Как Google использует поведенческие сигналы и анализ сессий для определения связанного контента (на примере YouTube)

Описание

Какую задачу решает

Патент решает проблему определения действительно связанного контента для систем рекомендаций. Традиционные методы, основанные на совпадении ключевых слов, тегов или популярности авторов, часто предлагают контент, который не интересен пользователю в текущем контексте. Изобретение улучшает качество рекомендаций, используя анализ реального поведения пользователей (user interactions) для выявления того, какой контент они потребляют последовательно или в рамках одной сессии.

Что запатентовано

Запатентована система и метод определения связанности между элементами цифрового контента (видео, аудио, документы, веб-страницы) на основе совместного потребления (co-occurrence). Система анализирует логи доступа (Content Access Log), классифицирует взаимодействия пользователей как позитивные или негативные и выявляет пары контента, которые часто потребляются одним и тем же пользователем в течение определенного временного интервала (Sliding Window).

Как это работает

Система работает следующим образом:

• Сбор данных: Все взаимодействия пользователей (просмотры, паузы, перемотки, рейтинги, копирование текста, сохранение, переходы по ссылкам) логируются с метками времени и идентификаторами пользователей.
• Классификация взаимодействий: Каждое событие и сам контент оцениваются как позитивно (Positive Interaction) или негативно (Negative Interaction) воспринятые. Например, просмотр видео более чем на 25% или высокая оценка считаются позитивными.
• Анализ сессий (Sliding Window): Система анализирует хронологическую последовательность потребленного контента для каждого пользователя в рамках скользящего временного окна (например, 1 час или до следующего поискового запроса).
• Выявление совместной встречаемости: Идентифицируются пары контента, которые оба получили позитивную оценку в рамках одного окна.
• Агрегация и Ранжирование: Позитивные совместные взаимодействия агрегируются по всем пользователям в Co-occurrence Matrix. Связанный контент ранжируется на основе частоты этих совместных взаимодействий.
• Фильтрация ботов: Система фильтрует аномальную активность (например, просмотр 100 видео за 2 минуты), чтобы исключить данные от ботов.

Актуальность для SEO

Высокая. Этот патент описывает классический механизм коллаборативной фильтрации, который является основой современных систем рекомендаций. Учитывая фокус Google на поведенческих факторах и машинном обучении, описанные методы критически важны для работы YouTube (который упоминается в патенте), Google News, Discover и других персонализированных сервисов в 2025 году.

Важность для SEO

Влияние на SEO высокое, особенно для платформ, управляемых рекомендациями. Патент демонстрирует, что для попадания в блок «Рекомендованное» или «Связанное» ключевое значение имеют не метаданные (теги, ключевые слова), а реальное вовлечение пользователей и то, как контент вписывается в сессии потребления. SEO-специалистам необходимо фокусироваться на удержании пользователя и создании контента, который стимулирует дальнейшее потребление связанного по теме контента.

Детальный разбор

Термины и определения

Co-occurrence Matrix (Матрица совместной встречаемости)

Структура данных, хранящая количество позитивных совместных взаимодействий для каждой пары контента. Используется для ранжирования связанного контента.

Content Access Log / Video Access Log (Журнал доступа к контенту/видео)

База данных, регистрирующая все взаимодействия пользователей с контентом, включая User ID, временные метки, тип взаимодействия и идентификатор контента.

Digital Content Items (Элементы цифрового контента)

Любой тип контента, доступный на платформе. Хотя патент часто использует примеры с видео, он указывает на применимость к аудио, документам, веб-страницам, изображениям и т.д.

Negative Interaction (Негативное взаимодействие)

Взаимодействие, указывающее на неудовлетворенность пользователя. Примеры: просмотр менее 25% видео или менее 5 секунд, низкий рейтинг, немедленное выполнение нового поиска.

Positive Interaction (Позитивное взаимодействие)

Взаимодействие, указывающее на удовлетворенность пользователя. Примеры: просмотр видео целиком или более 25%/75%, просмотр более 30 секунд, высокий рейтинг, перемотка назад для повторного просмотра, копирование текста или сохранение документа/изображения.

