детальных поведенческих данных, зарегистрированных в Video Access Log.

• Поведенческие факторы (Ключевые):
  • Статистика воспроизведения: Время просмотра, продолжительность, какие части перематываются назад (rewind) или вперед (forward).
  • Последовательность просмотров (Co-watch): Хронологический порядок просмотра видео в сессии.
  • Обратная связь: Оценки (ratings) и комментарии (упоминается возможность анализа тональности).
• Временные факторы: Временные метки всех взаимодействий. Критичны для секвенирования и применения Sliding Window.
• Пользовательские факторы: Идентификаторы пользователей (User IDs) для отслеживания сессий. Профили пользователей могут использоваться для персонализации миксов.
• Контентные факторы: Упоминается возможность использования анализа контента (Computer Vision) как дополнительного метода для извлечения признаков и связей между сегментами.

Какие метрики используются и как они считаются

• Оценка популярности сегмента: Рассчитывается на основе частоты и продолжительности просмотра конкретных временных интервалов видео, с учетом повторных просмотров.
• Watch Ratio (Коэффициент просмотра): Время воспроизведения / Длина сегмента.
• Теги взаимодействия (Interaction Tags): Классификация взаимодействия на основе порогов:
  • Положительное: Watch Ratio > 75% (пример из патента), высокий рейтинг, перемотка назад.
  • Отрицательное: Watch Ratio < 25% (пример из патента), низкий рейтинг.
• Co-occurrence Count (Счетчик совместной встречаемости): Количество раз, когда пара сегментов была положительно просмотрена в рамках Sliding Window.
• Весовые коэффициенты (Weights): Применяются для снижения значимости взаимодействий, разделенных большим временем или позицией в окне. Патент упоминает использование различных функций взвешивания (линейные, логарифмические). Вес может быть обратно пропорционален временной дистанции.
• Ранжирование связей: Может основываться на Co-occurrence Count или на total accumulated time watched (общем накопленном времени просмотра) для связанных сегментов.

Выводы

1. Поведенческие сигналы (Co-Watch) определяют связанность: Ключевой вывод — связанность видеоконтента определяется в первую очередь тем, что пользователи фактически смотрят последовательно, а не сходством метаданных. Co-occurrence Matrix является основой для рекомендаций.
2. Качество вовлеченности критично: Система измеряет не просто просмотр, а его качество через Positive/Negative Interactions. Удержание аудитории, время просмотра и повторные просмотры являются прямыми сигналами качества.
3. Автоматическая идентификация «Ключевых моментов»: Система автоматически определяет наиболее вовлекающую часть видео (Popular Video Segment) на основе агрегированного поведения. Это механизм, лежащий в основе функций типа YouTube «Key Moments» или «Most Replayed».
4. Важность контекста сессии: Использование Sliding Window подчеркивает, что связанность определяется в контексте текущей сессии просмотра (например, 1 час). Контент, способствующий продолжению сессии, получает преимущество.
5. Конкретные метрики успеха: Патент дает четкие ориентиры для успеха в VSEO: достижение высокого Watch Ratio (например, >75%) и минимизация ранних отказов (<25%).

Практика

Best practices (это мы делаем)

Рекомендации критически важны для Video SEO (YouTube).

• Оптимизация удержания аудитории (Audience Retention): Это приоритет №1. Необходимо максимизировать Watch Ratio и стремиться к досмотру видео до конца. Это гарантирует получение тега Positive Interaction, необходимого для построения связей и попадания в рекомендации.
• Анализ и усиление «Ключевых моментов»: Используйте аналитику удержания для выявления пиков интереса (моменты, которые пересматривают). Оптимизируйте эти фрагменты, так как они, вероятно, будут выбраны как Popular Video Segment для представления вашего видео в миксах и рекомендациях.
• Сильные вступления и борьба с отказами: Захватывайте внимание с первых секунд. Ранний выход классифицируется как Negative Interaction и препятствует включению видео в рекомендательные цепочки.
• Стимулирование последовательных просмотров (Co-watch Optimization): Стратегически управляйте путем зрителя. Используйте плейлисты, конечные заставки и прямые призывы в видео, чтобы побудить зрителя немедленно посмотреть следующее связанное видео. Это усиливает связи в Co-occurrence Matrix.

Worst practices (это делать не надо)

• Кликбейт и обман ожиданий: Приводит к быстрому оттоку зрителей и генерации Negative Interaction. Это прямо противоречит целям алгоритма и снижает видимость контента.
• Искусственное затягивание хронометража («Вода»): Если пользователи пропускают значительные части видео или уходят, это снижает общий Watch Ratio и негативно сказывается на оценке взаимодействия.
• Изолированный контент: Создание видео, которые не связаны тематически с другим контентом и не способствуют продолжению сессии просмотра. Это затрудняет формирование паттернов совместного просмотра.

Стратегическое значение

Патент подтверждает фундаментальную роль анализа поведенческих данных в работе видеоплатформ Google. Стратегический успех в VSEO зависит от способности создавать контент, который не только релевантен по метаданным, но и глубоко вовлекает аудиторию. Система вознаграждает контент, который обеспечивает положительный пользовательский опыт и способствует длительным сессиям просмотра. Управление вовлеченностью и путем пользователя становится ключевой компетенцией VSEO-специалиста.

Практические примеры

Сценарий 1: Оптимизация удержания для улучшения сигналов взаимодействия

1. Анализ: SEO-специалист видит в YouTube Analytics, что 10-минутное видео имеет средний процент просмотра 40%. Это ниже потенциального порога Positive Interaction (например, 75%).
2. Действие: Анализируется график удержания, выявляются моменты резкого спада интереса. Видео перемонтируется: удаляются затянутые фрагменты, улучшается динамика, добавляются визуальные подсказки в сложных местах.
3. Результат: Средний процент просмотра увеличивается до 80%. Система начинает чаще классифицировать взаимодействия как положительные, что улучшает потенциал видео для рекомендаций и включения в Sequenced Video Segment Mix.

Сценарий 2: Усиление связанности (Co-occurrence) между видео

1. Цель: Увеличить совместный просмотр Видео А и Видео Б на одном канале.
2. Действие: В конце Видео А добавляется не просто стандартная заставка, а вербальный анонс, объясняющий, почему Видео Б является идеальным продолжением темы. Оба видео включаются в упорядоченный плейлист.
3. Результат: Увеличивается количество пользователей, переходящих от А к Б в рамках одной сессии (Sliding Window). Система фиксирует co-occurring positive interactions и усиливает связь между видео в Co-occurrence Matrix, повышая частоту их совместных рекомендаций.

Вопросы и ответы