Слив API Google предоставляет информацию о том, как поисковая...

109

Слив API Google предоставляет информацию о том, как поисковая система обрабатывает и понимает видеоконтент.

Два ключевых понятия - это NavBoost и Rank Embedding.

NavBoost-запросы - это поисковые термины и паттерны навигации, которые идентифицируют видео, связанные с конкретными поисковыми запросами.

Например, если пользователи часто ищут "рецепт шоколадного торта", и определенное видео стабильно занимает высокие позиции, этот запрос является NavBoost-запросом для данного видео.

Термин "якорные запросы" (anchor queries), вероятно, относится к главам YouTube-видео, позволяющим пользователям переходить к различным разделам с помощью таймкодов.

Якорные запросы - это поисковые термины, привязанные к конкретным главам видео.

В сливе выделяется несколько атрибутов, связанных с якорями NavBoost:

— Якорный текст: Текст для глав видео, например "Введение", "Ингредиенты" и "Приготовление".

Оптимизация этих заголовков с помощью релевантных ключевых слов может помочь идентифицировать конкретные сегменты видео, релевантные определенным запросам.

— NavBoost-текст: Фактический текст NavBoost-запроса, использующий данные о взаимодействии пользователей и паттернах навигации для повышения релевантности глав видео, выделяя наиболее подходящие части для конкретных запросов.

— Источник: Хотя это не совсем ясно, данный атрибут, вероятно, относится к надежности и точности NavBoost-запроса, влияя на уровень доверия к нему в алгоритмах ранжирования.

Чтобы оптимизировать видеоконтент на основе этих данных, можно:

1. Стратегически планировать главы видео, включая релевантные ключевые слова и фразы

2. Использовать подсказки поиска YouTube и видеопоиска Google для выявления популярных и связанных терминов

3. Вовлекать зрителей через комментарии, лайки и шеры для генерации большего количества точек данных для NavBoost-запросов

4. Обеспечить полноту и точность метаданных видео, включая заголовки, описания, теги и субтитры

Rank Embedding, еще одно понятие из слива, относится к тому, как видео представлены в векторном пространстве.

Расстояние между векторами представляет сходство или релевантность между элементами.

Сходства Rank Embedding измеряют, насколько тесно связаны различные элементы (такие как якоря видео, NavBoost-запросы и оригинальные кандидаты запросов) друг с другом в алгоритмах поиска и рекомендаций.

В сливе упоминается несколько атрибутов, связанных с Rank Embedding:

— anchorReSimilarity: Представляет сходство RankEmbed между соседом RankEmbed и якорем видео

— navQueryReSimilarity: Измеряет сходство RankEmbed между соседом RankEmbed и топовым NavBoost-запросом видео

— reSimilarity: Представляет сходство RankEmbed между соседом RankEmbed и оригинальным кандидатом запроса

Они предполагают, что оптимизация глав видео и обеспечение их тесного соответствия релевантным поисковым запросам потенциально может повысить видимость видео в результатах поиска.

https://www.womenintechseo.com/knowledge/digging-into-the-video-content-modules-of-googles-api-leak/

@MikeBlazerX