Как Google вычисляет связанность сущностей, используя данные о поведении пользователей при взаимодействии с разными типами контента (видео, веб-страницы)

Описание

Какую задачу решает

Патент решает две основные проблемы в рекомендательных системах:

• Проблема «холодного старта» (Cold Start): Невозможность генерировать качественные рекомендации для нового контента, так как у него отсутствует история пользовательских взаимодействий (co-watch, co-click). Это особенно критично для времязависимого контента, популярного сразу после публикации.
• Ограниченность данных одного типа: Анализ взаимодействий только внутри одного типа медиа (например, только видео с видео) ограничивает понимание семантических связей.

Изобретение улучшает рекомендации, используя существующие данные о взаимодействиях с другим контентом (даже других типов), который связан с теми же сущностями.

Что запатентовано

Запатентован метод определения степени связанности (Relatedness Score) между сущностями (Entities) путем агрегации данных о совместном взаимодействии пользователей (co-interaction data) с медиа-элементами разных типов (например, видео, веб-страницы, покупки). Система использует поведенческие сигналы из разных источников, чтобы понять, как пользователи связывают различные темы и объекты в своем поведении.

Как это работает

Механизм работает через призму сущностей:

• Идентификация: Для медиа-элемента (например, видео) определяются его первичные сущности (Primary Entities).
• Кросс-медийный сбор: Система находит другие медиа-элементы (веб-страницы, аудио и т.д.), также связанные с этими первичными сущностями.
• Анализ взаимодействий: Анализируется, с какими вторичными элементами пользователи взаимодействовали до или после взаимодействия с первичными элементами (Co-interaction Scores).
• Расчет связанности сущностей: Система определяет вторичные сущности (Secondary Entities) и агрегирует Co-interaction Scores для вычисления общего Relatedness Score между первичной и вторичными сущностями.
• Рекомендация: Сущности с наивысшим Relatedness Score используются для генерации рекомендаций.

Актуальность для SEO

Высокая. Понимание связей между сущностями является фундаментом Knowledge Graph и современных поисковых систем. Использование поведенческих сигналов для определения связанности контента критически важно для рекомендательных платформ (YouTube, Google Discover). Кроме того, кросс-модальный анализ (анализ разных типов контента), лежащий в основе этого патента, активно развивается Google (например, в модели MUM).

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (7.5/10). Хотя он описывает систему рекомендаций, а не алгоритм веб-поиска, он раскрывает ключевую технологию, которую Google использует для понимания семантических связей между сущностями на основе поведения пользователей. Это критически важно для понимания того, как строится тематический авторитет и как контент попадает в рекомендательные блоки. Для YouTube SEO и оптимизации под Discover этот патент имеет первостепенное значение.

Детальный разбор

Термины и определения

Entity (Сущность)

Текстовый дескриптор для имен существительных, представляющий реальные объекты, идеи или концепции, имеющие значение (например, «Барак Обама», «Сан-Франциско»). Используется как метаданные для медиа-элементов.

Media Content Item / Media Item (Медиа-элемент)

Единица контента определенного типа (видео, аудиофайл, документ, веб-страница, товар).

Co-interaction (Совместное взаимодействие)

Действие пользователя, включающее взаимодействие с двумя медиа-элементами в течение определенного периода или сессии. Включает co-click, co-watch, co-purchase. Может быть прямым или косвенным.

Co-interaction Score (Оценка совместного взаимодействия)

Метрика, отражающая частоту или вес совместных взаимодействий между двумя конкретными медиа-элементами.

Relatedness Score (Оценка связанности)

Агрегированная метрика, определяющая степень связи между двумя сущностями. Рассчитывается путем агрегации Co-interaction Scores медиа-элементов, связанных с этими сущностями.

Primary Entity (Первичная сущность)

Сущность, связанная с запрошенным (просматриваемым в данный момент) медиа-элементом.

Secondary Entity (Вторичная сущность)

Сущность, связанная с медиа-элементами, с которыми пользователи взаимодействовали в связке с первичными элементами.

Cross Media Type (Различные типы медиа)

Использование данных из нескольких форматов контента (видео, аудио, веб-страницы, покупки) в одном анализе.