Sliding Window (Скользящее окно)

Временной интервал или последовательность событий, используемые для анализа сессии пользователя. Может быть фиксированным (например, 1 час) или динамическим (например, зависеть от активности пользователя или завершаться при новом поиске).

Software Robot (Программный робот)

Автоматизированное ПО, имитирующее действия пользователя. Система обнаруживает их по аномальной скорости доступа к контенту.

User Events (Пользовательские события)

Любые действия пользователя в интерфейсе: воспроизведение, пауза, перемотка, оценка, комментирование, поиск, смена страницы, клики по ссылкам.

User Interaction Analysis Server (Сервер анализа взаимодействия пользователей)

Компонент системы, отвечающий за обработку логов, классификацию взаимодействий и построение Co-occurrence Matrix.

Ключевые утверждения (Анализ Claims)

Claim 1, 9, 17 (Независимые пункты): Описывают основную систему, метод и носитель информации для определения связанного контента.

1. Система хранит события взаимодействия пользователей (user interactions events) с множеством элементов цифрового контента, ассоциируя их с идентификаторами пользователей и временными метками.
2. Система идентифицирует пару связанных элементов контента на основе того, что оба элемента имеют по крайней мере одно связанное событие взаимодействия, которое удовлетворяет трем условиям:
   1. Имеет один и тот же идентификатор пользователя (same user identification).
   2. Имеет индикацию позитивного взаимодействия (positive user interaction) для обоих элементов.
   3. Имеет временную метку, попадающую в одно и то же скользящее временное окно (same sliding time window).

Это ядро изобретения: связанность определяется через последовательное позитивное потребление контента одним пользователем в рамках одной сессии.

Claim 2, 3 (Зависимые): Детализируют механизм защиты от манипуляций.

1. Система определяет, были ли события взаимодействия, связанные с определенным User ID, сгенерированы программным роботом (software robot).
2. Определение основано на скорости просмотра (rate of viewing) цифрового контента.
3. Если определено, что события сгенерированы роботом, они исключаются из процесса идентификации связанных пар контента.

Claim 4-8 (Зависимые): Описывают динамическую природу скользящего окна.

1. Система выбирает длину или начальную точку sliding time window на основе фактора, связанного с пользователем (Claim 4).
2. Факторы включают желаемое количество просмотров контента за единицу времени (Claim 5, 6). Окно адаптируется под скорость потребления контента пользователем: если пользователь смотрит быстро, окно укорачивается.
3. Факторы также включают специфические события: выполнение поиска (Claim 7) или выбор категории для просмотра (Claim 8). В этих случаях скользящее окно перезапускается (restart the starting point), так как эти события сигнализируют о смене интереса пользователя.

Где и как применяется

Изобретение применяется в системах рекомендаций контента (таких как YouTube, Google News, Discover) и затрагивает несколько этапов обработки данных.

CRAWLING & DATA ACQUISITION (Сбор данных)
На этом этапе критически важен сбор поведенческих данных. Система должна точно логировать все User Events (клики, время просмотра, рейтинги, скроллинг и т.д.) в Content Access Log, связывая их с анонимизированными User ID и временными метками.

INDEXING & FEATURE EXTRACTION (Индексирование и извлечение признаков)
Основная логика патента реализуется здесь, в офлайн-режиме (или близком к реальному времени). User Interaction Analysis Server обрабатывает логи:

1. Классификация взаимодействий: Анализирует события и присваивает метки (позитивное/негативное).
2. Анализ сессий: Применяет Sliding Window для идентификации совместной встречаемости.
3. Фильтрация ботов: Исключает недействительный трафик.
4. Расчет связанности: Строит и обновляет Co-occurrence Matrix. Эти данные сохраняются (например, в Related Videos Database) и становятся признаком (feature) для контента.

RANKING / RERANKING (Ранжирование / Переранжирование)
Когда пользователь просматривает контент, система рекомендаций использует предварительно рассчитанную Co-occurrence Matrix для выбора и ранжирования списка связанных элементов. Ранжирование основано на количестве совместных позитивных взаимодействий.

Входные данные:

• Логи взаимодействий (Content Access Log): User ID, Content ID, Timestamp, Тип события, Time Offset (длительность).
• База данных пользователей (User Database).
• База данных контента (Video Database).

