Close Menu

    Как Яндекс (Музыка) ускоряет обновление потока рекомендаций, заранее просчитывая реакцию пользователя на Лайки и Дизлайки

    СИСТЕМА И СПОСОБ ДЛЯ ФОРМИРОВАНИЯ РЕКОМЕНДАЦИЙ ЦИФРОВЫХ ЭЛЕМЕНТОВ (SYSTEM AND METHOD FOR GENERATING RECOMMENDATIONS OF DIGITAL ELEMENTS)
    2024 Патенты Яндекс Поведенческие факторы Рекомендательные системы Яндекс Музыка

    Патент, поданный от имени ООО «Яндекс Музыка», описывает метод снижения задержек в рекомендательных системах. Система заранее рассчитывает альтернативные («вспомогательные») рекомендации на случай, если пользователь поставит Лайк или Дизлайк текущему элементу. Это позволяет мгновенно обновить поток контента без ожидания ответа сервера.

    Описание

    Какую задачу решает

    Патент решает инфраструктурную проблему производительности рекомендательных систем (таких как стриминговые сервисы или маркетплейсы). Проблема заключается в том, что пересчет последующих рекомендаций в реальном времени в ответ на немедленное действие пользователя (Лайк, Дизлайк, Пропуск) требует значительных вычислительных ресурсов. Это приводит к задержкам (latency) на сервере и создает ощутимые для пользователя паузы в потоке контента, что ухудшает пользовательский опыт.

    Что запатентовано

    Запатентована система и способ формирования наборов рекомендаций, направленный на снижение задержек сервера. Суть изобретения заключается в предварительном вычислении альтернативных рекомендаций на основе симуляции возможных действий пользователя. Рекомендательный набор содержит не только «основные цифровые элементы», но и «вспомогательные цифровые элементы», готовые к немедленному воспроизведению в случае положительной или отрицательной реакции пользователя на основной элемент.

    Как это работает

    Сервер формирует и отправляет клиенту структурированный набор рекомендаций. Для каждого «основного» элемента заранее рассчитываются «вспомогательные» элементы на основе предположения о действии пользователя (например, один на случай Лайка, другой — на случай Дизлайка). Если пользователь ставит Дизлайк основному элементу, клиентское приложение немедленно запускает заранее загруженный вспомогательный элемент, соответствующий Дизлайку. Пока пользователь потребляет этот вспомогательный элемент, система в фоновом режиме рассчитывает следующий полноценный набор рекомендаций, скрывая задержку сервера.

    Актуальность для SEO

    Высокая (для рекомендательных систем). Патент актуален (опубликован в 2024 году) и описывает критически важную оптимизацию для потоковых сервисов (Яндекс Музыка, Видео) и персонализированных лент, где бесшовность и мгновенная реакция являются ключевыми для удержания пользователей.

    Важность для SEO

    Влияние на традиционное Web SEO минимальное (1/10). Патент не описывает алгоритмы ранжирования веб-поиска. Он полностью сфокусирован на оптимизации работы внутренних рекомендательных систем Яндекса. Он не дает практических знаний для продвижения сайтов в органической выдаче Яндекса. Патент имеет значение только для специалистов, занимающихся оптимизацией контента (музыки, товаров) внутри этих специфических платформ (Platform Optimization).

