Как Яндекс оптимизирует платные кампании в рекомендательных системах для гарантии результатов

Описание

Какую задачу решает

Патент решает задачу эффективности и гарантии результатов в системах платного продвижения контента внутри рекомендательных сервисов (таких как Яндекс.Дзен). Ключевая проблема — необходимость гарантировать рекламодателю (Publisher) определенный уровень сервиса (Service Level), например, заданное количество взаимодействий за определенный период, при этом минимизируя затраты вычислительных ресурсов и не ухудшая пользовательский опыт. Система стремится избежать показа продвигаемого контента слишком широкой и менее релевантной аудитории, оптимизируя охват для точного достижения цели.

Что запатентовано

Запатентован метод оптимизации таргетинга для выполнения гарантий по продвижению контента. Суть изобретения — в расчете индивидуальной вероятности взаимодействия пользователя с продвигаемым элементом и определении порогового значения этой вероятности. Система показывает продвигаемый контент только тем пользователям, чья вероятность взаимодействия выше порога. Этот порог рассчитывается так, чтобы охватить минимально необходимую, но наиболее заинтересованную аудиторию, достаточную для достижения заданного уровня сервиса.

Как это работает

Система работает на базе рекомендательного сервиса. Когда поступает запрос на продвижение с гарантией (например, 10000 действий за 1 день), система выполняет несколько шагов. Сначала она оценивает вероятность взаимодействия для каждого пользователя, сравнивая вектор контента с вектором интересов пользователя (например, через угол между векторами). Затем строится распределение пользователей по этим вероятностям. Параллельно система прогнозирует общий доступный трафик (Eusers) за период продвижения. На основе цели кампании, распределения вероятностей и прогноза трафика рассчитывается порог вероятности (Threshold). Контент показывается только пользователям, чья оценка выше этого порога.

Актуальность для SEO

Высокая. Технология актуальна для любых систем с персонализированными лентами и платным продвижением (Яндекс.Дзен, Пульс, социальные сети). Оптимизация доставки рекламы и гарантия результатов (например, в моделях CPA или Guaranteed Reach) являются ключевыми требованиями рынка. Использование векторных представлений (embeddings) для моделирования интересов пользователей также является стандартом индустрии.

Важность для SEO

Влияние на органический поиск (SEO) минимальное (2/10). Патент не описывает алгоритмы ранжирования веб-поиска. Он полностью посвящен механике работы платного продвижения (Promotion Service) внутри рекомендательных систем (Recommendation Service). Однако этот патент имеет значение для SEO-специалистов, занимающихся дистрибуцией контента и закупкой трафика на платформах Яндекса. Он раскрывает, насколько точно система таргетирует показы, основываясь на качестве контента и его соответствии интересам аудитории.

Детальный разбор

Термины и определения

Digital Content Item (Элемент цифрового контента)

Единица контента (статья, видео, пост), которую продвигает рекламодатель (Publisher).

Distribution of Probability (Распределение вероятности)

Распределение пользователей сервиса в зависимости от их расчетной вероятности совершить действие над продвигаемым контентом. Часто представляется в виде гистограммы.

Eusers (Estimated Potential Number of Users)

Оценочное количество пользователей, которые потенциально могут увидеть продвигаемый контент в течение целевого периода времени (Tperiod). Прогноз общего доступного трафика.

Publisher (Издатель / Рекламодатель)

Субъект, который запрашивает продвижение своего контента и устанавливает требуемый уровень сервиса.

Recommendation Service (Рекомендательный сервис)

Сервис (например, Яндекс.Дзен), который предоставляет пользователям персонализированную ленту контента.

Service Level (Уровень сервиса)

Гарантированный результат продвижения, определяемый параметрами Tusers и Tperiod.

Threshold of Probability (Порог вероятности)

Минимальное значение вероятности взаимодействия. Контент показывается только пользователям, чья индивидуальная оценка выше этого порога. Рассчитывается для оптимизации охвата.

Tperiod (Target Period of Time)

Целевой период времени, в течение которого должен быть достигнут Tusers.