Relatedness Engine (Механизм определения связанности)

Компонент системы, отвечающий за расчет оценок связанности и генерацию рекомендаций.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения связанности сущностей с использованием как минимум двух разных типов медиа (в примере: видео и веб-страницы).

1. Система хранит сущности, видео и веб-страницы.
2. Первичная сущность сопоставляется с подмножеством первичных видео (primary video subset) И подмножеством первичных веб-страниц (primary web page subset).
3. Определяется первый набор co-interaction scores между первичными и вторичными видео.
4. Определяется второй набор co-interaction scores между первичными и вторичными веб-страницами.
5. Вторичные видео и веб-страницы сопоставляются с Вторичными сущностями.
6. Определяется Relatedness Score между Первичной и Вторичными сущностями на основе ОБОИХ наборов (первого и второго) co-interaction scores.
7. Вторичные сущности ранжируются по Relatedness Score.

Ключевой аспект Claim 1 — обязательное использование данных о взаимодействии из разных источников (видео + веб-страницы) для вычисления итоговой оценки связанности сущностей.

Claim 7 и 8 (Зависимые): Детализируют расчет Co-interaction Score.

1. Оценка пропорциональна количеству отслеживаемых взаимодействий пользователей с обоими медиа-элементами (Claim 7).
2. Взаимодействия могут быть прямыми (direct user interaction) и косвенными (indirect user interaction).
3. Прямое взаимодействие вносит больший вклад в Co-interaction Score, чем косвенное (Claim 8).

Система учитывает близость взаимодействия. Переход напрямую с Видео А на Видео Б дает больший вес связи, чем переход Видео А -> Видео В -> Видео Б.

Claim 10 (Зависимый): Уточняет расчет Relatedness Score.

• Определение Relatedness Score включает агрегацию первого и второго наборов co-interaction scores (т.е. данных от видео и веб-страниц).

Где и как применяется

Изобретение применяется в рамках рекомендательных систем (например, YouTube, Google Discover) и затрагивает несколько этапов обработки данных.

CRAWLING & INDEXING – Сканирование, Индексирование и Извлечение признаков
На этом этапе система обрабатывает медиа-элементы различных типов. Происходит извлечение и идентификация Сущностей (Entities) из контента и метаданных (теги, описания, транскрипции). Устанавливаются ассоциации между медиа-элементами и сущностями.

Data Acquisition / Analytics (Сбор и анализ поведенческих данных)
Система непрерывно отслеживает взаимодействия пользователей с контентом. Эти данные записываются в Co-interaction Database, формируя основу для анализа поведения.

RANKING / RERANKING (В контексте рекомендательных систем)
Основное применение патента. Когда пользователь просматривает медиа-элемент, Relatedness Engine активируется для генерации списка рекомендаций.

1. Анализ Сущностей: Определяются Первичные сущности запрошенного элемента.
2. Расчет Связанности: Выполняется co-interaction analysis по разным типам медиа для расчета Relatedness Scores между Первичными и Вторичными сущностями. Это может происходить офлайн или в реальном времени.
3. Отбор и Ранжирование: Выбираются и ранжируются медиа-элементы, связанные с топовыми Вторичными сущностями.

Входные данные:

• Запрошенный медиа-элемент.
• База данных медиа-элементов с ассоциированными Сущностями.
• Co-interaction Database (история поведения пользователей).

Выходные данные:

• Ранжированный список рекомендуемых медиа-элементов.

На что влияет

• Конкретные типы контента: Влияет на любой контент в рекомендательных системах (видео, статьи, товары).
• Кросс-медийный контент: Ключевая особенность — влияние распространяется между форматами. Поведение пользователей на веб-сайтах влияет на рекомендации видео, и наоборот.
• Новый контент (Cold Start): Особенно сильно влияет на видимость нового контента, позволяя ему получать показы на основе связанных сущностей, даже без собственной истории просмотров.

Когда применяется

• Триггеры активации: Запрос пользователя на просмотр медиа-элемента, для которого система должна сгенерировать блок рекомендаций (например, загрузка страницы просмотра видео на YouTube).
• Условия работы: Наличие достаточного количества данных о совместных взаимодействиях для контента, связанного с теми же сущностями. Требуется корректное распознавание сущностей.