    Детальный разбор

    Термины и определения

    Вспомогательный цифровой элемент (Auxiliary digital element)
    Элемент, предварительно вычисленный и включенный в набор рекомендаций. Он предоставляется пользователю немедленно в ответ на его действие (Лайк/Дизлайк) с основным элементом. Рассчитывается на основе предположения (симуляции) этого действия.
    Основной цифровой элемент (Main digital element)
    Элемент стандартного потока рекомендаций, выбранный для пользователя на основе его прошлой истории действий.
    Отрицательный пользовательский контакт (Negative user contact)
    Действия, указывающие на неудовлетворенность пользователя элементом. Примеры: пропуск части или всего элемента, прерывание представления, отрицательный отклик (Дизлайк).
    Положительный пользовательский контакт (Positive user contact)
    Действия, указывающие на интерес пользователя к элементу. Примеры: выбор для оценивания, использование функции «поделиться», включение повтора, добавление в избранное, положительный отклик (Лайк).
    Признаки элемента (Element features)
    Собственные параметры цифрового элемента. Для фонограммы это могут быть: жанр, настроение, период популярности, исполнитель (поставщик), продолжительность, дата выпуска, ритм, альбом. Используются для определения схожести или различия элементов.
    Рекомендательная онлайн-платформа (Recommendation online platform)
    Веб-ресурс, формирующий персональные рекомендации (например, Яндекс Музыка, платформы потокового видео, платформы онлайн-списков).
    Цифровой элемент (Digital element)
    Единица контента на платформе. Например, фонограмма (песня, подкаст), видеоклип, товар или услуга.
    MLA (Алгоритм машинного обучения)
    Алгоритм, используемый для определения рекомендуемых элементов. В патенте упоминаются различные типы MLA, включая нейронные сети, деревья решений. Явно указаны CatBoost и углубленные структурированные семантические модели (DSSM).

    Ключевые утверждения (Анализ Claims)

    Патент защищает метод снижения задержек путем предварительного вычисления альтернативных рекомендаций.

    Claim 1 (Независимый пункт): Описывает основной механизм формирования набора рекомендаций.

    1. Сервер формирует набор рекомендуемых цифровых элементов на основе прошлых действий пользователя.
    2. Этот набор содержит подмножество основных цифровых элементов.
    3. Критически важно: для основного элемента набор дополнительно содержит по меньшей мере один вспомогательный цифровой элемент.
    4. Вспомогательный элемент определяется на основе (а) прошлых действий пользователя И (б) предположения (симуляции) о том, что пользователь осуществил действие с основным элементом.
    5. Сервер передает весь набор (основные + вспомогательные элементы) на устройство пользователя.

    Claim 3 (Зависимый от п. 2): Уточняет логику выбора вспомогательных элементов в зависимости от типа симулируемого действия.

    1. Если симулируется положительный контакт (например, Лайк): определяется вспомогательный элемент, подобный основному.
    2. Если симулируется отрицательный контакт (например, Дизлайк): определяется вспомогательный элемент, отличающийся от основного.

    Claim 4 (Зависимый от п. 3): Определяет сходство и различие через признаки элемента.

    Сходство или отличие определяется путем сравнения признаков элемента (например, жанра, исполнителя) вспомогательного и основного элементов.

    Claim 7 (Зависимый от п. 3): Описывает сценарий с двумя вспомогательными элементами.

    Для одного основного элемента могут быть определены два вспомогательных: первый (подобный) на случай положительного контакта и второй (отличающийся) на случай отрицательного контакта.

    Claim 9 (Зависимый от п. 1): Описывает логику работы на стороне клиента (электронного устройства).

    1. Если получено указание на действие пользователя с основным элементом:
      • Представление основного элемента прерывается.
      • Немедленно представляется соответствующий вспомогательный элемент.
      • Отправляется запрос серверу для формирования нового набора рекомендаций (основанного на этом взаимодействии).
    2. Если действия нет: представляется следующий основной элемент.

    Где и как применяется

    Изобретение применяется не в архитектуре Веб-поиска Яндекса (CRAWLING, INDEXING, RANKING), а в инфраструктуре его Рекомендательных Систем (например, бэкенд Яндекс Музыки, Маркета, Дзена).

    Этап Ранжирования Рекомендаций (Ranking)

    На этом этапе система не просто ранжирует список элементов, но и выполняет дополнительные вычисления для симуляции будущих действий.

    1. Основное ранжирование: MLA (например, CatBoost) определяет подмножество основных элементов.
    2. Симуляция и Вспомогательное ранжирование: Для каждого основного элемента система симулирует возможные действия (Лайк/Дизлайк) и запускает MLA для определения соответствующих вспомогательных элементов (подобных или отличающихся).

    Этап Формирования Выдачи (Serving/Presentation)

    Система собирает структурированный набор и передает его клиентскому приложению. Клиентское приложение отвечает за логику переключения между основным и вспомогательным потоками в зависимости от действий пользователя, что позволяет избежать обращения к серверу в момент самого действия.

