Как Google ранжирует и рекомендует источники контента (каналы, профили) на основе внутренних ссылок, аннотаций и кликов по ним

Описание

Какую задачу решает

Патент решает проблему обнаружения релевантного контента (Content Discovery) на крупных медиаплатформах (видеохостинги, социальные сети). Из-за огромного количества доступных Media Content Sources (источников медиаконтента, таких как каналы или профили) пользователям сложно находить новые интересные источники для подписки. Изобретение предлагает автоматизированный механизм ранжирования и рекомендации этих источников.

Что запатентовано

Запатентована система ранжирования Media Content Sources (каналов, профилей). Ранжирование основано на анализе явных ссылок (references) на эти источники, найденных внутри Media Items (единиц контента, например, видео), с которыми взаимодействовал пользователь. Ключевым фактором ранжирования является не только количество ссылок (в аннотациях, описаниях, комментариях), но и уровень взаимодействия (Activations или клики) с этими ссылками.

Как это работает

Система работает следующим образом:

• Отслеживание: Мониторинг Media Items, к которым пользователь получал доступ (например, просмотренные видео).
• Анализ контента: Анализ этих Media Items для поиска ссылок в аннотациях (Annotations), описаниях (Descriptions) и комментариях (Comments), указывающих на другие Media Content Sources.
• Расчет оценок (Scoring): Вычисление оценок для упомянутых источников. Оценка базируется на количестве ссылок и их показателях активации (количестве кликов). Ссылки, по которым часто кликают, получают значительно больший вес.
• Анализ внешних источников (Опционально): Система может анализировать внешние сайты (External Sources), на которые ссылается контент, для поиска дополнительных упоминаний.
• Ранжирование и рекомендация: Ранжирование источников по оценкам и предложение топовых результатов пользователю.

Актуальность для SEO

Высокая (для платформенного SEO). Хотя конкретные реализации, такие как старые «аннотации» YouTube, эволюционировали (в Конечные заставки и Подсказки), базовая концепция использования внутренних ссылок и сигналов вовлеченности (кликов/CTR) для формирования рекомендаций остается фундаментальной для алгоритмов обнаружения контента на платформах (YouTube, TikTok, Instagram и т.д.).

Важность для SEO

Патент имеет критическое значение (8/10) для SEO на платформах (Platform-specific SEO), особенно для YouTube SEO. Он подробно описывает механизм, как видимость и рост источника стимулируются за счет получения ссылок внутри популярного контента и обеспечения высокого уровня взаимодействия (кликов) с этими ссылками. Патент не имеет прямого отношения к традиционному SEO в веб-поиске Google.

Детальный разбор

Термины и определения

Media Content Source (Источник медиаконтента)

Источник медиа-единиц. Примеры: видеоканал (YouTube Channel), профиль пользователя в социальной сети, лента новостей (feed).

Media Item (Медиа-единица)

Единица контента, такая как видео, текстовый пост, изображение или аудиофайл.

Annotation (Аннотация)

Элемент, встроенный в Media Item (например, в видео). Может содержать кликабельный объект (Call-to-action annotation), перенаправляющий пользователя на другой медиаэлемент или источник контента. (Современные аналоги на YouTube: Конечные заставки, Подсказки).

Activation (Активация)

Взаимодействие пользователя с аннотацией или ссылкой (например, клик). Количество активаций (Number of Activations) является ключевым фактором взвешивания вклада упоминания в общую оценку источника.

Activation Rate (Частота активации / CTR)

Частота, с которой пользователи нажимают (активируют) аннотацию или ссылку. Связана с количеством активаций.

Criterion / Scoring Criterion (Критерий оценки)

Условие для отбора Media Items для анализа. Примеры: User access criterion (доступ пользователя), Subject criterion (тематика), User interest criterion (интересы пользователя, основанные на поведении похожих пользователей).

