Как Google (YouTube) ранжирует рекомендуемые видео, балансируя релевантность, монетизацию и вероятность просмотра рекламы

Google использует систему для ранжирования рекомендуемых (дополнительных) видео на платформах типа YouTube. Система учитывает не только релевантность и потенциал монетизации видео, но и «экспериментальные данные» о том, как пользователи взаимодействуют с рекламой в этом видео. Цель — показывать видео, где пользователи с большей вероятностью досмотрят рекламу, максимизируя доход и минимизируя отток пользователей.

Описание

Какую задачу решает

Патент решает проблему баланса между максимизацией дохода от рекламы и поддержанием положительного пользовательского опыта на видеохостингах (например, YouTube). Традиционный подход к рекомендациям, основанный только на релевантности и потенциале монетизации, может привести к показу видео с агрессивной или неэффективной рекламой (называемой в патенте shared content). Это увеличивает вероятность того, что пользователи пропустят рекламу или покинут платформу, что снижает фактический доход в долгосрочной перспективе.

Что запатентовано

Запатентована система ранжирования дополнительных (рекомендуемых) видео (additional videos), которая интегрирует «экспериментальные данные» (experimental data) в алгоритм принятия решений. Суть изобретения — учитывать не только потенциальный доход от видео, но и вероятность того, что пользователь фактически просмотрит сопутствующую рекламу. Это достигается путем взвешивания трех ключевых факторов: релевантности, монетизации и вероятности просмотра рекламы.

Как это работает

Система работает в рамках механизма рекомендаций видеоплатформы:

Сбор данных: Платформа собирает experimental data о том, как пользователи взаимодействуют с рекламой (пропускают, смотрят полностью, уходят с сайта).
Запрос рекомендаций: Когда пользователь смотрит видео, система ищет кандидатов для рекомендаций.
Извлечение оценок: Для каждого кандидата извлекаются три оценки: Relevance Ranking (релевантность), Monetization Ranking (потенциал дохода) и Likelihood Ranking (вероятность просмотра рекламы, основанная на experimental data).
Взвешивание и Ранжирование: Система комбинирует эти три оценки с использованием предопределенных весов (predefined weights) для вычисления итогового балла.
Выбор: Видео с наивысшими баллами выбираются для показа в блоке рекомендаций.

Актуальность для SEO

Высокая. Оптимизация системы рекомендаций и монетизации является центральной задачей для платформ вроде YouTube. Патент описывает фундаментальный механизм, который связывает вовлеченность пользователя (особенно его поведение во время показа рекламы) с видимостью видео в рекомендациях. Хотя конкретные модели машинного обучения могли эволюционировать, базовая логика остается крайне актуальной.

Важность для SEO

Влияние на традиционное веб-SEO минимально (1/10). Патент не описывает ранжирование в Google Поиске. Однако он имеет критическое значение для Video SEO (YouTube SEO) (9/10). Он раскрывает логику работы движка рекомендаций — одного из главных источников трафика на YouTube. Патент показывает, что для попадания в рекомендации видео должно быть не только релевантным, но и эффективно удерживать аудиторию во время показа рекламы, чтобы иметь высокий Likelihood Ranking.

Детальный разбор

Термины и определения

Additional Video (Дополнительное видео): Видео, предлагаемое пользователю во время или после просмотра основного видео. Синоним рекомендуемого или связанного видео (Suggested/Related Video).
Experimental Data (Экспериментальные данные): Собранные поведенческие данные о взаимодействии пользователей с Shared Content. Включают вероятность полного просмотра рекламы, среднее время просмотра рекламы, вероятность пропуска рекламы и вероятность ухода пользователя с платформы.
Likelihood Ranking (Рейтинг вероятности): Оценка, основанная на Experimental Data. Предсказывает вероятность того, что реклама, связанная с дополнительным видео, будет успешно показана (например, просмотрена полностью, не пропущена) и пользователь не покинет сайт.
Monetization Ranking (Рейтинг монетизации): Оценка потенциального дохода от видео. Может основываться на разрешении правообладателя на монетизацию, исторических данных о просмотрах или кликах по рекламе.
Relevance Ranking (Рейтинг релевантности): Оценка того, насколько дополнительное видео соответствует основному видео, которое смотрит пользователь.
Shared Content (Общий контент): Контент, добавляемый к видео для монетизации. В контексте патента это рекламные вставки (instream ads).
User Detection Unit (Блок обнаружения пользователя): Компонент системы, который может идентифицировать пользователя (если он вошел в систему) для персонализации расчетов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовую систему ранжирования дополнительных видео.

