Как Яндекс использует клики по рекламе как прокси для предсказания ее фактической видимости (Visibility Score)

Описание

Какую задачу решает

Патент решает фундаментальную проблему в моделях онлайн-рекламы, основанных на показах (impression-based или cost per view): сложность точного определения того, действительно ли пользователь увидел рекламное сообщение (targeted message). Это затрудняет создание точных обучающих данных (training data) для ML-моделей, прогнозирующих видимость. Патент предлагает метод генерации таких данных с использованием прокси-метрик.

Что запатентовано

Запатентован метод и система для обучения алгоритма машинного обучения (MLA) прогнозированию Visibility Score (Оценки Видимости) – вероятности того, что рекламное сообщение будет увидено пользователем. Суть изобретения заключается в использовании Activity Parameter (Параметра Активности), такого как клик или наведение курсора, в качестве прокси (заменителя) для факта просмотра. Система обучается, итеративно показывая одно и то же объявление одному пользователю в разных рекламных слотах, чтобы изолировать влияние позиции на взаимодействие.

Как это работает

Система работает в двух фазах. В фазе обучения (Training Phase) система собирает данные: одному и тому же пользователю в разное время показывается одно и то же тренировочное объявление, но в разных рекламных слотах (Targeted Message Slots). Система отслеживает взаимодействия (Activity Parameter). На основе этих данных MLA учится связывать позицию слота с вероятностью взаимодействия (прокси видимости). В фазе использования (In-Use Phase) обученная модель (Inferred Function) прогнозирует Visibility Score для конкретного слота, который затем используется в рекламном аукционе (Impression Bid Process).

Актуальность для SEO

Высокая (для сферы AdTech). Верификация показов и оценка видимости рекламы (Viewability) являются критически важными задачами в индустрии цифровой рекламы, особенно для медийной рекламы и моделей оплаты за просмотр (Pay-Per-View/CPM).

Важность для SEO

Влияние на SEO минимальное (1/10). Патент полностью относится к сфере рекламных технологий (AdTech) и описывает внутренние механизмы Яндекс.Директ или РСЯ для оценки видимости рекламных блоков. Он не содержит информации об алгоритмах органического ранжирования, индексации или факторах, влияющих на позиции сайтов в органической выдаче.

Детальный разбор

Термины и определения

Activity Parameter (Параметр Активности)

Метрика, указывающая на взаимодействие пользователя с рекламным сообщением. В патенте это клик (click activity) или наведение курсора (hover activity). Используется как прокси (proxy) для определения факта просмотра рекламы во время обучения модели.

Inferred Function (Выведенная функция)

Математическая модель, сгенерированная MLA в процессе обучения. Эта функция принимает на вход характеристики рекламного слота и контекст, а выдает прогноз Visibility Score.

MLA (Machine Learning Algorithm)

Алгоритм машинного обучения, используемый для построения модели прогнозирования видимости.

Position-Activity Feature (Признак Позиция-Активность)

Ключевой признак обучения, отражающий взаимосвязь между местоположением (location) рекламного сообщения и параметром активности (взаимодействием).

Targeted Message (Целевое сообщение)

Рекламное объявление (баннер, медийная реклама и т.д.).

Targeted Message Slot (Слот для целевого сообщения)

Определенное место на веб-странице (веб-ресурсе), предназначенное для размещения рекламы.

Visibility Score (Оценка Видимости)

Прогнозная величина, указывающая на вероятность того, что рекламное сообщение, размещенное в определенном слоте, будет увидено пользователем.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методологии обучения модели прогнозирования видимости рекламы, используя поведенческие данные как прокси.

Claim 1 (Независимый пункт): Описывает основной процесс обучения MLA.

1. Генерация обучающего набора данных (Training Dataset). Это включает:
   1. Получение набора тренировочных рекламных сообщений для размещения на тренировочном веб-ресурсе с несколькими слотами.
   2. Показ ресурса пользователю в первый момент времени: определенное объявление размещается в первом слоте.
   3. Показ ресурса тому же пользователю в последующий момент времени: то же самое объявление размещается в другом слоте. (Это ключевой шаг для изоляции влияния позиции от интереса к объявлению).
   4. Отслеживание Activity Parameter (взаимодействия) для этого объявления в обоих слотах.
   5. Формирование датасета, включающего: (i) веб-ресурс, (ii) местоположение (слот), (iii) параметр активности для этого местоположения.
2. Обучение MLA. Это включает:
   1. Определение набора признаков, включая Position-Activity Feature (связь между местоположением и взаимодействием).
   2. Генерация Inferred Function (обученной модели) на основе этих признаков. Функция настроена на определение Visibility Score рекламы на основе ее местоположения.

Claim 5 и Claim 6 (Зависимые пункты): Уточняют ключевое предположение патента.

