Как Google объединяет поисковый запрос и профиль пользователя для персонализации выдачи с помощью векторных эмбеддингов (LCR)

Термины и определения

LCR (Latent Collaborative Retrieval)

Латентный коллаборативный поиск. Метод, объединяющий информационный поиск (retrieval) и коллаборативную фильтрацию (рекомендации) путем проецирования запросов, профилей и элементов в общее латентное пространство.

Mathematical Representation (Математическое представление)

Числовое представление данных (запроса, профиля пользователя или элемента). В контексте патента это, как правило, вектор признаков (Feature Vector).

Feature Vector (Вектор признаков)

Вектор, содержащий числовые признаки, описывающие объект. Например, представление "bag-of-words" для запроса или список взаимодействий для профиля.

Uniform Length (Единая длина)

Фиксированная размерность векторов после трансформации. Ключевое свойство, позволяющее сравнивать разнородные данные (например, короткий запрос и длинную историю пользователя) в общем векторном пространстве.

Embedding Vector (Вектор встраивания, Эмбеддинг)

Вектор фиксированной (часто низкой) размерности, полученный после трансформации исходного Feature Vector. Представляет семантику объекта в латентном пространстве.

Transformation Matrix Operation (Операция с матрицей трансформации)

Математический метод, использующий обученные матрицы для преобразования исходных векторов признаков разной длины в Embedding Vectors единой длины.

Similarity Measurement (Измерение схожести)

Метрика для оценки близости между двумя векторами в пространстве эмбеддингов. Примеры: скалярное произведение (dot product) или подсчет общих элементов.

User Profile (Профиль пользователя)

Набор данных о пользователе, включающий историю запросов (query history), историю покупок (purchase history), явно указанные предпочтения (user preferences) и демографические характеристики.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод латентного коллаборативного поиска.

1. Генерация первого математического представления (для Запроса) и второго математического представления (для Профиля пользователя).
2. Доступ к множеству математических представлений для Элементов (документов/товаров).
3. Трансформация всех трех типов представлений (Запрос, Профиль, Элементы) для приведения их к uniform length (единой длине).
4. Генерация первого подмножества результатов (Subset 1) на основе измерения схожести между представлением Запроса и представлениями Элементов.
5. Генерация второго подмножества результатов (Subset 2) на основе измерения схожести между представлением Профиля и представлениями Элементов.
6. Генерация итогового набора результатов на основе Subset 1 и Subset 2.

Ядром изобретения является интеграция двух различных источников релевантности (запроса и профиля) путем приведения их к общему математическому знаменателю (латентному пространству), где они могут быть напрямую сопоставлены с контентом.

Claim 2 (Зависимый): Уточняет, что математические представления являются векторными (vector-based representations).

Claim 3 (Зависимый): Определяет состав User Profile. Он может включать историю запросов, элементы, связанные с пользователем (например, покупки), указанные пользователем предпочтения и характеристики пользователя.

Claim 7 (Зависимый): Детализирует механизм трансформации. Указывается, что для приведения векторов к единой длине используется transformation matrix operation. Это техническое описание процесса создания эмбеддингов с помощью машинного обучения.

Где и как применяется

Изобретение применяется на этапах понимания запроса и ранжирования для обеспечения глубокой персонализации выдачи.

INDEXING – Индексирование и извлечение признаков
На этом этапе извлекаются признаки элементов (документов, товаров) и генерируются их исходные математические представления (plurality of mathematical representations). Они сохраняются в индексе.

QUNDERSTANDING – Понимание Запросов
Входящий запрос обрабатывается и векторизуется (first mathematical representation). Параллельно система получает доступ к User Profile и генерирует его представление (second mathematical representation).

RANKING – Ранжирование / RERANKING – Переранжирование
Основное место применения алгоритма LCR.

1. Трансформация: Векторы запроса, профиля и отобранных кандидатов трансформируются в общее пространство эмбеддингов (uniform length) с использованием предварительно обученных матриц.
2. Вычисление схожести: Рассчитываются две независимые оценки: схожесть Запрос-Элемент и схожесть Профиль-Элемент.
3. Комбинирование и Ранжирование: Оценки комбинируются (например, суммируются) для определения финального ранга элемента в персонализированной выдаче (result set). Это может происходить на этапах L2/L3 ранжирования или как финальное переранжирование.

Входные данные:

• Запрос пользователя.
• Профиль пользователя (история поиска, покупки, предпочтения).
• Математические представления элементов-кандидатов.
• Обученные матрицы трансформации.

Выходные данные:

• Персонализированный ранжированный список элементов (result set).

