Как Яндекс решает, когда и как показывать рекомендации (Дзен) в браузере во время просмотра сайта

Описание

Какую задачу решает

Патент решает проблему навязчивых, нерелевантных или несвоевременных рекомендаций контента в браузерных приложениях. Существующие системы часто показывают рекомендации в неподходящие моменты или в форматах, которые нарушают процесс просмотра пользователем, что приводит к неудовлетворенности сервисом и неэффективному расходованию пропускной способности ([009],). Изобретение направлено на повышение эффективности за счет показа релевантного контента в нужное время и в оптимальном визуальном формате.

Что запатентовано

Запатентованы способ и система для селективного представления блоков рекомендаций в браузерном приложении (например, Яндекс.Браузере). Суть изобретения заключается в использовании алгоритма машинного обучения (MLA) для определения Оценки рекомендации на основе текущего Состояния браузерного приложения, Действий пользователя и признаков просматриваемого веб-ресурса. Ключевой особенностью является двухаспектный подход: определение того, следует ли показывать контент (Аспект 1,), и определение того, как именно его визуально представить (Аспект 2,), используя механизм Поисковых таблиц.

Как это работает

Когда пользователь взаимодействует с сайтом (например, прокручивает до конца статьи), браузер отправляет на сервер указание на свое состояние и действие пользователя ([0017]). Сервер идентифицирует признаки просматриваемой страницы ([0017]) и запрашивает дополнительный контент у сервера рекомендаций (например, Дзен) ([0018]). Затем основной сервер запускает MLA, который вычисляет Оценку рекомендации (уровень достоверности того, что контент будет интересен) ([0018]). Если оценка достаточно высока, сервер определяет оптимальный формат отображения. Для этого он выбирает конкретную Поисковую таблицу (Look-up Table) на основе уровня достоверности и типа контента, и отправляет ее вместе с контентом обратно в браузер ([0115],). Браузер использует эту таблицу для отображения блока рекомендаций в заданном формате ([0018]).

Актуальность для SEO

Высокая. Яндекс активно развивает свою экосистему, в которой Яндекс.Браузер и платформа Дзен играют ключевую роль в вовлечении пользователей и дистрибуции контента. Оптимизация показа рекомендаций без раздражения пользователя является критически важной для удержания аудитории в этой экосистеме.

Важность для SEO

Влияние на традиционное SEO низкое (2/10). Патент не описывает алгоритмы ранжирования поисковой системы Яндекс. Он описывает инфраструктуру взаимодействия между Яндекс.Браузером, сервисом рекомендаций (Дзен) и пользователем, когда тот уже находится на стороннем веб-сайте. Этот патент важен для понимания экосистемы Яндекса и оптимизации под Дзен, но не дает прямых рекомендаций по улучшению позиций в поиске.

Детальный разбор

Термины и определения

Блок рекомендаций (Recommendation Block)

Элемент пользовательского интерфейса внутри браузера, который используется для отображения дополнительного контента (например, ленты Дзен) совместно с просматриваемым веб-ресурсом ([0086]).

Виртуальное состояние (Virtual State)

Состояние блока рекомендаций, при котором он не виден на дисплее. Используется, например, до первой активации или после того, как пользователь уже ознакомился с контентом ([0121],).

Действие пользователя (User Action)

Взаимодействие пользователя с браузером, которое может служить триггером для показа рекомендаций. Примеры: прокрутка вперед/назад, жесты, нажатие клавиш, прокрутка до конца страницы ([0095]).

MLA (Machine Learning Algorithm / Алгоритм машинного обучения)

Алгоритм, используемый для определения Оценки рекомендации. Он обучается на основе оценок экспертов (асессоров) о полезности и интересности обучающих блоков рекомендаций ([0105]-[0108]).

Оценка рекомендации (Recommendation Score)

Выходные данные MLA, указывающие, должен ли дополнительный контент быть отображен. Часто включает в себя Параметр уровня достоверности ([0018],).

Параметр уровня достоверности (Confidence Level Parameter)

Вероятность (уровень достоверности), указывающая на то, насколько вероятно дополнительный контент будет интересен пользователю ([0110]).

Поисковая таблица (Look-up Table / LUT)

Алгоритм выбора представления / структура данных, отправляемая сервером браузеру. Она сопоставляет комбинацию Текущего состояния блока рекомендаций и Действия пользователя со Следующим состоянием (визуальным форматом) блока ([0025],).