• Обучение использует Activity Parameter (клик или наведение) как прокси для вероятности просмотра рекламы (Claim 5).
• Это основано на формуле (Claim 6):

$$p(click)=p(click|view)*p(view)+p(click|!view)*p(!view)$$

(В описании патента поясняется, что предполагается, что $p(click|!view) = 0$ (нельзя кликнуть, не увидев). Таким образом, вероятность клика становится пропорциональна вероятности просмотра).

Claims 7, 9, 12 (Зависимые пункты): Описывают дополнительные признаки для повышения точности модели.

• Claim 7: Добавление Content-Activity Feature. Учитывается тематика контента (Content Topic) веб-ресурса.
• Claim 9: Добавление Device-Activity Feature. Учитывается тип устройства (Device Type).
• Claim 12: Добавление Preference-Activity Feature. Учитывается профиль пользователя (User Profile) и его навигационные привычки.

Claim 14 (Зависимый пункт): Описывает фазу использования (In-Use Phase).

• Система выполняет процесс аукциона показов (Impression Bid Process), используя обученную модель для определения Visibility Score слотов перед размещением рекламы.

Где и как применяется

Патент не относится к архитектуре органического поиска Яндекс (CRAWLING, INDEXING, QUERY PROCESSING, RANKING, BLENDER). Он описывает механизмы, работающие в рамках рекламной инфраструктуры (AdTech), в компоненте Advertisement Application (например, РСЯ или Директ).

Офлайн-процессы (Training Phase)

• Сбор данных и логирование: Система взаимодействует с серверами показа рекламы и системами трекинга для сбора Activity Parameters. Ключевым является процесс генерации тренировочных данных, где система намеренно управляет позицией показа объявления для конкретного пользователя.
• Обучение модели: MLA обучается на собранных данных для создания Inferred Function.

Онлайн-процессы (In-Use Phase)

• Рекламный аукцион (Impression Bid Process): Когда пользователь запрашивает страницу (будь то SERP или сайт в РСЯ), активируется рекламный аукцион.
• Прогнозирование: Обученная модель (MLA) в реальном времени принимает на вход данные о доступных рекламных слотах, типе устройства пользователя, тематике страницы и профиле пользователя.
• Выходные данные: Модель возвращает Visibility Score для каждого слота.
• Принятие решения: Система аукциона использует этот скор для выбора рекламы и определения цены показа (особенно в моделях Pay-Per-View).

На что влияет

• Конкретные типы контента: Влияет исключительно на Targeted Messages (рекламные объявления). Не влияет на органический контент.
• Специфические запросы/Ниши/Форматы: Применяется ко всем запросам, тематикам и форматам рекламы, где отображается реклама Яндекса (РСЯ и Поиск), особенно к медийной рекламе (Media Ad, Claim 17).

Когда применяется

• Training Phase: Происходит непрерывно или периодически офлайн по мере накопления новых данных о взаимодействиях пользователей с рекламой в разных позициях.
• In-Use Phase: Активируется в реальном времени при каждой загрузке веб-страницы, содержащей рекламные слоты Яндекса, во время проведения рекламного аукциона.

Пошаговый алгоритм

Алгоритм описывает фазу обучения (Training Phase).

1. Подготовка данных: Система извлекает набор тренировочных рекламных сообщений и определяет тренировочный веб-ресурс с несколькими рекламными слотами.
2. Первый показ (First Instance): Когда тренировочный пользователь запрашивает веб-ресурс, система размещает определенное тренировочное объявление (Ad X) в первом рекламном слоте (Slot A) и отображает страницу пользователю.
3. Последующий показ (Subsequent Instance): Когда тот же тренировочный пользователь снова запрашивает этот веб-ресурс, система размещает то же самое тренировочное объявление (Ad X) в другом рекламном слоте (Slot B) и отображает страницу.
4. Отслеживание активности: Система отслеживает Activity Parameter (клик, наведение курсора) для объявления Ad X в каждом из показанных слотов (Slot A и Slot B).
5. Генерация датасета: Формируется обучающий набор данных. Каждая запись включает: (i) идентификатор веб-ресурса, (ii) идентификатор местоположения (слота), (iii) зафиксированный параметр активности для этого слота. Опционально добавляются контекстные данные (пользователь, устройство, тематика).
6. Определение признаков: Система определяет набор признаков для обучения MLA. Ключевым является Position-Activity Feature. Также могут использоваться Content-Activity Feature, Device-Activity Feature, Preference-Activity Feature.
7. Обучение модели: MLA обучается на этих признаках для генерации Inferred Function, которая способна предсказывать Visibility Score.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Критически важные данные. Используется Activity Parameter (клик или наведение курсора) как основная целевая переменная для обучения (прокси видимости).
• Структурные факторы: Местоположение (Location) рекламного слота на странице.
• Пользовательские факторы: User Profile (характеристики веб-навигации пользователя, интересы). Используется для Preference-Activity Feature.
• Технические факторы: Тип устройства (Device Type) – десктоп, смартфон, планшет; размер экрана. Используется для Device-Activity Feature.
• Контентные факторы: Тематика контента (Content Topic) веб-ресурса, на котором размещается реклама. Используется для Content-Activity Feature.

