Как Google персонализирует поиск, повышая в выдаче объекты, которые пользователь ранее явно отметил как интересные

Термины и определения

Adjusted Rank (Скорректированный ранг)

Финальная позиция результата поиска после применения персонализированных корректировок.

Adjusted Score (Скорректированная оценка)

Итоговая оценка ранжирования, полученная путем умножения Raw Score на Factor.

Factor / Ranking Factor (Фактор ранжирования)

Числовой множитель, применяемый к исходной оценке ранжирования объекта, который пользователь отметил как интересующий. Значение фактора зависит от Level of Interest.

Items of Interest (Интересующие объекты)

Объекты (сущности), такие как места, веб-страницы, товары, услуги, которые пользователь явно идентифицировал как представляющие для него интерес.

Level of Interest (Уровень интереса)

Степень заинтересованности, которую пользователь указывает при сохранении объекта (например, High, Moderate, Low).

Place Page (Страница места)

Веб-страница, содержащая подробную информацию о конкретном географическом месте (бизнес, достопримечательность, город и т.д.). В современном контексте это часто соответствует карточке компании в Google Maps или панели знаний локального бизнеса.

Raw Rank (Исходный ранг)

Позиция результата поиска до применения персонализированных корректировок.

Raw Score (Исходная оценка)

Оценка ранжирования результата, определенная поисковой системой на основе стандартных факторов (релевантность, популярность и т.д.) до учета явных интересов пользователя.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализированного ранжирования.

1. Система получает список мест (places), которые пользователь ранее идентифицировал как интересующие его, путем их отметки на соответствующих веб-страницах.
2. Система получает поисковый запрос, ассоциированный с этим пользователем.
3. Идентифицируется набор результатов поиска, релевантных запросу.
4. Определяется, какие из этих результатов соответствуют ранее отмеченным пользователем местам.
5. Происходит ранжирование набора результатов, включающее повышение (boosting) позиций тех результатов, которые соответствуют отмеченным местам.
6. Предоставление ранжированного набора результатов для отображения.

Claim 2 (Зависимый от 1): Детализирует механизм повышения ранжирования.

• Места, отмеченные пользователем, ассоциируются с неким фактором (factor).
• Повышение ранжирования осуществляется путем умножения оценок (scores), связанных с соответствующими результатами поиска, на этот factor.

Claim 3 (Зависимый от 1): Вводит вариативность повышения в зависимости от степени интереса.

• Отмеченные места могут быть ассоциированы с различными уровнями интереса (levels of interest).
• Каждому уровню интереса соответствует свой factor.
• Повышение ранжирования происходит путем умножения оценок на factor, соответствующий уровню интереса, указанному пользователем для данного места.

Claim 4 (Зависимый от 1): Описывает конкретный механизм сбора данных о предпочтениях.

• Пользователю предоставляется Place-page (страница о географическом месте).
• На этой странице присутствует кнопка, позволяющая добавить это место в список интересующих.
• Система получает сигнал о выборе пользователя (нажатие кнопки) и сохраняет идентификатор этого места в репозитории данных.

Где и как применяется

Изобретение применяется на финальных стадиях обработки поискового запроса для персонализации результатов.

CRAWLING и INDEXING
Система должна сканировать и индексировать страницы сущностей (например, Place Pages), на которых реализован интерфейс для сбора явных сигналов интереса пользователя.

RANKING – Ранжирование
На этом этапе генерируется первичный набор результатов и вычисляются их исходные оценки ранжирования (Raw Score) без учета персонализации, описанной в патенте.

RERANKING – Переранжирование (Слой Персонализации)
Основное применение патента. После получения первичных результатов система обращается к профилю пользователя, извлекает список Items of Interest и соответствующие им Factors. Происходит сопоставление результатов поиска с этим списком. К Raw Score совпавших результатов применяется множитель Factor, после чего результаты пересортировываются на основе Adjusted Score.

Входные данные:

• Поисковый запрос.
• Идентификатор пользователя.
• Первичный набор результатов поиска с Raw Scores.
• Профиль пользователя, содержащий список Items of Interest и связанные с ними Levels of Interest / Factors.