Tusers (Target Number of Users)

Целевое количество пользователей, которые должны совершить действие (action) над продвигаемым контентом.

Vectors (Векторы)

Численные представления контента (Item Vector) и истории взаимодействий пользователя (User Vector). Используются для оценки схожести интересов.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методе оптимизации показов для достижения гарантированного уровня сервиса при продвижении контента.

Claim 1 (Независимый пункт): Описывает основной метод работы системы.

1. Сервер рекомендательного сервиса получает запрос на продвижение контента с заданным уровнем сервиса, включающим: (i) Целевое количество пользователей, совершивших действие (Tusers), и (ii) Целевой период времени (Tperiod).
2. Сервер рассчитывает распределение вероятности (Distribution) того, что пользователи совершат действие над этим контентом.
3. Этот расчет включает корреляцию данных о контенте и данных об истории взаимодействий пользователей.
4. Корреляция выполняется путем: генерации первого вектора (для контента) и вторых векторов (для истории каждого пользователя), проецирования их в многомерное пространство и вычисления угла между вектором контента и вектором пользователя. Это повторяется для всех пользователей.
5. Сервер оценивает потенциальное количество пользователей (Eusers), которым контент может быть показан в течение Tperiod.
6. Сервер рассчитывает порог вероятности (Threshold) на основе Tusers, рассчитанного распределения и Eusers.
7. Сервер предоставляет (показывает) продвигаемый контент только тем пользователям, чья вероятность в распределении выше рассчитанного порога.

Claims 2, 8, 11, 17: Уточняют, что для генерации векторов, их проецирования и оценки количества пользователей (Eusers) могут использоваться алгоритмы машинного обучения (MLA).

Claims 4-7, 13-16: Уточняют механизм оценки Eusers. Он включает отслеживание исторических данных о трафике сервиса, учет времени суток, недели или года, а также географического положения пользователей и часовых поясов.

Где и как применяется

Важно понимать, что этот патент не относится к архитектуре органического веб-поиска Яндекса (Crawling, Indexing, Ranking, Blender). Он описывает механизмы работы Рекомендательной Системы (например, Яндекс.Дзен) и интегрированной в нее системы Платного Продвижения.

Система Рекомендаций (Recommendation Engine)

• Моделирование интересов: Система использует описанные механизмы (векторизация контента и пользователей, расчет углов) для понимания интересов аудитории. Это базовый компонент для формирования персонализированной ленты.

Система Продвижения (Promotion/Ad Delivery System)

• Таргетинг и Оптимизация: Основное применение патента. Система использует рассчитанные вероятности и порог для определения, кому из пользователей показать продвигаемый материал.
• Прогнозирование трафика: Компонент оценки Eusers отвечает за предсказание доступной емкости аудитории с учетом временных и географических факторов.

Входные данные: Запрос на продвижение (Content ID, Tusers, Tperiod), Вектор контента, Векторы пользователей, Исторические данные о трафике.

Выходные данные: Порог вероятности (Threshold), Список пользователей для показа контента.

На что влияет

• Типы контента: Влияет на любой контент, продвигаемый через рекомендательную систему (статьи, видео, посты).
• Ниши и тематики: Применимо ко всем тематикам. Эффективность зависит от наличия в системе аудитории, чьи векторы интересов близки к вектору продвигаемого контента.
• Географические и временные факторы: Система явно учитывает географию, часовые пояса и время суток/день недели при прогнозировании доступного трафика (Eusers).

Когда применяется

Алгоритм применяется, когда рекламодатель (Publisher) заказывает услугу продвижения с гарантированным уровнем сервиса (Service Level).

• Триггер активации: Получение запроса на продвижение с указанием параметров Tusers и Tperiod.
• Частота применения: Расчеты (векторизация, оценка Eusers) могут выполняться офлайн или периодически. Расчет порога и таргетинг выполняются в момент запуска и, возможно, корректируются в ходе кампании.

Пошаговый алгоритм

Процесс работы системы для выполнения гарантий продвижения.