Состояние браузерного приложения (Browser Application State)

Текущий контекст браузера. Включает в себя Состояние отображения веб-ресурса (например, начало страницы, конец страницы) и Действие пользователя ([0017]).

Ключевые утверждения (Анализ Claims)

Патент защищает механизм селективного показа рекомендаций с динамическим выбором формата отображения.

Claim 1 (Независимый пункт): Описывает базовый процесс принятия решения о показе рекомендации.

1. Сервер получает состояние браузера (состояние отображения + действие пользователя).
2. Сервер определяет признаки просматриваемого веб-ресурса.
3. Сервер получает предложенный дополнительный контент (основанный на признаках).
4. Сервер выполняет MLA на основе состояния браузера для определения Оценки рекомендации (решение, показывать ли контент).
5. На основе этой оценки сервер селективно отправляет данные в браузер для инициации отображения блока рекомендаций.

Claim 4 (Зависимый от 1): Уточняет механизм принятия решения.

1. Оценка рекомендации включает Параметр уровня достоверности (вероятность интереса пользователя).
2. Отправка данных происходит только в том случае, если эта вероятность превышает заранее заданный порог.

Claim 7 (Зависимый от 1): Вводит механизм управления визуальным представлением (Аспект 2).

1. Система отправляет в браузер «алгоритм выбора представления» (Поисковую таблицу).
2. Браузер использует Действие пользователя и Текущее состояние блока рекомендаций в качестве входных данных для этого алгоритма.
3. Алгоритм выдает Следующее состояние (визуальный формат), в котором браузер отображает блок.

Claim 10 (Зависимый от 8): Описывает логику выбора Поисковой таблицы (LUT).

1. Сервер имеет доступ к множеству различных LUT. Каждая LUT соответствует определенному диапазону уровней достоверности.
2. Разные LUT определяют разное поведение (Следующие состояния) для одних и тех же входных данных (Текущее состояние + Действие).
3. Сервер выбирает конкретную LUT на основе Параметра уровня достоверности, определенного MLA.

Claim 16 (Зависимый от 15): Определяет стратегическое назначение разных LUT.

1. Если LUT выбрана на основе высокого уровня достоверности, она инициирует более заметное отображение блока рекомендаций (например, большее окно).
2. Если LUT выбрана на основе низкого уровня достоверности, она инициирует менее заметное отображение, при тех же самых действиях пользователя и текущем состоянии.

Где и как применяется

Важно понимать, что этот патент НЕ применяется на стандартных этапах поиска (CRAWLING, INDEXING, RANKING, BLENDER). Он функционирует полностью вне архитектуры поисковой машины и относится к Слою Взаимодействия Экосистемы/Браузера.

Система взаимодействует со следующими компонентами:

• Браузерное приложение (Клиент): Отслеживает действия пользователя и состояние отображения. Принимает данные от сервера и реализует логику отображения на основе Поисковых таблиц.
• Основной Сервер: Принимает данные от браузера, извлекает признаки ресурса, выполняет MLA для расчета Оценки рекомендации и выбирает соответствующую Поисковую таблицу.
• Сервер рекомендаций контента (Бэкенд Дзен): Предоставляет дополнительный контент на основе признаков ресурса.

Входные данные: Состояние браузера (Состояние отображения + Действие пользователя), Признаки веб-ресурса (URL, ключевые слова, автор, дата, история взаимодействий пользователя с ресурсом) ([0101]).

Выходные данные: Оценка рекомендации (Уровень достоверности). Если оценка положительная, сервер возвращает пакет данных, содержащий Дополнительный контент и выбранную Поисковую таблицу.

На что влияет

• Типы контента: Влияет на то, как отображается любой тип рекомендуемого контента (текст, видео, аудио). Система способна выбирать различные Поисковые таблицы для оптимизации отображения под конкретный тип контента ([0128]-[0129]).
• Пользовательский опыт (UX): Напрямую влияет на UX на любом сайте, просматриваемом через Яндекс.Браузер, контролируя навязчивость и формат рекомендаций.

