Как Google использует сигналы вовлеченности пользователей для ранжирования контента в системах без поискового запроса (например, Google Discover)

Термины и определения

Active Resource (Активный ресурс)

Контент, который в данный момент отображается на устройстве пользователя и находится в фокусе внимания (например, веб-страница, открытое приложение, текстовая переписка). Является источником контекста для генерации рекомендаций.

Contextual Information Server (Сервер контекстной информации)

Серверная система, которая обрабатывает query-independent requests, анализирует активные ресурсы и предоставляет рекомендации.

Measure of User Engagement (Метрика вовлеченности пользователей)

Ключевая метрика для выбора и ранжирования рекомендаций. Количественно определяет, как часто пользователи взаимодействуют с ресурсом. Примеры включают частоту запросов ресурса, высокие показатели выбора (selection rates) в логах поиска, а также данные о совместном просмотре (co-viewed resources).

Query-Independent Request (Запрос, не зависящий от поисковой фразы)

Запрос на получение контекстной информации, который не содержит ключевых слов, введенных пользователем (текстом или голосом). Активируется действием пользователя (например, долгим нажатием кнопки) на основе отображаемого контента.

Resource Identification Engine (Механизм идентификации ресурсов)

Компонент системы, отвечающий за определение контента активного ресурса и поиск релевантных ресурсов-кандидатов.

Resource Selection Engine (Механизм выбора ресурсов)

Компонент системы, который ранжирует ресурсы-кандидаты на основе measures of user engagement и relevance scores и выбирает финальный набор рекомендаций.

Search Item (Элемент поиска / Сущность)

Концепция, сущность, ключевое слово или объект в графе знаний, идентифицированный в активном ресурсе. Используется для поиска связанных ресурсов.

Relevance Score (Оценка релевантности)

Метрика, отражающая степень уверенности в том, что ресурс будет интересен пользователю, просматривающему активный ресурс.

User Engagement Engine (Механизм оценки вовлеченности)

Компонент, вычисляющий Measure of User Engagement для ресурсов-кандидатов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления контекстной информации без явного запроса.

1. Система получает от устройства query-independent request для информации, релевантной active resource, отображаемому на устройстве. (Важно: запрос не содержит введенных пользователем параметров).
2. Определяется содержание active resource.
3. Идентифицируются множественные ресурсы, релевантные этому содержанию.
4. Для каждого идентифицированного ресурса определяется соответствующая measure of user engagement.
5. Один или несколько ресурсов выбираются на основе этих measures of user engagement.
6. Устройству предоставляется user interface element (например, карточка) с навигационными ссылками на выбранные ресурсы.

Ядро изобретения — использование метрик вовлеченности пользователей для выбора (ранжирования) контента, предоставляемого в ответ на контекстный, а не явный поисковый запрос.

Claim 2 (Зависимый от 1): Детализирует один из методов идентификации релевантных ресурсов.

Идентификация включает определение множества search items (сущностей/концепций) из контента активного ресурса и последующий поиск ресурсов, релевантных этим search items.

Claim 3 (Зависимый от 1): Детализирует альтернативный метод идентификации релевантных ресурсов.

Идентификация включает определение ресурсов, которые часто просматриваются пользователями, просматривающими активный ресурс (механизм совместного просмотра или co-viewing).

Claim 5 (Зависимый от 1): Уточняет, как определяется measure of user engagement.

Метрика основывается на количестве запросов (requests) данного ресурса (т.е. его популярности или трендовости).

Claim 6 (Зависимый от 1): Уточняет критерии выбора ресурсов.

Выбор ресурсов основывается как минимум на measures of user engagement и relevance scores ресурсов, идентифицированных на основе контента активного ресурса.

Claim 8 (Зависимый от 1): Уточняет определение measure of user engagement.

Метрика основывается, по крайней мере частично, на том, как часто пользователи взаимодействуют с ресурсом, когда он им показывается (например, CTR).