    На что влияет

    • Типы контента: В первую очередь влияет на потоковый контент (фонограммы, видеоклипы) и персонализированные ленты (товары, статьи), где критична бесшовность воспроизведения и частая обратная связь.
    • Конкретные ниши: Наиболее заметно в музыкальных и видеосервисах.
    • Влияние на Веб-поиск: Не влияет на ранжирование сайтов в основном поиске Яндекса.

    Когда применяется

    • Условия работы: Алгоритм формирования набора (с вспомогательными элементами) применяется при каждом запросе на новую порцию рекомендаций в потоковом сервисе.
    • Триггеры активации механизма: Механизм снижения задержки активируется в момент, когда пользователь совершает действие (Лайк, Дизлайк, Пропуск) во время потребления основного элемента.
    • Определение размера набора: Количество основных элементов в наборе определяется так, чтобы минимизировать задержку сервера. В патенте приводятся примеры небольших наборов (5, 10 или 20 элементов).

    Пошаговый алгоритм

    Процесс формирования и использования рекомендаций.

    Фаза 1: Формирование набора на сервере

    1. Получение запроса: Сервер получает запрос на рекомендации от пользователя.
    2. Вычисление основных элементов: На основе прошлых действий пользователя и с использованием MLA определяются основные цифровые элементы.
    3. Симуляция взаимодействий: Для каждого основного элемента система симулирует потенциальные действия пользователя (например, Положительный контакт и Отрицательный контакт).
    4. Вычисление вспомогательных элементов:
      • Для симуляции Положительного контакта вычисляется подобный (Similar) вспомогательный элемент.
      • Для симуляции Отрицательного контакта вычисляется отличающийся (Different) вспомогательный элемент.
    5. Сборка набора: Формируется структурированный набор, где каждый основной элемент связан со своими вспомогательными элементами.
    6. Передача: Весь набор передается на электронное устройство пользователя.

    Фаза 2: Использование набора на клиенте

    1. Представление: Устройство начинает представление первого основного элемента.
    2. Мониторинг действий: Система ожидает действий пользователя.
    3. Обработка взаимодействия (например, Дизлайк):
      • Представление основного элемента немедленно прерывается.
      • Немедленно начинается представление заранее загруженного вспомогательного элемента, соответствующего Дизлайку (отличающегося).
      • Одновременно клиент отправляет запрос на сервер для формирования нового набора рекомендаций с учетом этого Дизлайка.
    4. Обработка отсутствия взаимодействия: Если основной элемент завершился без действий, начинается представление следующего основного элемента.

    Фаза 3: Фоновое обновление (Сервер)

    1. Получение обратной связи: Сервер получает информацию о действии пользователя (например, Дизлайк) из Фазы 2.
    2. Расчет следующего набора: Пока пользователь потребляет вспомогательный элемент, сервер рассчитывает и присылает новый набор, который будет использован далее.

    Какие данные и как использует

    Данные на входе

    • Поведенческие факторы (Прошлые пользовательские действия): Критически важны для определения как основных, так и вспомогательных элементов. Включают Положительный контакт (Лайки, Добавление в избранное, Поделиться, Повторы) и Отрицательный контакт (Дизлайки, Пропуски, Прерывание воспроизведения).
    • Контентные факторы (Признаки элемента): Используются для определения сходства/различия между элементами. Для аудиоконтента упомянуты: Жанр, Настроение, Период популярности, Поставщик (Исполнитель, Продюсер, Студия), Продолжительность, Дата выпуска, Ритм, Альбом.
    • Пользовательские факторы (Признаки пользователя): Используются MLA для персонализации. Упомянуты: Социально-демографические характеристики (возраст, пол, статус, доход), История поиска, История просмотра веб-страниц.

    Какие метрики используются и как они считаются

    • Вероятность Положительного/Отрицательного Контакта: Основная целевая метрика для ранжирования. Система стремится максимизировать вероятность положительного контакта.
    • Сходство/Различие Элементов: Метрика, основанная на сравнении признаков элемента. Используется для выбора вспомогательных элементов (подобных при Лайке, отличающихся при Дизлайке).
    • Алгоритмы Машинного Обучения (MLA): В патенте упоминаются различные типы MLA. Особо выделяется использование ансамблей деревьев решений и подхода градиентного бустинга. Явно упоминается CatBoost как конкретная реализация MLA. Также упоминается возможность использования DSSM.