External Source (Внешний источник)

Внешний ресурс (например, блог, сайт), на который ссылается Media Item. Система может анализировать эти внешние источники на предмет упоминаний Media Content Sources.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной механизм ранжирования источников медиаконтента.

1. Система идентифицирует набор Media Items, удовлетворяющих определенному критерию.
2. Определяются аннотации в этих Media Items, которые идентифицируют Media Content Sources.
3. Рассчитываются оценки (scores) для этих источников. Оценка рассчитывается на основе: (i) Количества аннотаций, идентифицирующих источник, И (ii) Количества активаций (кликов) каждой из этих аннотаций (number of times each… is activated).
4. Источники ранжируются на основе рассчитанных оценок.
5. Ранжированные источники предоставляются пользователю.

Ядро изобретения — использование комбинации объема ссылок и их эффективности (измеряемой через общее количество кликов) для ранжирования.

Claim 6 (Зависимый от 1): Детализирует механизм взвешивания на основе активаций.

Для каждой аннотации определяется количество ее активаций. Вклад этой аннотации в общую оценку источника взвешивается на основе этого количества. Это означает, что ссылки, по которым часто кликают, дают значительно больший вклад в оценку.

Claim 2 и 3 (Зависимые): Расширяют входные данные для расчета оценки.

Помимо аннотаций, оценка также рассчитывается на основе количества Описаний (Descriptions) (Claim 2) и Комментариев (Comments) (Claim 3), которые идентифицируют источник медиаконтента.

Claim 7 (Зависимый от 1): Включает анализ внешних источников.

Система определяет аннотации, которые идентифицируют внешние источники (External Sources), которые, в свою очередь, ссылаются на Media Content Sources. Оценка рассчитывается с учетом этих косвенных ссылок.

Claim 8 (Зависимый от 1): Определяет критерий отбора медиа-единиц.

Критерием является user access criterion — отбираются те Media Items, к которым пользователь получал доступ (например, просмотрел). Это основа для персонализации рекомендаций.

Где и как применяется

Этот патент описывает механизм работы системы рекомендаций внутри конкретной платформы (например, YouTube, социальная сеть), а не традиционного веб-поиска Google Search.

INDEXING – Индексирование (в рамках платформы)
На этом этапе система извлекает и индексирует данные из Media Items: аннотации, описания и комментарии. Идентифицируются ссылки и целевые Media Content Sources или External Sources. Система также может анализировать (сканировать) External Sources для поиска упоминаний.

CRAWLING – Сбор данных (Поведенческие данные)
Система непрерывно собирает данные о поведении пользователей: какие медиаэлементы они просматривают (Access Logs) и как взаимодействуют с ними, включая подсчет активаций аннотаций и ссылок (кликов).

RANKING – Ранжирование (Система рекомендаций)
Это основная область применения патента. Система агрегирует данные об упоминаниях источников и данные о взаимодействии (Number of Activations) для расчета результирующих оценок и генерации списка рекомендаций.

Входные данные:

• Журналы доступа (Access Logs): история просмотров пользователя.
• Индексированные данные: аннотации, описания, комментарии, ссылки на внешние источники.
• Данные об активациях (Activation Data): количество кликов по конкретным аннотациям и ссылкам.

Выходные данные:

• Ранжированный список рекомендованных Media Content Sources для конкретного пользователя или темы.

На что влияет

• Типы контента: В первую очередь влияет на Media Content Sources внутри платформ – YouTube-каналы, профили в социальных сетях, аккаунты авторов. Не влияет на ранжирование стандартных веб-сайтов в Google Search.
• Специфические запросы: Влияет на системы обнаружения (Discovery) и рекомендаций (Recommendations) – например, блок «Рекомендуемые каналы», а не на результаты поиска по конкретному запросу внутри платформы.

Когда применяется

• Условия применения: Алгоритм применяется при генерации рекомендаций для пользователя. Это может происходить на главной странице платформы, в боковой панели, после просмотра контента или в процессе регистрации нового пользователя (onboarding).
• Триггеры активации: Для персонализированных рекомендаций требуется наличие истории просмотров пользователя (user access criterion). Для тематических рекомендаций — анализ контента по заданной теме (subject criterion).