Где и как применяется

Изобретение описывает работу рекомендательных систем, которые функционируют параллельно с традиционным поиском, но активируются контекстом, а не запросом (например, Google Discover, Google Now on Tap).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит предварительная обработка данных, необходимых для работы системы:

• Извлечение сущностей (search items) из ресурсов и их связь с графом знаний.
• Анализ логов (поисковых, браузерных) для вычисления глобальных measures of user engagement для ресурсов (трендовость, популярность, CTR).
• Расчет связей совместного просмотра (co-viewing) между ресурсами.

Real-Time Context Analysis (Аналог QUNDERSTANDING для контекста)
Когда пользователь инициирует query-independent request, система в реальном времени анализирует active resource. Это включает:

• Получение данных об активном ресурсе (скриншот, DOM-модель, URL, текст).
• Извлечение текста (например, с помощью OCR из скриншота или парсинга DOM).
• Идентификация ключевых search items (сущностей) в контенте.

RANKING (Ранжирование рекомендаций)
Процесс отбора и сортировки рекомендаций:

• Retrieval (Отбор кандидатов): Поиск ресурсов, связанных с идентифицированными сущностями, ИЛИ поиск ресурсов, часто просматриваемых совместно с активным ресурсом.
• Scoring (Оценка): Получение measures of user engagement и расчет relevance scores для кандидатов.
• Selection (Выбор): Финальный выбор и ранжирование ресурсов на основе комбинации этих оценок, с акцентом на вовлеченность.

Входные данные:

• Query-independent request.
• Данные об Active Resource (URL, скриншот, DOM-модель, извлеченный текст).
• Опционально: метаданные (местоположение пользователя, идентификатор пользователя).
• База данных ресурсов с предварительно рассчитанными метриками вовлеченности и связями сущностей.

Выходные данные:

• User interface element (например, карточка или карусель).
• Набор отсортированных навигационных ссылок на рекомендованные ресурсы.

На что влияет

• Типы контента: Влияет на все типы индексируемого контента, включая веб-страницы, страницы приложений и даже контент текстовых переписок (упомянуто в патенте). Особенно сильно влияет на контент, который быстро набирает популярность (тренды).
• Специфические запросы: Применяется в сценариях без запроса. Влияет на трафик, основанный на интересах пользователя и его текущем контексте.
• Ниши и тематики: Влияет на все тематики, но особенно заметно в новостях, развлечениях, хобби, где пользователи часто ищут дополнительную информацию по теме, которую изучают.

Когда применяется

• Триггеры активации: Система активируется явным действием пользователя, которое интерпретируется как query-independent request (например, долгое нажатие кнопки, специальный жест).
• Условия работы: Применяется, когда система может определить содержание active resource и найти для него релевантные ресурсы с достаточными measures of user engagement.

Пошаговый алгоритм

Этап 1: Инициация и сбор контекста

1. Пользователь взаимодействует с устройством (например, долгое нажатие), просматривая active resource.
2. Клиентский модуль фиксирует это действие и генерирует query-independent request.
3. К запросу прикрепляются данные об active resource (например, скриншот, DOM-модель, URL) и опциональные метаданные (например, местоположение).
4. Запрос отправляется на Contextual Information Server.

Этап 2: Анализ ресурса и идентификация кандидатов

1. Сервер получает запрос и анализирует контент active resource (например, применяет OCR к скриншоту или парсит DOM).
2. Система идентифицирует ресурсы-кандидаты, используя один или несколько методов:
   1. Метод сущностей: Идентифицируются search items (сущности) в контенте. Система ищет ресурсы, релевантные этим сущностям.
   2. Метод совместного просмотра: Система определяет URL активного ресурса и ищет другие ресурсы, которые часто просматриваются пользователями, посещавшими этот URL.
3. Для кандидатов могут быть рассчитаны предварительные Relevance Scores.

Этап 3: Оценка вовлеченности и выбор

1. User Engagement Engine определяет Measure of User Engagement для каждого ресурса-кандидата. Это может включать проверку трендовости, частоты запросов или CTR из логов.
2. Resource Selection Engine выбирает финальный набор ресурсов. Выбор основывается на Measures of User Engagement (возможно, с учетом пороговых значений) и может также учитывать Relevance Scores.
3. Система может применять весовые коэффициенты к вовлеченности и релевантности, возможно, в зависимости от источника активного ресурса (например, развлекательный сайт против образовательного).

