Как Яндекс управляет показом рекомендаций в браузере в зависимости от действий пользователя и прогнозируемой ценности контента

Описание

Какую задачу решает

Патент решает проблему навязчивости и несвоевременности систем рекомендаций контента, интегрированных в браузерные приложения (например, Яндекс Браузер с лентой Дзен). Традиционные системы часто показывают рекомендации в неподходящее время или в неоптимальном визуальном формате, что раздражает пользователей и снижает эффективность рекомендаций. Изобретение направлено на улучшение пользовательского опыта путем определения оптимального момента (WHEN) и оптимального формата (HOW) для показа дополнительного контента.

Что запатентовано

Запатентована система динамического управления представлением Recommendation Block (блока рекомендаций) в браузере. Суть изобретения заключается в двухступенчатом принятии решения: 1) Определение ценности контента с помощью Machine Learning Algorithm (MLA), который вычисляет Recommendation Score и Confidence Level (вероятность интереса). 2) Выбор конкретной логики отображения (Lookup Table) на основе этого Confidence Level. Эта логика определяет, как именно блок рекомендаций будет отображаться и реагировать на действия пользователя.

Как это работает

Система активируется при определенных триггерах (например, пользователь дочитал статью до конца). Сервер получает Supplemental Content (рекомендуемый контент) и с помощью MLA оценивает вероятность того, что он заинтересует пользователя (Confidence Level). Если уровень выше порога, система выбирает одну из заранее подготовленных Lookup Tables (LUT). Выбор LUT зависит от уровня уверенности: для высокого уровня выбирается LUT, предписывающая более заметный (prominent) формат отображения; для низкого — менее навязчивый. Выбранная LUT и контент отправляются в браузер. Браузер использует LUT для определения Next State (следующего состояния блока) на основе Current State (текущего состояния) и User Action (действия пользователя).

Актуальность для SEO

Высокая. Рекомендательные системы (например, Дзен) являются ключевым элементом экосистемы Яндекса и основным источником вовлечения в Яндекс Браузере. Оптимизация пользовательского опыта и максимизация engagement rate при взаимодействии с рекомендациями критически важны для удержания аудитории в 2025 году.

Важность для SEO

Влияние на традиционное SEO (ранжирование в поиске) минимально (3/10). Патент не описывает механизмы ранжирования в поисковой выдаче. Однако он имеет значительное влияние на стратегии привлечения трафика из рекомендательных систем Яндекса (Дзен). Патент раскрывает механизм, как Яндекс определяет ценность контента для рекомендаций и управляет его видимостью. Понимание этого механизма критически важно для оптимизации контента под рекомендательные алгоритмы и максимизации охвата в Яндекс Браузере.

Детальный разбор

Термины и определения

Browser Application State (Состояние приложения браузера)

Комплексный показатель, включающий Display State (что сейчас видит пользователь, например, конец статьи) и User Action (действие пользователя).

Confidence Level Parameter (Параметр уровня уверенности)

Часть Recommendation Score. Метрика, указывающая на вероятность (probability) того, что Supplemental Content будет интересен пользователю, если его показать.

Content Recommendation Server (Сервер рекомендаций контента)

Бэкенд-система (например, Дзен), которая подбирает Supplemental Content на основе признаков текущего просматриваемого ресурса.

Current State / Next State (Текущее состояние / Следующее состояние)

Состояния Recommendation Block. Система определяет переход из Current State в Next State на основе User Action и логики из Lookup Table. Состояния могут быть Visual (видимыми) или Virtual (невидимыми).

Lookup Table (LUT) (Таблица поиска/состояний)

Конкретная реализация Presentation Selection Algorithm. Структура данных, которая определяет поведение Recommendation Block. Она сопоставляет каждую комбинацию (Current State + User Action) с конкретным Next State. Система выбирает конкретную LUT на основе Confidence Level.

Machine Learning Algorithm (MLA) (Алгоритм машинного обучения)

Модель, обученная на исторических данных или оценках асессоров, которая определяет Recommendation Score на основе признаков веб-ресурса и состояния браузера.

Presentation Selection Algorithm (Алгоритм выбора представления)

Общий термин для логики, определяющей, как именно будет показан контент. В патенте реализуется через Lookup Tables.

Recommendation Block (Блок рекомендаций)

Элемент интерфейса браузера, используемый для показа Supplemental Content. Может иметь разные состояния (snippet, expanded).

Recommendation Score (Оценка рекомендации)

Выход MLA, указывающий, следует ли показывать контент. Включает Confidence Level Parameter.