Пошаговый алгоритм

Процесс генерации рекомендаций для запрошенного медиа-элемента.

1. Получение запроса: Система получает запрос на предоставление медиа-элемента.
2. Идентификация Первичных Сущностей: Из метаданных запрошенного элемента извлекается список Первичных Сущностей (PE).
3. Анализ связанности (Co-interaction Analysis): Для каждой PE выполняется следующий подалгоритм:
   1. Поиск Первичных Медиа-Элементов (PMI): Система находит другие медиа-элементы разных типов (например, видео И веб-страницы), которые также связаны с этой PE.
   2. Расчет Co-interaction Scores: Определяются оценки совместного взаимодействия между PMI и Вторичными медиа-элементами (SMI) на основе исторических данных о поведении пользователей. Учитывается вес взаимодействия (прямое > косвенное).
   3. Идентификация Вторичных Сущностей (SE): Определяются сущности, связанные с SMI.
   4. Расчет Relatedness Scores: Для каждой пары (PE, SE) рассчитывается Оценка Связанности путем агрегации Co-interaction Scores всех соответствующих медиа-элементов разных типов.
   5. Ранжирование Сущностей: SE ранжируются на основе их Relatedness Scores по отношению к PE.
4. Отбор Рекомендаций: Выбираются медиа-элементы, ассоциированные с наиболее высоко ранжированными SE. Отбор может быть ограничен тем же типом медиа, что и запрошенный элемент.
5. Предоставление Результатов: Отобранные медиа-элементы предоставляются пользователю в качестве рекомендаций.

Какие данные и как использует

Данные на входе

Система использует несколько ключевых типов данных:

• Контентные и Структурные факторы (для идентификации сущностей): Метаданные медиа-элементов (заголовки, описания, теги). Также используются результаты анализа контента (например, транскрипция аудио для видео, NLP для текста) для извлечения сущностей. Упоминаются внешние базы знаний (Freebase, Wikipedia).
• Поведенческие факторы (Ключевые данные): Данные из Co-interaction Database. Логи взаимодействий пользователей (co-click, co-watch, co-purchase). Система отслеживает последовательности действий: какой элемент пользователь просматривал до и после текущего.
• Мультимедиа факторы: Тип медиа-элемента (видео, веб-страница, аудио) используется для сегментации анализа и агрегации данных из разных источников.

Какие метрики используются и как они считаются

В патенте описаны две основные метрики:

1. Co-interaction Score (Оценка совместного взаимодействия):
   • Что измеряет: Связь между двумя медиа-элементами (Item A и Item B).
   • Как считается: Подсчет количества раз, когда пользователи взаимодействовали с Item A и Item B в непосредственной близости.
   • Весовые коэффициенты: Используется взвешивание. Прямые взаимодействия (переход от A к B) имеют больший вес (например, 1.0). Косвенные взаимодействия (A -> X -> B) имеют меньший вес (например, 0.8), который может уменьшаться с увеличением степени разделения (количества промежуточных кликов) или времени между взаимодействиями.
2. Relatedness Score (Оценка связанности):
   • Что измеряет: Связь между двумя сущностями (Entity 1 и Entity 2).
   • Как считается: Агрегация (например, суммирование) всех Co-interaction Scores между медиа-элементами, связанными с Entity 1, и медиа-элементами, связанными с Entity 2.
   • Ключевая особенность: Агрегация происходит по разным типам медиа (например, сумма Co-interaction Scores от видео + сумма Co-interaction Scores от веб-страниц).

Выводы

1. Связь сущностей определяется поведением пользователей: Патент подтверждает, что Google активно использует поведенческие данные (co-interaction) для понимания того, как связаны сущности в реальном мире. Это не только анализ текста или ссылок, но и анализ того, как пользователи потребляют контент по связанным темам.
2. Кросс-медийный анализ (Cross Media Analysis) критически важен: Система специально разработана для агрегации сигналов из разных типов контента. Поведение пользователей на веб-сайте может влиять на рекомендации видео на YouTube, и наоборот. Это предвестник современных кросс-модальных систем (MUM).
3. Решение проблемы «холодного старта»: Механизм позволяет генерировать рекомендации для абсолютно нового контента. Если система знает сущность нового контента, она может использовать историю взаимодействий с другими (старыми) элементами, связанными с этой же сущностью.
4. Важность идентификации сущностей: Для работы системы необходимо, чтобы контент был четко ассоциирован с конкретными сущностями. Это подчеркивает важность семантической оптимизации и структурированных данных для всех типов контента.
5. Взвешивание взаимодействий: Не все взаимодействия одинаковы. Прямые переходы между связанным контентом являются более сильным сигналом связанности, чем косвенные (с задержкой по времени или промежуточными кликами).