Этап 4: Предоставление результатов

1. Система генерирует User Interface Element (карточку) с навигационными ссылками на выбранные ресурсы.
2. Карточка отправляется на устройство пользователя и отображается поверх active resource.

Какие данные и как использует

Данные на входе

Система использует несколько типов данных, как получаемых в реальном времени, так и предварительно рассчитанных.

• Контентные факторы (Active Resource): Текст активного ресурса (извлеченный через OCR или DOM), изображения (для визуального анализа), структура документа (DOM-модель). Используются для понимания контекста и извлечения search items.
• Технические факторы: URL активного ресурса. Используется для идентификации ресурса и анализа данных о совместном просмотре.
• Поведенческие факторы (User Engagement): Это критически важные данные для ранжирования.
  • Логи запросов (Search query logs): Используются для определения популярности ресурсов и показателей выбора (selection rates / CTR).
  • Логи приложений/браузеров: Используются для определения частоты запросов ресурса и выявления трендов.
  • Данные о совместном просмотре (Co-viewing data): Логи, показывающие, какие ресурсы пользователи просматривают последовательно или в рамках одной сессии.
• Пользовательские факторы: Местоположение устройства и идентификатор пользователя упоминаются как возможные дополнительные данные для уточнения рекомендаций.

Какие метрики используются и как они считаются

• Measure of User Engagement (Метрика вовлеченности пользователей): Основная метрика ранжирования. Рассчитывается на основе:
  • Частоты запросов ресурса (популярность/трендовость).
  • Показателей выбора (Selection Rates / CTR) – как часто пользователи взаимодействуют с ресурсом, когда он им показан.
  • Совместного просмотра (Co-occurrence) – частота просмотра ресурса относительно активного ресурса.
• Relevance Score (Оценка релевантности): Метрика, определяющая степень соответствия ресурса-кандидата контексту активного ресурса (например, через связь с извлеченными search items).
• Engagement Threshold (Порог вовлеченности): Пороговое значение Measure of User Engagement, необходимое для того, чтобы ресурс был рассмотрен для рекомендации.
• Взвешивание метрик: Система может комбинировать Measure of User Engagement и Relevance Score, применяя к ним весовые коэффициенты, которые могут зависеть от источника (source) активного ресурса.

1. Вовлеченность — ключевой фактор ранжирования для Queryless Search: Патент явно указывает, что финальный выбор рекомендаций в системах без явного запроса (как Google Discover) основывается на measures of user engagement. Это фундаментальное отличие от традиционного поиска, где релевантность запросу играет первостепенную роль.
2. Многогранность метрик вовлеченности: Вовлеченность не является единой метрикой. Она включает популярность (количество запросов), трендовость, показатели кликабельности (CTR / Selection Rates) и данные о совместном просмотре (co-viewing).
3. Контекст вместо запроса: Система использует active resource как источник контекста. Понимание того, как Google интерпретирует контент страницы (через извлечение search items/сущностей), критично для попадания в рекомендации, связанные с этой страницей.
4. Два пути идентификации контента: Google может находить связанный контент двумя основными способами: (1) через общие сущности (Entity-based matching) и (2) через поведенческие паттерны (Co-viewing). Это означает, что контент может быть рекомендован, даже если он не идеально совпадает по сущностям, но часто потребляется той же аудиторией.
5. Релевантность по-прежнему важна, но вторична: Хотя вовлеченность является ключевой, Relevance Scores также используются в процессе выбора (Claim 6). Контент должен быть одновременно и релевантным контексту, и привлекательным для пользователей.