Выходные данные:

• Co-occurrence Matrix: Матрица с оценками связанности между парами контента.
• Ранжированные списки связанного контента для каждого элемента.

На что влияет

• Типы контента: Влияет на все типы цифрового контента, упомянутые в патенте: видео, аудио, документы, изображения, веб-страницы. Наиболее заметно влияние на платформах с высоким уровнем потребления контента в рамках сессий (видеохостинги, новостные агрегаторы).
• Системы рекомендаций: Это основной механизм для блоков «Рекомендуемое», «Смотрите также», «Похожие статьи».
• Оценка качества контента: Косвенно влияет на оценку качества через анализ Positive/Negative Interactions. Контент, генерирующий позитивные взаимодействия, получает больше возможностей для дистрибуции.

Когда применяется

• Триггеры активации (Офлайн): Алгоритм анализа логов запускается периодически (например, ежедневно, как указано в патенте) для обновления Co-occurrence Matrix.
• Триггеры активации (Онлайн): Механизм рекомендаций активируется каждый раз, когда пользователь просматривает контент и система должна показать связанные элементы.
• Условия работы: Требуется достаточный объем накопленных данных о поведении пользователей для построения статистически значимых связей.
• Исключения: Активность, идентифицированная как роботная (software robot), исключается из анализа.

Пошаговый алгоритм

Процесс анализа взаимодействий пользователей (выполняется периодически, например, ежедневно):

1. Извлечение данных: Для каждого пользователя из User Database извлекаются события взаимодействия из Content Access Log за отчетный период.
2. Фильтрация ботов: Анализируется скорость просмотра (rate of viewing). Если скорость превышает порог (например, 100 видео за 2 минуты, как указано в описании), активность помечается как бот, и данные этого «пользователя» исключаются из анализа.
3. Тегирование событий (Event Tagging): Каждое событие классифицируется как позитивное (1) или негативное (0). Критерии:
   • Видео/Аудио: Время просмотра сравнивается с длиной контента. Если просмотрено >25% или >30 сек – позитивное. Высокий рейтинг – позитивное. Перемотка назад – позитивное.
   • Документы/Изображения/Веб-страницы: Время просмотра > 10 сек – позитивное. Копирование, сохранение, печать (Reproduction event) – позитивное. Закладка (Bookmarking event) – позитивное. Переходы по ссылкам на сайте (Browsing events) – позитивное.
4. Тегирование контента (Content Tagging): На основе тегов событий определяется, был ли контент в целом воспринят позитивно (1) или негативно (0). Некоторые события (например, сохранение документа или максимальный рейтинг) могут автоматически тегировать контент как позитивный.
5. Секвенирование: Список тегированного контента для пользователя сортируется хронологически.
6. Обработка скользящим окном (Sliding Window Processing):
   • Определяется размер окна. Он может быть фиксированным (1 час) или динамическим (адаптируется под скорость потребления пользователя).
   • Окно перезапускается, если обнаружен новый поиск или выбор новой категории.
   • Окно итеративно перемещается по последовательности контента.
   • Внутри окна анализируются пары контента.
7. Идентификация позитивной совместной встречаемости: Если оба элемента в паре имеют тег «1» (позитивное взаимодействие), это считается позитивной совместной встречаемостью.
8. Обновление матрицы (Co-occurrence Matrix Update): Счетчик для данной пары контента в матрице увеличивается. Обновление может быть взвешенным: чем дальше элементы друг от друга в окне (по времени или позиции), тем меньше вес инкремента.
9. Ранжирование и сохранение: После обработки всех пользователей Co-occurrence Matrix используется для создания ранжированных списков связанного контента. Ранжирование может основываться на общем количестве взаимодействий, общем времени просмотра или других метриках вовлеченности. Списки сохраняются в Related Videos Database.

Какие данные и как использует

Данные на входе

Патент полностью сосредоточен на анализе поведенческих факторов, извлекаемых из логов доступа.