    Выводы

    1. Инфраструктурный фокус: Патент описывает исключительно внутренние процессы оптимизации рекомендательных систем Яндекса (Яндекс Музыка и т.п.), направленные на снижение задержек (latency) и повышение отзывчивости интерфейса.
    2. Предварительные вычисления и симуляция: Ключевой механизм — это упреждающее вычисление рекомендаций («вспомогательных элементов») на основе симуляции возможных действий пользователя (Лайк/Дизлайк). Это позволяет системе иметь готовый ответ до того, как действие фактически произошло.
    3. Важность признаков для обратной связи: Система активно использует признаки элемента (метаданные) для интерпретации обратной связи. Положительный отзыв ведет к показу «подобного» контента, отрицательный — к показу «отличающегося». Точность этой механики зависит от качества разметки контента признаками.
    4. Подтверждение использования CatBoost и DSSM: Патент явно подтверждает использование CatBoost и упоминает DSSM в качестве алгоритмов машинного обучения для ранжирования рекомендаций в сервисах Яндекса.
    5. Отсутствие пользы для Web SEO: Патент не содержит информации об алгоритмах ранжирования веб-поиска и не предоставляет никаких практических выводов или рекомендаций для SEO-специалистов, занимающихся продвижением сайтов в органической выдаче.

    Практика

    ВАЖНО: Патент является инфраструктурным и не дает практических выводов для веб-SEO. Приведенные ниже пункты применимы ТОЛЬКО при оптимизации контента ВНУТРИ рекомендательных платформ Яндекса (Яндекс Музыка, Маркет, Дзен и т.д.).

    Best practices (Для оптимизации внутри платформ)

    • Максимально полное заполнение метаданных (Признаков элемента): Система определяет «сходство» и «различие» контента на основе признаков (жанр, настроение, исполнитель, характеристики товара). Чем точнее и полнее заполнены эти данные, тем адекватнее система сможет реагировать на обратную связь пользователя и подбирать вспомогательные элементы.
    • Фокус на генерации положительного контакта: Успех контента на платформе зависит от генерации положительных сигналов (Лайки, Добавления в избранное). Это направляет алгоритм на поиск и показ подобного контента, увеличивая охват.

    Worst practices (Для оптимизации внутри платформ)

    • Некорректная разметка метаданных: Указание неверных признаков (например, неправильного жанра или характеристик) приведет к неадекватной реакции системы на обратную связь. Если пользователь поставит Лайк, система покажет «подобный» контент на основе неверных признаков, что может вызвать дальнейший негатив.
    • Игнорирование отрицательной обратной связи: Частые Дизлайки и Пропуски сигнализируют системе о необходимости смены типа контента («отличающийся»). Если весь контент поставщика однотипен и вызывает негатив, это может привести к снижению его видимости на платформе.

    Стратегическое значение

    Патент подтверждает стратегический приоритет Яндекса на удержание пользователей внутри своих экосистемных платформ за счет повышения качества пользовательского опыта (бесшовность, отзывчивость). С технической точки зрения, это демонстрирует зрелость инфраструктуры Яндекса, позволяющую проводить сложные предварительные вычисления и симуляции для оптимизации производительности. Для Веб-SEO этот патент не имеет стратегического значения.

    Практические примеры

    Практических примеров для веб-SEO нет.

    Пример применения в Яндекс Музыке:

    1. Исходное состояние: Пользователь слушает поток «Моя волна». Сервер прислал набор рекомендаций.
    2. Текущий трек (Основной элемент): Играет Трек А (Жанр: Рок).
    3. Предварительно загружены (Вспомогательные элементы):
      • Трек Б (Подобный, на случай Лайка): Другой трек того же исполнителя.
      • Трек В (Отличающийся, на случай Дизлайка): Трек в жанре Поп.
    4. Действие пользователя: Пользователь нажимает Дизлайк на Треке А.
    5. Результат (Мгновенно): Приложение прерывает Трек А и немедленно начинает воспроизведение Трека В (Поп). Задержки нет, так как Трек В уже был в полученном наборе.
    6. Фоновый процесс: Пока играет Трек В, приложение отправляет на сервер информацию о Дизлайке. Сервер рассчитывает новый поток, стараясь избегать жанра Рок. У сервера есть время на расчет, пока играет Трек В.