Supplemental Content (Дополнительный контент)

Контент (статьи, видео), предлагаемый пользователю в дополнение к просматриваемому веб-ресурсу.

User Action (Действие пользователя)

Взаимодействие пользователя с браузером (скроллинг, back scroll, жесты, тапы), которое может служить триггером для показа или изменения состояния Recommendation Block.

Ключевые утверждения (Анализ Claims)

Патент защищает многоуровневую систему, которая не просто решает, показывать ли рекомендацию, но и динамически выбирает формат показа в зависимости от предсказанной ценности контента.

Claim 1 (Независимый пункт): Описывает основной процесс системы.

1. Сервер получает индикацию состояния браузера, включающую: Display State (что отображается), Current State (текущее состояние блока рекомендаций) и User Action (действие пользователя).
2. Сервер определяет признаки веб-ресурса и получает Supplemental Content.
3. Сервер выполняет MLA для определения Recommendation Score.
4. На основе Score сервер принимает решение о показе и отправляет данные в браузер.
5. Критически важно: Сервер также передает Presentation Selection Algorithm (Алгоритм выбора представления).
6. Браузер обрабатывает этот алгоритм, подавая на вход (i) User Action и (ii) Current State.
7. Браузер получает на выходе Next State (следующее состояние блока) и отображает блок в этом состоянии.

Claim 7 (Зависимый от 1): Уточняет (в сочетании с Claim 8), что Presentation Selection Algorithm реализован как Lookup Table (LUT). LUT содержит все возможные Next States как выходы и комбинации (Current State + User Action) как входы.

Claim 9 (Зависимый от 7): Ключевой механизм интеграции оценки качества и представления.

1. Recommendation Score включает Confidence Level Parameter (уровень уверенности).
2. Передача LUT включает выбор конкретной LUT из множества доступных таблиц.
3. Каждая LUT соответствует определенному диапазону Confidence Level.
4. Выбор LUT осуществляется путем сопоставления вычисленного Confidence Level с соответствующим диапазоном.
5. Разные LUT определяют разный Next State для одной и той же комбинации (Current State + User Action).

Claim 15 (Зависимый от 14): Определяет стратегическую цель использования разных LUT.

Если сравниваются две LUT: первая (LUT1) для низкого Confidence Level и вторая (LUT2) для высокого Confidence Level. При одной и той же входной комбинации (Current State + User Action), блок рекомендаций будет отображен более заметно (more prominent), если используется LUT2, по сравнению с отображением при использовании LUT1.

Claim 16 (Зависимый от 15): Вводит концепцию Visual State (видимое состояние) и Virtual State (виртуальное, невидимое состояние) для управления отображением блока.

Где и как применяется

Этот патент не описывает архитектуру Поиска Яндекс (Crawling, Indexing, Ranking). Он описывает инфраструктуру и логику работы системы рекомендаций, интегрированной на уровне Приложения Браузера (Browser Application), например, Яндекс Браузера и его взаимодействие с рекомендательным бэкендом (например, Дзен).

Этапы работы и взаимодействие компонентов:

1. Мониторинг (Client-Side / Browser): Браузер отслеживает Browser Application State (состояние дисплея, действия пользователя, текущее состояние блока рекомендаций) и отправляет данные на сервер при наступлении триггерных событий (например, доскроллил до конца).
2. Обработка и Принятие Решений (Server-Side):
   • Сервер извлекает признаки (features) из просматриваемого контента.
   • Запрашивает Supplemental Content у Content Recommendation Server.
   • Выполняет MLA для расчета Recommendation Score и Confidence Level.
   • Определяет, следует ли показывать контент (сравнение с порогом).
   • Выбирает соответствующий Lookup Table (LUT) на основе Confidence Level (а также, возможно, типа контента и типа устройства, как указано в описании патента).
3. Представление (Client-Side / Browser):
   • Браузер получает контент и выбранную LUT.
   • Браузер использует LUT для определения Next State блока рекомендаций, используя в качестве входов Current State и User Action.
   • Блок отображается в новом состоянии (например, из невидимого в сниппет, или из сниппета в развернутый вид).

На что влияет

• Типы контента: Влияет на все типы контента, которые могут быть рекомендованы через эту систему (статьи, видео, блоги). В патенте (Claim 10 и описание) упоминается возможность выбора LUT также на основе типа контента (текст, видео, аудио), что позволяет адаптировать формат показа.
• Ниши и тематики: Влияет на видимость контента в рекомендательных лентах. Тематики и типы контента, по которым MLA предсказывает высокий Confidence Level (высокую вовлеченность), будут получать более заметные форматы представления.
• Пользовательский опыт (UX): Напрямую влияет на UX взаимодействия с браузером, балансируя между продвижением контента и минимизацией раздражения пользователя.