Система получает запрос на дополнительные видео.
Система извлекает набор дополнительных видео-кандидатов.
Для каждого кандидата извлекаются три типа ранжирования: Relevance Ranking, Monetization Ranking и Likelihood Ranking.
Likelihood Ranking основан на experimental data.
Система (weighting/ranking unit) присваивает итоговую оценку (score) каждому видео на основе этих трех ранжирований.
Система (additional video selection unit) выбирает определенное количество видео на основе этой итоговой оценки.

Claim 8 (Зависимый от 1): Уточняет механизм расчета оценки.

Итоговая оценка рассчитывается на основе определенных весов (defined weighting), применяемых к Relevance Ranking, Monetization Ranking и Likelihood Ranking соответственно.

Claim 6 и 14 (Зависимые): Уточняют состав Experimental Data.

Экспериментальные данные включают информацию, указывающую на вероятность того, что конкретное дополнительное видео будет просмотрено полностью (viewed in entirety), когда оно дополнено Shared Content (рекламой).

Claim 7 и 15 (Зависимые): Дополнительно уточняют состав Experimental Data.

Экспериментальные данные включают информацию, указывающую на время, когда Shared Content (реклама), представленный с конкретным дополнительным видео, имеет определенную вероятность быть пропущенным (likelihood of being skipped).

Где и как применяется

Патент описывает механизм, применяемый в системе рекомендаций видеохостинга (например, YouTube), а не в основном поиске Google. Он не вписывается напрямую в стандартную 6-этапную архитектуру веб-поиска, но можно провести аналогии в контексте обработки данных на платформе.

INDEXING – Индексирование и извлечение признаков (Аналог)
На этом этапе система собирает и обрабатывает данные о поведении пользователей. С использованием методов машинного обучения (machine learning techniques, упомянутых в описании) анализируется взаимодействие с рекламой для каждого видео. Рассчитываются и сохраняются Experimental Data, которые затем используются для генерации Likelihood Ranking.

RANKING – Ранжирование (Система рекомендаций)
Основное применение патента. Происходит в реальном времени, когда система должна заполнить блок рекомендаций («Следующее» или «Похожие видео»).

Отбор кандидатов: Система отбирает набор потенциально релевантных дополнительных видео.
Извлечение оценок: Для кандидатов извлекаются предварительно рассчитанные Relevance Ranking, Monetization Ranking и Likelihood Ranking из соответствующих баз данных (Relevance Factor Database, Monetization Database, Likelihood Database).
Расчет итогового балла: Применяется взвешенная формула для расчета финальной оценки.
Выбор: Отбираются Топ-N видео для показа.

Входные данные:

Идентификатор текущего просматриваемого видео.
Запрашиваемое количество дополнительных видео (зависит от интерфейса устройства).
(Опционально) Идентификатор пользователя (для персонализации, используется User Detection Unit).

Выходные данные:

Отсортированный список дополнительных видео для показа пользователю.

На что влияет

Конкретные типы контента: Влияет исключительно на видеоконтент на платформах, использующих систему рекомендаций и монетизацию через рекламу (Shared Content).
Форматы контента: Может оказывать большее влияние на длинные форматы видео, предполагающие несколько рекламных вставок (например, mid-rolls), где удержание пользователя во время рекламы критично для Likelihood Ranking.

Когда применяется

Условия применения: Алгоритм применяется каждый раз, когда система генерирует список рекомендуемых видео для показа рядом с основным видео или после него.
Персонализация: Система может применять алгоритм как на основе глобальных данных, так и на индивидуальной основе, если пользователь идентифицирован, адаптируя рекомендации к его личной истории взаимодействия с рекламой.

Пошаговый алгоритм

Процесс ранжирования дополнительных видео:

Получение запроса: Система получает запрос на предоставление дополнительных видео. Запрос содержит информацию о текущем видео и необходимое количество рекомендаций. Опционально идентифицируется пользователь.
Поиск кандидатов и извлечение данных: Система определяет набор связанных дополнительных видео. Для каждого кандидата извлекаются три оценки:
- Relevance Ranking.
- Monetization Ranking.
- Likelihood Ranking.
Взвешивание и ранжирование: Для каждого видео рассчитывается итоговая оценка (Additional Video Score) по взвешенной формуле, объединяющей три полученных рейтинга с использованием предопределенных весов (predefined weights).
Выбор и передача: Система выбирает запрошенное количество видео с наивысшими итоговыми оценками и передает их видеоплатформе для отображения пользователю.

Какие данные и как использует

Данные на входе

Система использует три основные категории данных:

Поведенческие факторы (Experimental Data): Это ключевой компонент патента. Данные о взаимодействии пользователей с рекламой (Shared Content) в контексте конкретного видео. Включают:
- Вероятность просмотра видео целиком при наличии рекламы (Claim 6, 14).
- Вероятность пропуска рекламы и время до пропуска (Claim 7, 15).
- Среднее время просмотра рекламы.
- Вероятность ухода пользователя с платформы (probability of leaving the web site).
Факторы монетизации: Данные для расчета Monetization Ranking. Включают статус монетизации, исторический доход, количество просмотров, CTR рекламы.
Факторы релевантности: Данные для расчета Relevance Ranking (степень соответствия основному видео). Конкретные факторы в патенте не детализированы.
Пользовательские факторы: История взаимодействия конкретного пользователя с рекламой (используется для персонализации Likelihood Ranking).