    Вопросы и ответы

    Влияет ли этот патент на ранжирование моего сайта в поиске Яндекса?

    Нет, не влияет. Этот патент описывает исключительно внутренние механизмы работы рекомендательных систем Яндекса (таких как Яндекс Музыка, Маркет, Дзен) и направлен на снижение технических задержек при обновлении потока рекомендаций. Он не имеет отношения к алгоритмам ранжирования веб-сайтов в органической выдаче.

    К каким сервисам Яндекса применим этот патент?

    Патент подан от имени ООО «Яндекс Музыка» и в первую очередь применим к потоковым сервисам. В тексте прямо упоминаются платформы потокового аудио и видео. Также описанные механизмы актуальны для любых рекомендательных онлайн-платформ, где важна быстрая реакция на действия пользователя, например, для товарных рекомендаций на Яндекс Маркете.

    В чем разница между «Основным» и «Вспомогательным» цифровым элементом?

    Основной элемент — это часть стандартного потока рекомендаций, рассчитанного на основе вашей истории. Вспомогательный элемент — это заранее рассчитанный «запасной вариант», который мгновенно включается, если вы взаимодействуете (Лайк/Дизлайк) с основным элементом. Он нужен, чтобы заполнить паузу, пока сервер рассчитывает новый основной поток.

    Как система определяет, какой вспомогательный элемент показать?

    Система заранее рассчитывает несколько вспомогательных элементов для разных сценариев. Если вы ставите Лайк основному элементу, система покажет вспомогательный элемент, который «подобен» основному (например, тот же жанр или исполнитель). Если вы ставите Дизлайк, система покажет «отличающийся» вспомогательный элемент (например, другой жанр), чтобы быстро сменить направление рекомендаций.

    Что это значит для оптимизации товаров на Яндекс Маркете или треков на Яндекс Музыке?

    Для оптимизации внутри этих платформ критически важно иметь максимально точные и полные метаданные (Признаки элемента). Система использует эти признаки для определения «сходства» и «различия». Если ваши товары или треки размечены корректно, система сможет адекватнее реагировать на обратную связь пользователей и точнее подбирать аудиторию.

    Какие алгоритмы машинного обучения упоминаются в патенте?

    В патенте упоминаются общие подходы, такие как нейронные сети, модели дерева решений и градиентный бустинг. В качестве конкретного примера реализации алгоритма машинного обучения (MLA) явно указан CatBoost. Также упоминается возможность использования DSSM (углубленных структурированных семантических моделей).

    Помогает ли этот патент лучше понять поведенческие факторы Яндекса?

    Он помогает понять, как Яндекс обрабатывает поведенческие факторы внутри своих рекомендательных платформ, но не в веб-поиске. Патент детально описывает, какие действия считаются положительным контактом (Лайк, Поделиться, Добавить в избранное) и отрицательным контактом (Дизлайк, Пропуск, Прерывание). Он также показывает, насколько важна мгновенная реакция на эти сигналы для формирования потока.

    Какую основную техническую проблему решает этот патент?

    Основная проблема — это задержка (latency) сервера, возникающая при необходимости пересчета рекомендаций в реальном времени в ответ на действия пользователя. Это приводит к паузам в потоковом воспроизведении. Патент решает эту проблему путем предварительного вычисления и загрузки альтернативных элементов, что устраняет видимую для пользователя задержку.

    Влияет ли этот патент на понимание E-E-A-T или Proxima?

    Нет. Метрики качества веб-поиска, такие как Proxima, или принципы оценки авторитетности контента E-E-A-T, не упоминаются в данном патенте и не имеют отношения к описанному техническому механизму ускорения рекомендаций.

    Какое количество рекомендаций система загружает за один раз?

    В патенте указано, что количество основных цифровых элементов в наборе может быть относительно небольшим, например, 5, 10 или 20. Точное количество определяется так, чтобы минимизировать задержку сервера и обеспечить баланс между актуальностью рекомендаций и вычислительной нагрузкой.