Когда применяется

Алгоритм активируется при выполнении специфических условий в браузере пользователя.

• Триггеры активации: Комбинация определенного Display State и User Action. Примеры из патента: скроллинг, достижение конца страницы (scrolling action reaching an end of a displayed page), обратный скроллинг (back scroll), жесты (gesture), нажатие клавиш/кнопок мыши.
• Пороговые значения: Показ происходит только в том случае, если Recommendation Score (или Confidence Level) превышает заранее определенный порог (pre-defined probability threshold) (Claim 4).

Пошаговый алгоритм

1. Получение данных о состоянии браузера: Сервер получает от браузера индикацию Browser Application State, включающую Display State (например, «конец страницы»), Current State блока рекомендаций (например, «Virtual/невидим») и User Action (например, «скроллинг»).
2. Извлечение признаков: Сервер определяет признаки (features) просматриваемого веб-ресурса (URL, ключевые слова, автор, дата).
3. Получение рекомендаций: Сервер запрашивает и получает Supplemental Content от сервера рекомендаций на основе извлеченных признаков.
4. Вычисление оценки (MLA): Сервер выполняет MLA, используя состояние браузера и признаки ресурса, для определения Recommendation Score, включающего Confidence Level Parameter (например, вероятность интереса 75%).
5. Проверка порога: Сервер сравнивает Confidence Level с порогом (например, 10%). Если ниже, процесс останавливается.
6. Выбор логики представления (LUT Selection): Если порог пройден, сервер выбирает одну Lookup Table (LUT) из множества доступных. Выбор основывается на диапазоне Confidence Level (например, LUT для диапазона 60-80%).
7. Передача данных в браузер: Сервер отправляет Supplemental Content и выбранную LUT в браузер.
8. Определение формата отображения (Client-Side): Браузер использует полученную LUT. Он подает на вход LUT текущие значения (Current State=«Virtual», User Action=«скроллинг»).
9. Отображение: LUT возвращает Next State (например, «Visual/Snippet»). Браузер отображает блок рекомендаций в этом новом состоянии.

Какие данные и как использует

Данные на входе

• Поведенческие и Пользовательские факторы:
  • Текущие действия пользователя (User Actions): скроллинг, жесты, тапы, back scroll, достижение конца страницы.
  • Исторические данные о взаимодействиях пользователя с блоками рекомендаций (Claim 2) (используются как признаки для MLA и для его обучения).
• Контентные факторы: Признаки (Features) текущего просматриваемого веб-ресурса. В патенте упоминаются: URL, ключевые слова, связанные с контентом, автор, дата публикации.
• Технические факторы:
  • Browser Application State и Display State.
  • Current State блока рекомендаций (Visual/Virtual).
  • Тип устройства (Device Type) — упоминается в описании патента как возможный фактор для выбора группы LUT.
• Мультимедиа факторы: Тип рекомендуемого контента (текст, изображение, видео, аудио) — упоминается в патенте (Claim 10 и описание) как фактор для выбора LUT.

Какие метрики используются и как они считаются

• Recommendation Score: Выход алгоритма машинного обучения (MLA). Интегральная оценка, определяющая целесообразность показа рекомендации.
• Confidence Level Parameter: Ключевая метрика в составе Score. Представляет собой вероятность (probability) того, что пользователь заинтересуется контентом. Используется для проверки пороговых значений и для выбора Lookup Table.
• Обучение MLA: Модель обучается на основе взаимодействий пользователей с тренировочными блоками рекомендаций (training recommendation blocks) (Claim 5). В описании патента указан вариант обучения с привлечением асессоров (human assessors), которые размечали рекомендации как полезные (positive examples) или бесполезные (negative examples) на основе их вовлечения (например, времени просмотра). MLA учится коррелировать признаки веб-ресурса с этими оценками.
• Lookup Tables (LUTs): Заранее сконструированные (например, вручную администратором) таблицы, которые определяют механику отображения. Они не вычисляются динамически, а выбираются из готового набора.