• Поведенческие факторы (User Interaction Data):
  • События воспроизведения (Playback Events): Play, pause, rewind, forward.
  • Метрики времени: Time Offset (длительность просмотра), общее время на странице.
  • События удовлетворенности: Рейтинги (Stars), комментарии (анализ тональности текста/аудио).
  • События взаимодействия со страницей: Скроллинг, выполнение нового поиска.
  • События воспроизведения контента (Reproduction Events): Копирование текста, сохранение изображения/документа, печать (для не-видео контента).
  • События навигации (Browsing Events): Клики по ссылкам на веб-странице.
  • События закладок (Bookmarking Events).
• Пользовательские факторы:
  • User ID (анонимизированный).
  • IP адрес.
  • История активности пользователя (для динамического расчета размера Sliding Window).
• Временные факторы:
  • Временные метки (Timestamps) для каждого события.

Традиционные SEO-факторы (контентные, ссылочные, технические) в этом патенте не используются для расчета связанности.

Какие метрики используются и как они считаются

• Watch Ratio (Коэффициент просмотра): Метрика для видео/аудио. Рассчитывается как Play Time / Length of the Video. Пороги (например, 25%, 75%) используются для определения позитивного/негативного взаимодействия.
• Rate of Viewing (Скорость просмотра): Метрика для обнаружения ботов. Рассчитывается как количество просмотренного контента за единицу времени. Порог (например, 100 видео за 2 минуты) используется для фильтрации.
• Positive Interaction Tag (Тег позитивного взаимодействия): Бинарная (1/0) или взвешенная метрика, присваиваемая событию или контенту на основе анализа User Events и Watch Ratio или фиксированных порогов (например, >30 сек просмотра).
• Sliding Window Size (Размер скользящего окна): Метрика времени (например, 1 час) или количества событий. Может рассчитываться динамически на основе средней скорости просмотров пользователя.
• Co-occurrence Count (Счетчик совместной встречаемости): Основная метрика связанности. Сумма всех случаев, когда два элемента контента были позитивно восприняты одним пользователем в рамках Sliding Window.
• Weighted Co-occurrence Count: Модификация счетчика, где вес взаимодействия уменьшается в зависимости от временного или позиционного расстояния между просмотрами двух элементов контента в окне.

Выводы

1. Связанность определяется поведением, а не метаданными: Патент подтверждает, что для систем рекомендаций (YouTube, Discover) совпадение ключевых слов или тегов вторично. Первично то, как пользователи реально потребляют контент (коллаборативная фильтрация). Связанным считается то, что часто смотрят вместе или последовательно.
2. Критичность позитивного вовлечения (Positive Engagement): Система явно классифицирует взаимодействия как позитивные или негативные. Кликбейт или контент с низким удержанием (например, просмотр <25%) генерирует Negative Interaction и не будет способствовать появлению в рекомендациях через этот механизм.
3. Анализ сессий и контекста (Sliding Window): Google анализирует поведение в рамках сессии. Sliding Window позволяет учитывать контекст потребления и его изменения. Если пользователь выполняет новый поиск или меняет категорию, контекст сбрасывается (окно перезапускается), что предотвращает смешивание несвязанных тем.
4. Динамическая адаптация под пользователя: Система учитывает индивидуальные паттерны поведения. Для пользователей, которые смотрят много контента быстро, временное окно сужается, чтобы точнее улавливать сдвиги интересов.
5. Активная борьба с накрутками: Патент включает конкретные механизмы для обнаружения и фильтрации бот-трафика на основе анализа скорости просмотров (rate of viewing), что делает примитивные накрутки поведенческих факторов неэффективными для этого алгоритма.
6. Универсальность механизма: Хотя примеры в основном касаются видео, механизм применим к любым типам контента, включая документы и веб-страницы, используя специфические для них сигналы вовлечения (время на странице, копирование текста, сохранение, переходы по ссылкам).