Когда применяется

Алгоритм активируется при выполнении специфических условий-триггеров:

• Триггеры активации: Когда состояние отображения браузера достигает заранее заданного состояния в сочетании с конкретным действием пользователя ([0097]-[0098]).
• Примеры триггеров: Прокрутка до конца статьи ([0096]), прокрутка вперед/назад, определенные жесты, нажатие кнопки «назад», выбор омнибокса ([0099]).
• Пороговые значения: Рекомендация показывается только в том случае, если MLA рассчитывает Параметр уровня достоверности, превышающий заранее заданный порог (например, 10%) ([0153]-[0154]).

Пошаговый алгоритм

1. Мониторинг (Клиент): Браузерное приложение отслеживает активность пользователя и состояние отображения веб-ресурса.
2. Событие-триггер: Происходит заранее заданная комбинация Состояния отображения и Действия пользователя (например, пользователь дочитал статью до конца).
3. Передача данных: Браузер отправляет Состояние браузерного приложения на Сервер.
4. Извлечение признаков (Сервер): Сервер идентифицирует признаки текущего веб-ресурса (URL, ключевые слова и т.д.).
5. Запрос контента: Сервер запрашивает дополнительный контент у Сервера рекомендаций контента на основе извлеченных признаков.
6. Выполнение MLA (Решение 1: ЕСЛИ показывать): Сервер выполняет MLA, используя Состояние браузера и Признаки ресурса для расчета Оценки рекомендации (Параметра уровня достоверности).
7. Проверка порога: Сервер сравнивает Уровень достоверности с порогом. Если ниже, процесс останавливается (рекомендация не показывается).
8. Выбор Поисковой таблицы (Решение 2: КАК показывать): Если порог превышен, Сервер выбирает конкретную Поисковую таблицу (LUT). Выбор основан на Уровне достоверности (выше достоверность = более заметная LUT) и Типе контента (например, видео против текста) ([0126],).
9. Отправка ответа: Сервер отправляет пакет данных, содержащий Дополнительный контент и выбранную LUT, в Браузер.
10. Логика представления (Клиент): Браузер вводит Действие пользователя и Текущее состояние блока рекомендаций (например, Виртуальное/Невидимое) в полученную LUT.
11. Рендеринг: LUT выдает Следующее состояние (например, Видимый фрагмент). Браузер отображает блок рекомендаций в этом состоянии.

Какие данные и как использует

Данные на входе

• Контентные факторы: Ключевые слова, связанные с содержимым просматриваемой веб-страницы, автор, дата публикации ([0101]).
• Технические факторы: URL-адрес просматриваемого ресурса и признаки, связанные с этим URL ([0101]).
• Поведенческие и Пользовательские факторы: Действия пользователя (прокрутка, жесты, нажатия клавиш) ([0095]). Данные, описывающие предыдущие действия пользователя, с помощью которых он взаимодействовал с этим веб-ресурсом, включая те, которые ранее инициировали отображение рекомендаций ([0102]).
• Системные данные: Состояние отображения (например, верхняя часть страницы, конец страницы) ([0096]).

Какие метрики используются и как они считаются

• Обучение MLA: Используются офлайн-маркеры на основе оценок экспертов (асессоров). Положительные примеры (контент выбран или просматривался в течение определенного времени) и отрицательные примеры (контент проигнорирован или быстро закрыт) используются для обучения модели предсказывать полезность ([0106]-[0108]).
• Оценка рекомендации (Recommendation Score): Основная метрика, вычисляемая MLA.
• Параметр уровня достоверности (Confidence Level Parameter): Вероятность (0-100%), полученная из Оценки рекомендации, указывающая на вероятность интереса пользователя ([0110]).
• Порог (Threshold): Заранее заданное значение вероятности (например, 10%), используемое как критерий для показа рекомендаций ([0154]).
• Логика Поисковой таблицы (LUT): Детерминированное сопоставление входных данных (Текущее состояние + Действие пользователя) с выходными данными (Следующее состояние). Выбор конкретной LUT зависит от Уровня достоверности и Типа контента.