Какие метрики используются и как они считаются

Ключевые метрики: Relevance Ranking, Monetization Ranking, Likelihood Ranking.
Формулы и алгоритмы расчета: Патент предоставляет конкретную формулу (Equation 1) для вычисления итогового балла Additional Video Score как взвешенной суммы трех рангов:

Выводы

Рекомендации оптимизируются для реализованного дохода, а не только для релевантности: Патент демонстрирует, что система рекомендаций видеоплатформы (YouTube) стремится максимизировать фактический доход. Она предпочтет видео, где реклама будет просмотрена (высокий Likelihood Ranking), а не просто видео с высоким потенциальным доходом (Monetization Ranking), но частыми пропусками рекламы.
Поведение пользователей во время рекламы влияет на охват видео: То, как аудитория взаимодействует с рекламой в видео (пропускает, смотрит, уходит), напрямую влияет на Likelihood Ranking. Высокий уровень пропусков рекламы или отток пользователей снижает вероятность показа видео в рекомендациях.
Баланс монетизации и удержания: Система ищет баланс. Monetization Ranking отвечает за потенциальный доход, а Likelihood Ranking выступает как фактор качества пользовательского опыта и удержания, понижая видео с фрустрирующим рекламным опытом.
Вовлеченность и время просмотра (Watch Time) критичны: Для максимизации Likelihood Ranking контент должен быть настолько вовлекающим, чтобы пользователи были готовы смотреть рекламные вставки и продолжать просмотр после них.
Персонализация: Алгоритм предусматривает адаптацию под индивидуальное поведение пользователя в отношении рекламы.

Практика

ВАЖНО: Патент не относится к традиционному веб-поиску Google. Все рекомендации применимы строго к Video SEO на платформах, использующих рекламную монетизацию (например, YouTube) для увеличения трафика из блока рекомендаций (Suggested Videos).

Best practices (это мы делаем)

Фокус на удержании аудитории (Audience Retention) и глубине просмотра: Создавайте контент, который максимально вовлекает зрителя. Высокое удержание увеличивает вероятность того, что зритель останется на платформе и просмотрит рекламу, что положительно сказывается на Experimental Data и улучшает Likelihood Ranking.
Оптимизация структуры видео под рекламу (Mid-rolls): Если используются рекламные вставки в середине видео, убедитесь, что они размещены логично и не прерывают контент в критический момент. Резкие обрывы могут стимулировать пропуск рекламы или уход зрителя, ухудшая Likelihood Ranking.
Анализ точек оттока в YouTube Analytics: Изучайте отчеты по удержанию аудитории. Резкие падения просмотров, совпадающие с моментами показа рекламы, указывают на проблемы с Likelihood Ranking. Необходимо пересмотреть стратегию контента или размещения рекламы.
Повышение качества и ценности контента: Чем выше ценность контента для зрителя, тем выше его толерантность к рекламе. Качественный контент улучшает поведенческие метрики, используемые в Experimental Data.

Worst practices (это делать не надо)

Использование кликбейта: Заголовки и превью, которые привлекают клик, но не соответствуют содержанию, приводят к быстрому оттоку зрителей. Это часто происходит еще на этапе pre-roll рекламы, что критически ухудшает Likelihood Ranking и снижает шансы на попадание в рекомендации.
Агрессивная монетизация в ущерб качеству просмотра: Размещение слишком большого количества рекламных вставок, которые раздражают аудиторию. Хотя это может повысить Monetization Ranking, это сильно снизит Likelihood Ranking из-за пропусков рекламы и оттока пользователей, что приведет к пессимизации в рекомендациях.
Создание контента, стимулирующего пропуск: Например, контент, где основная ценность находится в самом конце, может привести к тому, что пользователи будут активно проматывать видео и пропускать рекламу.

Стратегическое значение

Патент подтверждает, что система рекомендаций YouTube — это сложный механизм, балансирующий интересы зрителей (релевантность), платформы (доход и удержание) и создателей контента. Для долгосрочной стратегии Video SEO критически важно понимать, что вовлеченность (Watch Time) и успешная монетизация неразрывно связаны. Алгоритм вознаграждает видео, которые способствуют здоровой экосистеме: удерживают пользователей и генерируют доход от рекламы.