Какие метрики используются и как они считаются

• Activity Parameter: Часто реализуется как бинарный параметр (1 = было взаимодействие, 0 = не было) (Claim 4).
• Visibility Score: Прогнозная вероятность (например, 0.7 или 70%), рассчитываемая Inferred Function на фазе использования.
• Формула прокси-предположения: Ключевым элементом является математическое обоснование использования клика как прокси для просмотра. Используется формула условной вероятности (Claim 6):

$$p(click)=p(click|view)*p(view)+p(click|!view)*p(!view)$$

Принимая $p(click|!view) = 0$ (нельзя кликнуть, не увидев), формула упрощается до $p(click)=p(click|view)*p(view)$. При контролируемых условиях (один пользователь, одно объявление) это позволяет использовать $p(click)$ для оценки $p(view)$, так как вероятность клика становится пропорциональна вероятности просмотра ($p(click) \propto p(view)$).

Выводы

1. Патент строго об AdTech, не о SEO: Изобретение полностью посвящено технологиям показа рекламы (AdTech), в частности, прогнозированию видимости объявлений (Viewability). Он не содержит информации об алгоритмах органического ранжирования и не имеет практической ценности для разработки SEO-стратегий продвижения.
2. Взаимодействие как прокси видимости: Яндекс использует взаимодействие пользователя (клик, наведение курсора — Activity Parameter) как заменитель (прокси) для факта просмотра рекламы, так как последний сложно измерить напрямую.
3. Изоляция влияния позиции: Ключевая инновация в методе обучения — это сбор данных путем показа одного и того же объявления одному и тому же пользователю, но в разных позициях. Это позволяет модели точно понять, как именно местоположение влияет на вероятность взаимодействия (и, следовательно, на видимость).
4. Многофакторная оценка видимости: Финальный Visibility Score зависит не только от позиции (Position-Activity Feature), но может также учитывать контекст: тип устройства, тематику сайта и поведенческие привычки пользователя.
5. Цель — оптимизация аукциона: Конечная цель системы — использовать предсказанные Visibility Scores во время рекламного аукциона (Impression Bid Process) для более эффективного ценообразования и размещения, особенно для Pay-Per-View моделей.

Практика

Best practices (это мы делаем)

Патент описывает внутренние процессы рекламной системы Яндекс (AdTech) и не содержит прямых рекомендаций для органического SEO. Практических выводов для SEO-оптимизации на основе этого патента нет.

(Для специалистов, работающих с РСЯ в качестве паблишеров, патент подчеркивает важность размещения блоков в зонах с высокой вероятностью просмотра для максимизации дохода, так как Яндекс точно измеряет видимость каждого слота с учетом устройства и контента).

Worst practices (это делать не надо)

Не применимо к SEO. Патент не направлен против каких-либо SEO-тактик.

Стратегическое значение

Для SEO стратегическое значение минимально. Однако патент дает ценное понимание технических возможностей Яндекса в области анализа пользовательского внимания на уровне макета страницы. Он подтверждает, что Яндекс детально отслеживает и моделирует, какие области страницы пользователи видят и с какими взаимодействуют (клики, наведение курсора). Хотя здесь это используется для рекламы, это подчеркивает общие возможности Яндекса в анализе UX.

Практические примеры

Практических примеров применения для органического SEO нет. Ниже приведен пример работы системы в контексте AdTech.

Сценарий: Обучение модели видимости (AdTech)

1. Пользователь: Иван, регулярно читает новостной сайт example.news.
2. Объявление: Реклама кроссовок (Ad X).
3. Действие системы (Показ 1): В понедельник Иван заходит на сайт. Система показывает Ad X в слоте «Топ страницы» (Slot A). Иван не кликает. Activity Parameter = 0.
4. Действие системы (Показ 2): В среду Иван снова заходит на сайт. Система показывает то же самое Ad X в слоте «Внутри текста статьи» (Slot B). Иван кликает. Activity Parameter = 1.
5. Обучение MLA: Система фиксирует, что для данного пользователя и объявления Slot B дал взаимодействие, а Slot A – нет.
6. Результат: После анализа миллионов таких случаев MLA формирует Inferred Function, которая предсказывает, что на сайте example.news слот Slot B имеет более высокий Visibility Score (например, 80%), чем Slot A (например, 50%).

Вопросы и ответы