На что влияет

• Конкретные типы контента: Наибольшее влияние на системы рекомендаций: музыка (явно упоминается в патенте), видео, товары (E-commerce), книги, локальные заведения. Также применимо к веб-поиску в сценариях, где персонализация играет важную роль.
• Специфические запросы: Влияет на неоднозначные или широкие запросы, где история пользователя помогает уточнить интент (например, запрос [Java] для программиста и любителя кофе). Также влияет на коммерческие запросы, где прошлые взаимодействия определяют предпочтения брендов или ценовой сегмент.
• Конкретные ниши или тематики: E-commerce, медиа и развлечения, путешествия, локальный поиск, хобби.

Когда применяется

• При каких условиях работает алгоритм: Алгоритм активируется, когда система может идентифицировать пользователя (логин, cookies, сессия) и имеет достаточный объем данных для построения значимого User Profile.
• Триггеры активации: Степень влияния зависит от уверенности системы в данных профиля и от степени неоднозначности запроса. Если запрос очень специфичен, доминировать будет компонент запроса (Similarity 1). Если запрос общий, а профиль пользователя богат данными, доминировать может компонент профиля (Similarity 2).

Пошаговый алгоритм

Процесс обработки запроса с использованием LCR:

1. Получение данных: Система получает Запрос от пользователя и извлекает его User Profile.
2. Векторизация (Генерация исходных представлений):
   • Запрос преобразуется в First mathematical representation (например, вектор "bag-of-words").
   • Профиль преобразуется в Second mathematical representation (например, вектор взаимодействий с элементами).
3. Доступ к элементам: Система получает доступ к plurality of mathematical representations для элементов-кандидатов.
4. Трансформация (Создание Эмбеддингов): Система применяет обученные Transformation Matrices ко всем трем типам векторов (Запрос, Профиль, Элементы), чтобы привести их к uniform length. В результате создаются Эмбеддинг Запроса, Эмбеддинг Профиля и Эмбеддинги Элементов в общем латентном пространстве.
5. Вычисление Схожести 1 (Релевантность Запросу): Рассчитывается first similarity measurement между Эмбеддингом Запроса и Эмбеддингами Элементов (например, с помощью dot product). Генерируется first result subset.
6. Вычисление Схожести 2 (Релевантность Профилю): Рассчитывается second similarity measurement между Эмбеддингом Профиля и Эмбеддингами Элементов. Генерируется second result subset.
7. Комбинирование и Ранжирование: Результаты из двух подмножеств объединяются. Итоговая оценка (overall similarity measurement) может быть рассчитана как сумма Схожести 1 и Схожести 2. Элементы ранжируются по итоговой оценке.

Какие данные и как использует

Данные на входе

• Контентные факторы: Содержимое элементов (текст веб-страниц, метаданные товаров или треков) используется для создания их векторов (plurality of mathematical representations). Текст входящего запроса используется для создания first mathematical representation.
• Поведенческие факторы: Критически важные данные для User Profile. Используются история покупок (purchase history), предыдущие запросы (previous queries), просмотренные элементы, клики.
• Пользовательские факторы: Используются для User Profile. Включают явно указанные предпочтения (user preferences, лайки/дизлайки) и характеристики пользователя (возраст, пол, местоположение).

Какие метрики используются и как они считаются

• Методы векторизации: Патент упоминает использование методов типа "bag-of-words" для запросов или бинарных векторов для профилей (где 1 означает наличие взаимодействия/покупки, 0 — отсутствие).
• Трансформация (Эмбеддинги): Ключевой механизм. Используются Transformation Matrices для преобразования исходных векторов (часто разреженных и высокоразмерных) в плотные векторы низкой размерности (uniform length). В патенте указано, что эти матрицы строятся с использованием машинного обучения (machine learning).
• Similarity Measurement: Метрика для оценки схожести в пространстве эмбеддингов. Патент явно упоминает dot product operation (скалярное произведение) и подсчет общих элементов как методы определения уровня схожести.
• Агрегация данных: Итоговая оценка релевантности (overall similarity measurement) рассчитывается путем комбинирования двух отдельных оценок схожести. Патент предлагает суммирование (summing) как способ расчета итоговой метрики.