Практические примеры

Сценарий: Выбор рекомендуемого видео для кулинарного канала

Текущее видео: «Как приготовить пасту Карбонара». Система выбирает следующее видео.
Кандидат А: «Быстрый рецепт Тирамису».
- Relevance: Высокий.
- Monetization Potential: Высокий (CPM $10).
- Likelihood Ranking: Низкий (зрители часто пропускают pre-roll и уходят из-за кликбейта).
Кандидат Б: «Обзор лучших итальянских вин».
- Relevance: Средний.
- Monetization Potential: Средний (CPM $8).
- Likelihood Ranking: Высокий (аудитория вовлечена, смотрит рекламу до конца, продолжает просмотр).
Расчет: Система применяет веса. Если вес Likelihood Ranking достаточно высок, Кандидат Б может получить более высокий итоговый балл, чем Кандидат А.
Результат: Система порекомендует Кандидата Б, так как он с большей вероятностью принесет фактический доход и удержит пользователя на платформе, несмотря на более низкий потенциальный CPM.

Вопросы и ответы

Применяется ли этот патент к ранжированию видео в основном поиске Google (Web Search)?

Нет. Патент явно описывает систему для ранжирования «дополнительных видео» (Additional Videos) на «сайтах для обмена видео» (Video sharing web sites), таких как YouTube. Он касается внутреннего механизма рекомендаций (Suggested Videos), а не алгоритмов ранжирования в Google Search или вертикали Google Videos.

Что такое «Экспериментальные данные» (Experimental Data) и как они собираются?

Это исторические данные о том, как пользователи взаимодействуют с рекламой (Shared Content), связанной с конкретным видео. Они собираются путем отслеживания действий пользователей: пропускают ли они рекламу, смотрят ли ее до конца, среднее время просмотра рекламы и покидают ли они платформу после показа рекламы. Эти данные используются для расчета Likelihood Ranking.

Как я, как создатель контента, могу улучшить свой Likelihood Ranking?

Основной способ — это повышение качества контента и удержания аудитории (Audience Retention). Создавайте вовлекающий контент, который удерживает зрителей на протяжении всего видео, включая рекламные паузы. Избегайте кликбейта и размещайте mid-roll рекламу в логичных местах, чтобы минимизировать фрустрацию аудитории и снизить вероятность пропуска рекламы.

Значит ли это, что видео с более высокой монетизацией всегда будут ранжироваться выше в рекомендациях?

Не обязательно. Система балансирует три фактора. Если видео имеет высокий потенциал монетизации (Monetization Ranking), но зрители массово пропускают в нем рекламу или уходят с сайта (низкий Likelihood Ranking), оно может уступить место видео с меньшим потенциалом, но лучшим удержанием во время рекламы.

Влияет ли этот алгоритм на видео без монетизации?

Патент фокусируется на оптимизации дохода. Для видео без монетизации Monetization Ranking, вероятно, будет нулевым. Likelihood Ranking может интерпретироваться просто как метрика удержания (так как нет рекламы для пропуска). Ранжирование таких видео будет больше зависеть от Relevance Ranking и общих метрик вовлеченности, но они могут проигрывать монетизированному контенту при прочих равных.

Как система определяет релевантность (Relevance Ranking)?

Патент не описывает механизм расчета релевантности, рассматривая его как один из входных сигналов, получаемых из Relevance Factor Database. На практике это включает анализ метаданных, тематики видео, эмбеддингов контента и паттернов совместного просмотра (co-watch patterns) пользователей.

Является ли этот механизм персонализированным?

Да, патент упоминает User Detection Unit. Система может идентифицировать пользователя (если он залогинен) и использовать его персональные Experimental Data. Это означает, что рекомендации могут адаптироваться к индивидуальной толерантности пользователя к рекламе и его истории пропусков рекламы.

Где я могу увидеть данные о том, как пользователи взаимодействуют с рекламой в моих видео?

Некоторые из этих данных доступны в YouTube Analytics. Вы можете анализировать отчеты по доходам от рекламы и, что более важно, отчеты по удержанию аудитории (Audience Retention). Резкие падения в графике удержания, совпадающие с моментами показа рекламы (особенно mid-rolls), указывают на проблемы, которые могут снижать Likelihood Ranking.

Какая метрика важнее: Relevance, Monetization или Likelihood?

Патент не указывает конкретные веса (predefined weights); они могут настраиваться системой динамически. Важен баланс всех трех компонентов. Однако введение Likelihood Ranking подчеркивает стремление системы оптимизировать фактический доход и долгосрочное удержание пользователей, а не просто гнаться за релевантностью или потенциальным доходом.

Применим ли этот патент к YouTube Shorts?

Патент описывает ранжирование «дополнительных видео», отображаемых рядом с основным контентом на странице просмотра. Хотя базовая философия баланса монетизации и удержания применима ко всем форматам, описанный механизм с тремя компонентами и показом списка рекомендаций больше подходит для стандартных длинных видео, чем для механизма ленты Shorts.