Best practices (это мы делаем)

• Оптимизация под вовлеченность (Engagement Optimization): Сосредоточьтесь на создании контента, который вызывает высокий интерес у пользователей. Это включает работу над заголовками и изображениями для максимизации CTR, а также над качеством контента для увеличения времени взаимодействия. Метрики user engagement являются прямым фактором ранжирования в этой системе.
• Создание трендового и вирального контента: Поскольку популярность (количество запросов) является компонентом measure of user engagement, создание актуального, своевременного контента, который быстро распространяется, увеличивает шансы на попадание в рекомендации.
• Оптимизация под сущности (Entity Optimization): Убедитесь, что Google четко понимает основные сущности (search items) вашего контента. Используйте структурированные данные и ясный язык. Это помогает системе на этапе идентификации кандидатов (Claim 2).
• Построение поведенческих связей (Co-viewing): Развивайте сайт так, чтобы пользователи потребляли несколько единиц контента за сессию. Качественная перелинковка и блоки рекомендаций помогают формировать паттерны совместного просмотра, которые Google использует для идентификации связанных ресурсов (Claim 3).
• Анализ аудитории и интересов: Понимайте, какой еще контент потребляет ваша целевая аудитория. Создание контента, который соответствует этим смежным интересам, может привести к рекомендациям через механизм co-viewing.

Worst practices (это делать не надо)

• Исключительный фокус на ключевых словах: В системах, описанных этим патентом, ключевые слова пользователя отсутствуют. Оптимизация только под традиционный поиск игнорирует механизмы ранжирования, основанные на вовлеченности и сущностях.
• Кликбейт низкого качества: Использование кликбейта для искусственного завышения CTR при низком качестве контента может дать краткосрочный эффект, но в долгосрочной перспективе приведет к низким общим метрикам вовлеченности (например, короткое время взаимодействия) и пессимизации.
• Игнорирование визуальной привлекательности: В рекомендательных системах (например, Discover) визуальное представление (изображения, превью) критично для привлечения клика. Пренебрежение качеством визуальных активов снижает selection rates.
• Создание изолированного контента: Публикация статей, которые слабо связаны с остальным контентом сайта или интересами аудитории, затрудняет формирование сильных сигналов совместного просмотра.

Стратегическое значение

Этот патент подтверждает стратегическую важность диверсификации источников трафика за пределы традиционного поиска. SEO-стратегия должна явно включать оптимизацию под рекомендательные системы (Queryless Search). Это требует смещения фокуса с технической и текстовой оптимизации на глубокое понимание интересов аудитории, оптимизацию вовлеченности (Engagement Optimization) и построение авторитетности вокруг сущностей. Успех в этой области зависит от способности генерировать контент, который пользователи активно выбирают и потребляют.

Практические примеры

Сценарий: Оптимизация статьи для попадания в Google Discover (Queryless Recommendation)

Задача: Увеличить трафик на новостную статью о запуске нового смартфона "Phone X".

1. Оптимизация сущностей (Claim 2): Убедиться, что "Phone X" четко идентифицируется как основная сущность (search item). Использовать разметку Schema.org (Product/NewsArticle).
2. Оптимизация под вовлеченность (Claims 1, 8):
   • Заголовок: Создать интригующий, но честный заголовок для максимизации CTR (selection rate). Например, "Phone X запущен: 5 функций, которые меняют правила игры".
   • Изображение: Использовать высококачественное, уникальное изображение (минимум 1200px) для привлечения внимания в ленте рекомендаций.
3. Стимулирование популярности (Claim 5): Максимально быстро распространить статью через социальные сети, email-рассылки и пуш-уведомления сразу после публикации. Резкий рост запросов к ресурсу увеличит его measure of user engagement (трендовость).
4. Формирование совместного просмотра (Claim 3): Разместить в статье блоки ссылок на связанные материалы, которые часто просматривают читатели обзоров смартфонов (например, "Сравнение Phone X и Phone Y", "Лучшие аксессуары для Phone X"). Это помогает Google установить поведенческую связь между этими ресурсами.

Ожидаемый результат: Система идентифицирует статью как релевантную сущности "Phone X" и фиксирует высокие метрики вовлеченности (высокий CTR и трендовость), что приводит к ее активному показу в лентах рекомендаций пользователей, интересующихся смартфонами.