Пошаговый алгоритм

Процесс ранжирования источников медиаконтента:

1. Отслеживание и логирование: Система регистрирует доступ пользователей к Media Items (Access Logs) и активации (клики) по аннотациям и ссылкам (Activation Data).
2. Определение критерия и выборка: Определяется Scoring Criterion (например, контент, просмотренный пользователем). Выбираются соответствующие Media Items.
3. Анализ внутренних упоминаний: Анализ выбранных Media Items для идентификации ссылок на Media Content Sources в:
   • Аннотациях (Annotations).
   • Описаниях (Descriptions).
   • Комментариях (Comments).
4. Анализ внешних источников (Опционально): Идентификация ссылок на External Sources. Анализ этих внешних сайтов для поиска упоминаний Media Content Sources.
5. Сбор данных о вовлеченности: Для каждого упоминания (особенно аннотаций) извлекаются данные о количестве их активаций (кликов).
6. Расчет оценок (Scoring): Вычисление оценки для каждого упомянутого источника. Процесс включает:
   • Определение вклада каждой ссылки.
   • Применение весовых коэффициентов. Вес критически зависит от количества активаций (Number of Activations) ссылки.
   • Вес также может зависеть от контекста (например, ссылки в контенте, просмотренном самим пользователем, могут весить больше).
7. Ранжирование: Ранжирование Media Content Sources на основе рассчитанных оценок.
8. Предоставление результатов: Предоставление пользователю списка источников с наивысшим рейтингом в качестве рекомендаций.

Какие данные и как использует

Данные на входе

Система использует следующие типы данных, специфичные для платформы:

• Контентные и структурные факторы:
  • Annotations: Интерактивные элементы внутри контента (например, ссылки в видео) и их цели.
  • Descriptions: Текстовые метаданные и содержащиеся в них ссылки.
  • Comments: Пользовательский текст и содержащиеся в нем ссылки.
• Поведенческие факторы (Ключевые):
  • Access Logs: История просмотров пользователя и похожих пользователей.
  • Number of Activations (Количество активаций/Клики): Данные о том, сколько раз пользователи кликали по аннотациям и ссылкам. Это критически важный фактор взвешивания (Claim 1, 6).
• Ссылочные факторы:
  • Внутренние ссылки на платформе, формирующие граф связей между контентом и источниками.
  • Ссылки на External Sources и ссылки, найденные на них.

Какие метрики используются и как они считаются

• Quantity of References (Количество ссылок): Общее число аннотаций, описаний и комментариев, ссылающихся на источник.
• Number of Activations (Количество активаций): Общее число кликов, полученных конкретной аннотацией или ссылкой. Используется как основной весовой множитель.
• Weighted Contribution (Взвешенный вклад): Вклад отдельной ссылки в общую оценку. Рассчитывается с учетом ее Number of Activations.
• Weights (Весовые коэффициенты): Множители, применяемые к ссылкам. Зависят от количества активаций, типа ссылки и контекста просмотра (например, ссылки в просмотренном пользователем контенте весят больше).

Выводы

1. Критическое значение для платформенного SEO: Патент описывает фундаментальный механизм ранжирования в системах рекомендаций на платформах типа YouTube. Он не относится к традиционному веб-поиску Google.
2. Внутренние ссылки и кросс-промоушен как сигнал ранжирования: Ссылки и упоминания внутри экосистемы (аннотации, описания, комментарии) являются прямыми сигналами для продвижения других источников (каналов, профилей). Коллаборации являются валидированной стратегией роста.
3. Количество кликов (Активаций) критически важно (Claim 1 и 6): Ключевое положение патента — вес ссылки (аннотации) напрямую зависит от количества ее активаций (кликов). Недостаточно просто разместить ссылку; необходимо, чтобы пользователи по ней кликали. Ссылки, которые игнорируются, имеют минимальный вес.
4. Рекомендации основаны на существующих интересах: Система использует контент, который пользователь уже потребляет (user access criterion), как основу для поиска ссылок. Для попадания в рекомендации необходимо быть упомянутым авторами, которых целевая аудитория уже смотрит.
5. Анализ внешних сайтов: Система может учитывать ссылки на Media Content Sources, найденные на внешних сайтах, если на эти сайты ссылается релевантный контент на платформе (Claim 7).