Практика

Best practices (это мы делаем)

• Оптимизация удержания и глубины просмотра: Это критически важно. Для видео необходимо стремиться к высокому Watch Ratio (значительно выше пороговых 25%). Для статей – к высокому времени на странице и взаимодействиям (скроллинг, выделение текста). Это увеличивает вероятность классификации взаимодействия как Positive Interaction.
• Стимулирование сессионного потребления (Binge-Watching): Создавайте серии контента или плейлисты, которые мотивируют пользователя потреблять несколько единиц контента подряд. Это напрямую увеличивает Co-occurrence Count между вашими материалами.
• Внутренняя перелинковка и навигация (для веб-страниц): Для веб-сайтов позитивным сигналом (Browsing event) является переход пользователя по внутренним ссылкам. Улучшайте навигацию и используйте релевантную перелинковку, чтобы стимулировать пользователя изучать сайт глубже в рамках одной сессии (Sliding Window).
• Повышение удовлетворенности (Satisfaction Signals): Мотивируйте пользователей оставлять высокие оценки и позитивные комментарии, так как они явно указаны как сигналы для Positive Interaction.
• Анализ путей пользователя: Изучайте, какой контент пользователи потребляют до и после вашего. Создавайте контент, который соответствует этим паттернам, чтобы увеличить шансы попадания в рекомендации к контенту конкурентов или лидеров мнений через Co-occurrence Matrix.

Worst practices (это делать не надо)

• Кликбейт и введение в заблуждение: Использование заголовков или превью, не соответствующих содержанию, приведет к быстрому закрытию страницы или остановке воспроизведения. Это генерирует Negative Interaction (низкий Watch Ratio) и исключает контент из рекомендаций.
• Накрутка поведенческих факторов ботами: Покупка просмотров или кликов у примитивных бот-сервисов неэффективна. Система фильтрует трафик на основе анализа скорости потребления контента (Rate of Viewing).
• Фокус только на метаданных (теги/ключи): Полагаться на оптимизацию тегов и ключевых слов для попадания в рекомендации неэффективно, так как этот алгоритм их игнорирует, фокусируясь на поведении.
• Создание изолированного контента: Публикация материалов, которые не связаны тематически с другим контентом на вашем ресурсе или в нише, затрудняет формирование сильных связей в Co-occurrence Matrix.

Стратегическое значение

Патент подчеркивает стратегическую важность User Experience (UX) и качества контента для дистрибуции на платформах Google. Для SEO это означает, что оптимизация должна выходить за рамки технического соответствия и фокусироваться на реальной ценности для пользователя и его вовлечении. Стратегии должны быть направлены на построение тематического авторитета и создание кластеров контента, которые удовлетворяют интент пользователя на протяжении всей сессии, а не только в точке входа.

Практические примеры

Сценарий 1: Оптимизация рекомендаций на YouTube

1. Задача: Увеличить трафик из блока «Рекомендованные видео» для канала о ремонте автомобилей.
2. Действия на основе патента:
   1. Анализ удержания аудитории. Выявление моментов, где удержание падает ниже 30-40%. Улучшение этих сегментов для достижения Positive Interaction.
   2. Создание серии видео «Типичные проблемы [Модель Авто]» и объединение их в плейлист. Активное продвижение плейлиста для стимулирования последовательного просмотра (увеличение Co-occurrence Count).
   3. В конце каждого видео использование конечных заставок, явно направляющих пользователя на следующее логичное видео по теме.
   4. Анализ того, какие видео конкурентов смотрят пользователи после ваших. Создание улучшенных версий этого контента, чтобы встроиться в существующие сессии.
3. Ожидаемый результат: Увеличение количества позитивных взаимодействий и частоты совместного просмотра ведет к укреплению связей в Co-occurrence Matrix и более частому появлению видео в рекомендациях.

Сценарий 2: Оптимизация контентного сайта (для Discover или связанных статей)

1. Задача: Увеличить вовлеченность и глубину просмотра на новостном сайте.
2. Действия на основе патента:
   1. Внедрение метрик для отслеживания времени на странице и глубины скроллинга. Оптимизация верстки и контента для удержания внимания (избегание Negative Interaction из-за быстрого закрытия).
   2. Улучшение блока внутренней перелинковки «Читать далее по теме», чтобы стимулировать Browsing events и увеличивать количество позитивных взаимодействий в рамках Sliding Window.
   3. Стимулирование пользователей сохранять статьи в закладки или делиться ими (Bookmarking/Reproduction events).
3. Ожидаемый результат: Увеличение глубины сессий и позитивных сигналов улучшает оценку качества сайта и способствует его появлению в рекомендательных системах (например, Google Discover).

Вопросы и ответы