Практика

Best practices (это мы делаем)

• Оптимизация всех активов вокруг сущностей (Entity-Based SEO): Обеспечьте четкую и последовательную ассоциацию с ключевыми сущностями во всех типах контента (веб-сайт, YouTube-канал). Используйте согласованные метаданные, семантическую разметку (Schema.org) и однозначные термины.
• Построение тематического авторитета (Topical Authority): Создавайте контент, покрывающий не только основную сущность, но и связанные с ней вторичные сущности, которые интересуют вашу аудиторию. Это увеличивает вероятность того, что ваш контент будет рекомендован, когда пользователи взаимодействуют с контентом по смежным темам.
• Стимулирование положительных паттернов Co-interaction: Проектируйте пользовательский путь (User Journey) так, чтобы стимулировать прямые переходы между связанным контентом. Используйте внутреннюю перелинковку, плейлисты, серии статей. Прямые взаимодействия имеют больший вес.
• Кросс-канальное продвижение и связывание: Активно связывайте контент разных типов. Встраивайте релевантные видео в статьи на сайте, ставьте ссылки из описаний видео на подробные материалы на сайте. Это помогает Google агрегировать Co-interaction Scores из разных источников.

Worst practices (это делать не надо)

• Изолированная работа с каналами: Рассмотрение SEO для веб-сайта и YouTube SEO как отдельных, не связанных процессов. Патент доказывает, что данные о поведении агрегируются между ними.
• Кликбейт и обман ожиданий: Создание контента, который привлекает клик, но не удовлетворяет интент. Это приводит к быстрым отказам и негативным паттернам co-interaction (пользователь быстро уходит искать другой контент), что может ослабить сигналы связанности.
• Нечеткая семантика и Keyword Stuffing: Фокусировка на ключевых словах без четкой ассоциации с конкретными сущностями. Если система не может идентифицировать основные сущности контента, она не сможет использовать его в этом механизме рекомендаций.

Стратегическое значение

Этот патент подчеркивает стратегический переход Google к семантическому пониманию контента через призму сущностей и поведения пользователей. Он демонстрирует, что для Google важно не только содержание страницы или видео, но и то, как этот контент вписывается в общую картину потребления информации пользователем. Долгосрочная SEO-стратегия должна фокусироваться на создании экосистемы качественного контента разных форматов, объединенного общими сущностями и удовлетворяющего связанные интенты пользователя.

Практические примеры

Сценарий: Рекомендации для нового видео (Cold Start)

1. Ситуация: Кулинарный блогер публикует новое видео «Как приготовить идеальный Рамен» (Item A). У видео 0 просмотров.
2. Идентификация Сущности: Система идентифицирует основную сущность: «Рамен» (Entity 1).
3. Анализ Истории Сущности (Кросс-медиа): Система анализирует другие медиа-элементы, связанные с «Рамен». Она находит популярные статьи (Item B, веб-тип) и другие видео (Item C, видео-тип) на эту тему.
4. Анализ Co-interaction: Система видит, что пользователи, которые читали статьи (Item B) и смотрели видео (Item C) о Рамене, часто затем взаимодействовали с контентом о «Маринованных яйцах для Рамена» (Item D, E).
5. Расчет Связанности: Система агрегирует Co-interaction Scores от видео и веб-страниц и определяет высокую Relatedness Score между сущностью «Рамен» (Entity 1) и сущностью «Маринованные яйца» (Entity 2).
6. Рекомендация: Когда пользователь смотрит новое видео (Item A), система рекомендует существующие популярные видео о «Маринованных яйцах» (связанные с Entity 2), несмотря на то, что с самим Item A еще не было взаимодействий.

Вопросы и ответы