1. Получение запроса: Сервер получает запрос от рекламодателя на продвижение контента с указанием Tusers (целевое количество действий) и Tperiod (период времени).
2. Корреляция Контента и Пользователей (Процедура 310):
   1. Генерация (или извлечение) вектора продвигаемого контента.
   2. Генерация (или извлечение) векторов истории взаимодействий для пользователей системы.
   3. Сравнение вектора контента с вектором каждого пользователя путем вычисления угла между ними в многомерном пространстве.
   4. Ассоциация оценки (Score/Probability) вероятности взаимодействия для каждого пользователя на основе этого угла (чем меньше угол, тем выше вероятность).
3. Расчет Распределения (Процедура 320): Построение гистограммы распределения пользователей по полученным оценкам вероятности.
4. Оценка Доступного Трафика (Процедура 330):
   1. Анализ исторических данных о трафике рекомендательного сервиса.
   2. Учет характеристик целевого периода Tperiod (время суток, день недели, праздники) и географии пользователей.
   3. Прогнозирование общего потенциального количества пользователей (Eusers), которые будут доступны в системе в течение Tperiod.
5. Расчет Порога (Процедура 340): Вычисление минимального порога вероятности (Threshold). Порог выбирается таким образом, чтобы суммарного количества пользователей с оценкой выше порога (с учетом прогноза Eusers) было достаточно для достижения цели Tusers. Цель — максимизировать порог (т.е. выбрать наиболее заинтересованных) при выполнении гарантии.
6. Таргетированная Доставка: Показ продвигаемого контента в рекомендательной ленте только тем пользователям, чья индивидуальная оценка вероятности взаимодействия превышает рассчитанный Threshold.
7. Мониторинг и Отчетность: Отслеживание количества совершенных действий и предоставление отчета рекламодателю о достижении Service Level.

Какие данные и как использует

Данные на входе

• Контентные факторы: Характеристики продвигаемого контента (текст, метаданные, категория), которые используются для генерации вектора контента (Item Vector).
• Поведенческие факторы: История взаимодействий пользователей с другими элементами контента в рекомендательной системе (клики, лайки, время взаимодействия, скроллинг, шейринг). Эти данные используются для генерации векторов пользователей (User Vector).
• Временные факторы: Данные о времени суток, дне недели, сезоне, праздниках. Используются для прогнозирования трафика (Eusers).
• Географические факторы: Местоположение пользователей, часовые пояса. Также используются для прогнозирования трафика (Eusers).
• Параметры кампании: Целевые показатели Tusers и Tperiod.

Какие метрики используются и как они считаются

• Item Vector и User Vector: Многомерные численные представления. В патенте не указан конкретный метод генерации, но упомянуто использование MLA. Вероятно, используются методы матричной факторизации или нейросетевые эмбеддинги.
• Угол между векторами: Метрика схожести между контентом и интересами пользователя. Чем меньше угол (например, выше косинусная близость), тем выше релевантность.
• Probability Score (Оценка вероятности): Нормализованная оценка вероятности того, что пользователь совершит целевое действие. Выводится на основе угла между векторами.
• Eusers (Прогноз трафика): Оценка количества доступных пользователей. Рассчитывается на основе исторических данных с помощью прогностических моделей (MLA), учитывающих временные и географические паттерны.
• Threshold (Порог): Значение Probability Score, используемое для сегментации аудитории. Рассчитывается путем оптимизационной задачи: найти максимальный порог, при котором цель Tusers достигается с учетом Eusers и распределения вероятностей.