1. Персонализация через общее векторное пространство: Патент описывает фундаментальный механизм персонализации. Он показывает, как Google проецирует разнородные данные — текст запроса, историю поведения пользователя и контент документов — в общее латентное пространство (latent space) с помощью эмбеддингов.
2. Двойная оценка релевантности: Система явно разделяет, а затем объединяет два вида релевантности: релевантность сиюминутному запросу (Query Relevance) и релевантность долгосрочному профилю пользователя (Profile Relevance). Профиль пользователя фактически действует как второй, неявный запрос.
3. Критичность поведенческих данных: Работа алгоритма LCR напрямую зависит от качества и объема накопленных данных о пользователе (User Profile). История поиска, клики и взаимодействия являются топливом для этой системы персонализации.
4. Эмбеддинги как основа сравнения: Использование Transformation Matrix Operations для создания эмбеддингов единой длины (uniform length) является техническим решением, которое позволяет сравнивать "яблоки с апельсинами" — например, короткий текстовый запрос и обширную историю покупок.
5. Снижение объективности SERP: Механизм LCR ведет к тому, что выдача становится субъективной. Результаты, высокорелевантные профилю пользователя, могут ранжироваться выше результатов, более релевантных самому тексту запроса.

Best practices (это мы делаем)

• Глубокое понимание Customer Journey Map (CJM) и интересов аудитории: Необходимо анализировать не только прямые запросы, но и смежные интересы, предыдущие и последующие шаги целевой аудитории. Google учитывает эту историю (User Profile) при ранжировании. SEO-стратегия должна охватывать весь путь и интересы пользователя.
• Построение Topical Authority: Создавайте контент-хабы, которые широко покрывают область интересов вашей аудитории. Это увеличивает вероятность того, что вектор вашего контента (Item Representation) будет семантически близок к вектору профиля интересов пользователя (Profile Representation) в латентном пространстве.
• Стимулирование лояльности и вовлеченности (User Engagement): Работайте над удержанием аудитории. Пользователи, которые регулярно взаимодействуют с вашим сайтом, помогают Google сформировать четкий профиль интересов, связанный с вашим брендом. Это повышает шансы ранжирования вашего контента для этих пользователей по релевантным запросам.
• Анализ данных по сегментам: Анализируйте трафик и конверсии не в целом, а по сегментам аудитории (новые vs вернувшиеся, разные интересы), чтобы лучше понять, как персонализация влияет на вашу видимость.

Worst practices (это делать не надо)

• Фокус на изолированных ключевых словах: Стратегии, основанные исключительно на текстовой оптимизации отдельных страниц под конкретные запросы без учета общего контекста и профиля интересов аудитории, будут терять эффективность из-за работы механизмов персонализации типа LCR.
• Привлечение нерелевантного трафика и кликбейт: Попытки привлечь пользователей, чьи долгосрочные интересы не соответствуют тематике сайта, контрпродуктивны. Это может "размыть" понимание Google о том, кому следует рекомендовать ваш контент, и ухудшить поведенческие сигналы.
• Игнорирование связанных сущностей и тем: Создание контента, который не покрывает смежные темы и интересы аудитории, уменьшает вероятность его показа пользователям, интересующимся данной областью в целом.

Стратегическое значение

Патент подтверждает стратегический взгляд Google на поиск как на непрерывный процесс взаимодействия с пользователем, а не как на серию не связанных между собой запросов. Персонализация, основанная на векторных представлениях, является ключевым компонентом ранжирования. Для долгосрочного SEO критически важно создавать ресурсы, которые интегрируются в долгосрочные интересы пользователей. Это также означает, что традиционный мониторинг позиций теряет актуальность, уступая место анализу поведения аудитории.

Практические примеры

Сценарий: Персонализация выдачи в E-commerce (спортивный магазин)

1. Профиль пользователя (User Profile): Пользователь регулярно ищет информацию о беге на длинные дистанции, просматривал кроссовки для марафона и покупал энергетические гели. Эти данные формируют Second mathematical representation (Эмбеддинг Профиля), который семантически близок к теме "марафонский бег".
2. Текущий запрос (Query): Пользователь вводит общий запрос "лучшие кроссовки" (First mathematical representation / Эмбеддинг Запроса).
3. Обработка LCR: Система анализирует выдачу.
4. Расчет схожести:
   • Similarity 1 (Запрос): Высокая схожесть с общими обзорами кроссовок (для ходьбы, баскетбола, бега).
   • Similarity 2 (Профиль): Высокая схожесть с контентом о марафонском беге и соответствующей экипировкой.
5. Результат: Система комбинирует оценки. Страницы с обзорами кроссовок для марафона и соответствующие товарные карточки получат значительное повышение в выдаче, так как они имеют высокие показатели как по Similarity 1 (релевантны запросу), так и по Similarity 2 (релевантны профилю). Обзоры баскетбольных кроссовок будут ранжироваться ниже для этого конкретного пользователя.