Выводы

1. Экосистемный патент, не поисковый: Это изобретение полностью сосредоточено на взаимодействии внутри экосистемы Яндекс (Браузер и Дзен), а не на алгоритмах ранжирования Яндекс Поиска. Практическая ценность для традиционного SEO минимальна.
2. Приоритет неинтрузивного UX: Яндекс вкладывает значительные ресурсы в то, чтобы рекомендации не раздражали пользователя. Для этого используется машинное обучение (MLA), которое решает, достаточно ли релевантна рекомендация, чтобы ее вообще показывать.
3. Динамический формат отображения (КАК показывать): Система использует сложный механизм Поисковых таблиц (LUT), выбираемых на основе уровня достоверности, чтобы динамически определять формат показа. Высокая достоверность ведет к более заметному отображению (большое окно); низкая достоверность (но выше порога) – к менее заметному (маленький фрагмент).
4. Поведенческие триггеры (КОГДА показывать): Показ рекомендаций инициируется не просто загрузкой страницы, а конкретными действиями пользователя на ней, например, достижением конца статьи ([0096]). Это ключевой инсайт для контент-стратегии.
5. Управление повторными показами: Система отслеживает, были ли просмотрены рекомендации, чтобы избежать повторного показа одного и того же контента, используя концепцию «Виртуального состояния» ([0122]-[0123]).

Практика

Best practices (это мы делаем)

Хотя патент не влияет на SEO ранжирование, он дает важные инсайты для контент-стратегии и оптимизации под экосистему Яндекса.

• Оптимизация под Дзен: Поскольку система предназначена для рекомендации контента (вероятнее всего, из Дзена), присутствие на платформе Дзен и оптимизация контента под ее требования являются необходимыми условиями для использования этого механизма дистрибуции.
• Стимулирование дочитывания контента до конца: Патент явно указывает прокрутку до конца страницы как ключевой триггер для показа рекомендаций ([0096]). Необходимо создавать качественный, вовлекающий контент, который мотивирует пользователей прочитать статью целиком. Это увеличивает вероятность активации блока рекомендаций Яндекс.Браузером.
• Четкая структура и тематичность: Система анализирует признаки просматриваемой страницы (ключевые слова, URL, автор) ([0101]) для подбора релевантных рекомендаций. Четкая структура страницы и явная тематичность помогают системе правильно понять контекст, что потенциально влияет на оценку достоверности MLA, когда ваш сайт просматривают.

Worst practices (это делать не надо)

• Кликбейт и низкое вовлечение: Если пользователи часто покидают сайт или не прокручивают контент, триггеры для показа рекомендаций могут не активироваться.
• Игнорирование пользователей Яндекс.Браузера: Пренебрежение этой аудиторией означает упущенную возможность взаимодействия через встроенные механизмы рекомендаций.

Стратегическое значение

Патент подтверждает стратегию Яндекса по глубокой интеграции своих сервисов и удержанию пользователей внутри своей экосистемы. Яндекс использует свой браузер как канал дистрибуции для своей контент-платформы (Дзен), стремясь взаимодействовать с пользователями даже на сторонних сайтах. Для SEO-специалистов это подчеркивает важность многоканальной стратегии и оптимизации не только под поиск, но и под рекомендательные системы Яндекса.

Практические примеры

Сценарий: Повышение вовлеченности на сайте и активация рекомендаций

1. Действие: Издатель оптимизирует статью на тему «Лучшие смартфоны 2025», улучшая читабельность, добавляя инфографику и четкое заключение, чтобы пользователи доходили до конца страницы.
2. Механизм: Пользователь Яндекс.Браузера читает статью и прокручивает ее до конца (Действие пользователя + Состояние отображения). Сервер Яндекса анализирует страницу (Признаки), находит релевантную статью в Дзене («Слухи о новом iPhone») и MLA рассчитывает высокий Уровень достоверности (80%).
3. Результат: Сервер выбирает Поисковую таблицу для заметного отображения. Браузер показывает большой блок рекомендаций для статьи из Дзена сразу после заключения статьи издателя.

Сценарий: Обработка низкого уровня достоверности

1. Действие: Пользователь дочитал нишевую статью о программировании.
2. Механизм: Триггер срабатывает. Сервер находит рекомендацию, но MLA рассчитывает низкий Уровень достоверности (15%), который все же выше порога (10%).
3. Результат: Сервер выбирает Поисковую таблицу для низкого уровня достоверности. Браузер отображает рекомендацию в виде небольшого, ненавязчивого фрагмента (snippet) внизу экрана, который легко закрыть или проигнорировать ([0158]).

Вопросы и ответы