Выводы

1. Разделение оценки контента и логики показа: Яндекс четко разделяет процесс оценки качества рекомендации (MLA, Confidence Level) и механизм ее отображения (Presentation Algorithm, Lookup Tables).
2. Ценность контента определяет его заметность: Ключевой вывод патента — чем выше предсказанная вероятность интереса (Confidence Level), тем более заметный (prominent) формат отображения будет использован. Система динамически адаптирует навязчивость интерфейса к ценности контента.
3. Контекст и действия пользователя критичны: Показ рекомендаций зависит не только от контента, но и от текущего контекста (Browser State) и конкретных действий пользователя (User Actions), таких как скроллинг до конца страницы или жесты.
4. Управление повторными показами: Система использует концепцию Virtual States (невидимых состояний), чтобы избежать повторного показа рекомендаций после того, как пользователь уже с ними взаимодействовал (Claim 17), улучшая UX.
5. Важность Engagement для обучения: Метрики вовлеченности (клики, время просмотра) используются для обучения MLA, который определяет Confidence Level. Чем лучше контент вовлекает, тем выше будет его оценка в будущем.

Практика

Best practices (это мы делаем)

Хотя патент не относится напрямую к SEO-ранжированию, он критически важен для оптимизации под рекомендательные системы Яндекса (например, Дзен) и максимизации трафика из Яндекс Браузера.

• Максимизация вовлеченности (Engagement): Создавайте контент, который максимально удерживает внимание пользователя. Время просмотра и взаимодействие с контентом являются основой для обучения MLA. Высокая вовлеченность ведет к более высокому Confidence Level.
• Стимулирование высокого Confidence Level: Чем выше Confidence Level вашего контента, тем более заметный (prominent) формат отображения выберет система (согласно Claim 15). Это напрямую увеличивает вероятность клика и охват.
• Оптимизация метаданных и контента: Убедитесь, что контент содержит четкие признаки (качественные заголовки, авторство, релевантные ключевые слова), которые используются Content Recommendation Server для подбора релевантных рекомендаций и MLA для оценки качества.
• Поощрение дочитываемости: Поскольку достижение конца страницы является важным триггером (User Action) для показа рекомендаций, структурируйте контент так, чтобы мотивировать пользователей дочитать его до конца.

Worst practices (это делать не надо)

• Использование кликбейта и создание низкокачественного контента: Контент, который пользователи быстро закрывают, генерирует негативные сигналы для обучения MLA. Это приведет к снижению Confidence Level для вашего контента или домена в будущем.
• Игнорирование показателей отказов и времени на сайте: Низкая вовлеченность приведет к тому, что ваш контент либо не пройдет пороговое значение для показа в рекомендациях, либо будет показан в наименее заметных форматах (например, маленький сниппет вместо большого блока).

Стратегическое значение

Патент подтверждает стратегический фокус Яндекса на развитии рекомендательных продуктов и глубокой интеграции их в пользовательские интерфейсы (браузер). Для издателей и SEO-специалистов это означает, что качество контента и метрики вовлеченности являются определяющими факторами для получения трафика из экосистемы Яндекса. Система построена так, чтобы поощрять лучший контент максимальной видимостью и пессимизировать контент низкого качества.

Практические примеры

Сценарий 1: Контент высокого качества (Высокий Confidence Level)

1. Ситуация: Пользователь читает статью в Яндекс Браузере и доскролливает до конца (User Action + Display State).
2. Действие системы: MLA анализирует рекомендуемую статью (например, глубокий аналитический разбор с хорошими историческими метриками вовлеченности) и определяет Confidence Level = 90%.
3. Выбор логики: Сервер выбирает Lookup Table (LUT), соответствующую диапазону 80-100%.
4. Результат: LUT предписывает показать рекомендацию в максимально заметном формате (например, большой развернутый блок, занимающий значительную часть экрана), так как система уверена в ценности контента.

Сценарий 2: Контент среднего качества (Низкий Confidence Level)

1. Ситуация: Та же самая. Пользователь доскролливает до конца статьи.
2. Действие системы: MLA анализирует рекомендуемую статью (например, короткая новость с посредственными метриками) и определяет Confidence Level = 25% (выше порога, но низкий).
3. Выбор логики: Сервер выбирает LUT, соответствующую диапазону 20-40%.
4. Результат: LUT предписывает показать рекомендацию в минимально навязчивом формате (например, небольшой сниппет внизу экрана), который легко проигнорировать.

Сценарий 3: Управление повторным показом (Virtual State)

1. Ситуация: Пользователь увидел рекомендацию (Сценарий 1 или 2) и кликнул по ней. Система получает сигнал о взаимодействии.
2. Действие системы: Сервер фиксирует взаимодействие и может проинструктировать браузер изменить Current State этого блока рекомендаций на специфическое Virtual State (невидимый) для данной сессии или периода времени (Claim 17).
3. Результат: Если пользователь вернется на исходную страницу и снова доскроллит до конца, LUT получит на вход измененный Current State. Логика LUT может предписать Next State=«Virtual», и рекомендация не будет показана повторно.

Вопросы и ответы