Выводы

1. Патент о платной дистрибуции, не об органическом поиске: Ключевой вывод — патент описывает алгоритмы оптимизации рекламных/платных кампаний в рекомендательных системах Яндекса (например, Дзен), а не ранжирование в органическом поиске.
2. Оптимизация через минимизацию аудитории: Яндекс стремится выполнить гарантии перед рекламодателем (Service Level), показывая контент минимально необходимому количеству пользователей. Это достигается за счет таргетинга на наиболее заинтересованную аудиторию (с наивысшей вероятностью взаимодействия).
3. Векторное моделирование интересов: Основой таргетинга является сравнение векторов контента и пользователей (расчет угла между ними). Это подчеркивает важность семантического соответствия контента интересам аудитории платформы.
4. Прогнозирование доступного трафика: Система учитывает не только интересы, но и доступность аудитории в конкретный момент времени (с учетом времени суток, географии, сезонности) для точного расчета потенциала кампании (Eusers).
5. Качество контента критично для охвата: Чтобы получить широкий охват при высоком пороге (Threshold), контент должен иметь вектор, близкий к векторам интересов большого числа пользователей. Низкокачественный или слишком нишевый контент может потребовать снижения порога для достижения целей, что может быть менее эффективно для рекламодателя.

Практика

Best practices (это мы делаем)

Рекомендации для SEO-специалистов, использующих рекомендательные системы Яндекса для дистрибуции контента и закупки трафика:

• Создание контента, релевантного аудитории платформы: Поскольку таргетинг основан на сравнении векторов контента и интересов пользователей, необходимо создавать материалы, которые семантически соответствуют тому, что аудитория уже потребляет на платформе. Это улучшит вектор контента и повысит вероятность взаимодействия.
• Фокус на вовлечение: Создавайте контент, который стимулирует целевые действия (клики, дочитывания, лайки). Чем выше естественная вовлекающая способность материала, тем выше будет его Probability Score у пользователей, что позволит системе эффективнее достигать целей Tusers.
• Анализ сезонности и времени публикаций: Система учитывает временные и географические факторы при прогнозировании Eusers. Планируйте кампании продвижения на периоды максимальной доступности вашей целевой аудитории для повышения эффективности.

Worst practices (это делать не надо)

• Продвижение нерелевантного контента: Попытка продвигать контент, который семантически далек от интересов аудитории платформы, приведет к низким оценкам вероятности взаимодействия. Системе будет сложно найти пользователей выше порога.
• Использование кликбейта для достижения Tusers: Хотя кликбейт может дать клики, система анализирует всю историю взаимодействий пользователя. Если контент не соответствует ожиданиям, это может негативно повлиять на будущие векторы пользователя по отношению к вашему домену/каналу.
• Игнорирование аналитики платформы: Не анализировать, какие типы контента получают лучший отклик на платформе. Это мешает оптимизировать контент-стратегию для улучшения векторных представлений.

Стратегическое значение

Патент подтверждает высокий уровень развития технологий моделирования пользователей в экосистеме Яндекса. Для SEO-специалистов это сигнал о том, что дистрибуция контента через платформы Яндекса — это не просто закупка показов, а высокоточный таргетинг, основанный на семантическом анализе и поведенческих данных. Стратегия должна заключаться в создании качественного контента, который формирует четкие семантические векторы, совпадающие с интересами целевых сегментов аудитории.

Практические примеры

Сценарий: Продвижение технической статьи по Data Science

1. Задача: SEO-специалист запускает продвижение новой статьи в Яндекс.Дзен с целью получить 5000 дочитываний за 24 часа (Tusers=5000, Tperiod=24h).
2. Действие системы (Векторизация): Система анализирует статью и строит ее вектор. Он близок к темам «Машинное обучение», «Python», «Анализ данных».
3. Действие системы (Сравнение): Система сравнивает этот вектор с векторами пользователей. У пользователей, которые регулярно читают Хабр,VC и технические блоги, угол минимален, а вероятность взаимодействия высока (например, 0.8). У пользователей, читающих только новости спорта, вероятность низкая (например, 0.1).
4. Действие системы (Расчет порога): Система прогнозирует трафик (Eusers) и рассчитывает, что для достижения 5000 дочитываний достаточно показать статью пользователям с вероятностью 0.6 и выше.
5. Результат: Статья показывается только узкому сегменту заинтересованных пользователей (программистам, аналитикам). Цель достигается эффективно, без раздражения незаинтересованной аудитории.

Вопросы и ответы