Практика

Best practices (это мы делаем)

Рекомендации применимы в первую очередь для YouTube SEO и оптимизации на аналогичных платформах.

• Оптимизация кликабельности внутренних ссылок (Максимизация Активаций): При использовании современных аналогов Annotations (Конечные заставки, Подсказки на YouTube) необходимо максимизировать количество кликов по ним. Призывы к действию (CTA) должны быть убедительными, релевантными и своевременными. Ссылка, генерирующая много кликов, дает значительно больший вклад в оценку ранжирования.
• Стратегическое кросс-продвижение и коллаборации: Активно сотрудничать с релевантными авторами для получения ссылок в их контенте (видео, описаниях, закрепленных комментариях). Чем популярнее контент реферера и чем больше кликов генерирует ссылка на ваш источник, тем сильнее эффект для системы рекомендаций.
• Использование всех доступных типов ссылок: Размещать ссылки на свой канал/профиль не только в интерактивных элементах, но и в описаниях (Descriptions) и комментариях (Comments), так как все они учитываются системой (Claims 1, 2, 3).
• Анализ эффективности элементов: Отслеживать в аналитике платформы (например, YouTube Analytics), какие интерактивные элементы генерируют наибольшее количество кликов (активаций), и оптимизировать их размещение и подачу.

Worst practices (это делать не надо)

• Спам ссылками и нерелевантные упоминания: Размещение ссылок в контенте, где они не соответствуют контексту, приведет к низкому количеству активаций. Система девальвирует такие ссылки при расчете оценки.
• Игнорирование механизмов внутреннего связывания: Полагаться исключительно на органическое обнаружение, не используя доступные инструменты (Конечные заставки, Подсказки, ссылки в описании) для генерации сигналов для системы рекомендаций.
• Фокус на количестве упоминаний вместо кликов: Ошибочно полагать, что простое количество упоминаний является главным фактором. Патент явно указывает на взвешивание по количеству активаций (кликов).

Стратегическое значение

Патент подтверждает, что платформы строят собственные внутренние графы ссылок, аналогичные PageRank, но основанные на действиях авторов и реакциях пользователей (кликах). Авторитетность внутри платформы определяется тем, насколько часто и *эффективно* (с большим количеством кликов) другие авторы ссылаются на источник. Долгосрочная стратегия платформенного SEO должна включать построение сети релевантных партнерств и оптимизацию вовлеченности во внутренние ссылочные элементы.

Практические примеры

Сценарий: Оптимизация Конечной заставки (End Screen) на YouTube для улучшения рекомендаций канала.

Конечная заставка является современным аналогом Annotations.

1. Ситуация: Автор публикует видео и добавляет стандартную Конечную заставку с кнопкой подписки. Количество активаций низкое.
2. Анализ (по патенту): Система видит аннотацию, но ее вклад в оценку канала минимален из-за низкого количества активаций (Claim 6).
3. Оптимизация: Автор изменяет подход:
   • За 15 секунд до конца видео добавляется вербальный призыв к подписке, указывающий на кнопку.
   • Кнопка подписки визуально выделяется и размещается в более кликабельной зоне.
4. Результат: Количество активаций значительно увеличивается. Согласно патенту, это увеличивает вес этих сигналов. Система рекомендаций начинает чаще предлагать этот канал пользователям, смотрящим похожий контент.

Вопросы и ответы