Выходные данные:

• Персонализированный набор результатов поиска, отсортированный по Adjusted Score.

На что влияет

• Конкретные типы контента и Ниши: Наибольшее влияние оказывается на сферы, где пользователи склонны планировать и сохранять объекты: локальный поиск (Local SEO – рестораны, магазины, услуги), путешествия (отели, достопримечательности), электронная коммерция (товары), развлечения (фильмы, мероприятия).
• Специфические запросы: Влияет на общие информационные и коммерческие запросы, когда пользователь ищет что-то, связанное с его ранее сохраненными интересами (например, поиск "кафе рядом" будет приоритизировать кафе, сохраненные пользователем).
• Сущности (Entities): Механизм напрямую влияет на ранжирование конкретных сущностей, которые были идентифицированы пользователем.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Идентификация пользователя: Пользователь должен быть залогинен в системе, чтобы можно было получить доступ к его сохраненным предпочтениям.
• Наличие данных: Пользователь должен был ранее явно отметить один или несколько объектов как Items of Interest.
• Совпадение: Текущий поисковый запрос должен вернуть результаты, которые соответствуют одному или нескольким из этих сохраненных объектов.

Пошаговый алгоритм

Алгоритм состоит из двух основных процессов.

Процесс А: Сбор данных о предпочтениях (Постоянный процесс)

1. Предоставление интерфейса: Система отображает элементы управления (например, кнопку "Add to My Items of Interest") на страницах сущностей, таких как Place Page.
2. Получение явного сигнала: Пользователь взаимодействует с элементом управления, чтобы отметить объект как интересующий.
3. Определение уровня интереса: Система предлагает пользователю выбрать Level of Interest (например, Высокий, Средний, Низкий).
4. Определение фактора: Система сопоставляет выбранный уровень интереса с предопределенным множителем (Factor). Например, Высокий = 2.0, Средний = 1.5.
5. Сохранение данных: Идентификатор объекта и соответствующий Factor сохраняются в профиле пользователя в базе данных Items of Interest.

Процесс Б: Персонализированное ранжирование (В реальном времени)

1. Получение запроса: Система получает запрос от идентифицированного пользователя.
2. Идентификация результатов и расчет Raw Score: Система находит релевантные результаты и вычисляет их исходные оценки (Raw Score).
3. Сопоставление с интересами: Система сравнивает полученные результаты со списком Items of Interest пользователя.
4. Применение фактора (Boosting): Для результатов, найденных в списке интересов, система извлекает соответствующий Factor.
5. Расчет Adjusted Score: Для этих результатов вычисляется скорректированная оценка: $AdjustedScore = RawScore * Factor$. Для остальных результатов Factor принимается равным 1.
6. Переранжирование: Все результаты сортируются на основе их Adjusted Score.
7. Отображение: Персонализированная выдача предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании явных пользовательских данных для персонализации.

• Пользовательские факторы (Явные сигналы): Это ключевые данные для работы системы.
  • Идентификатор пользователя (необходим для привязки интересов).
  • Список Items of Interest: объекты, явно отмеченные пользователем.
  • Level of Interest: степень интереса, указанная пользователем для каждого объекта.
• Контентные факторы: Данные, описывающие сущности (например, на Place Pages), такие как название, адрес, категория. Они используются для точной идентификации объекта, который пользователь сохраняет, и для последующего сопоставления с результатами поиска.

Какие метрики используются и как они считаются

• Raw Score: Исходная оценка релевантности и качества результата. Методы ее расчета в патенте не детализированы.
• Level of Interest: Категориальная переменная (например, High, Moderate, Low), определяемая пользователем.
• Factor: Числовой множитель. Патент приводит примеры значений: High=2.0, Moderate=1.5, Low=1.25. Эти значения предопределены системой.
• Adjusted Score: Вычисляемая метрика, определяющая финальное ранжирование. Формула расчета: $AdjustedScore = RawScore * Factor$.

1. Приоритет явных сигналов над неявными: Патент демонстрирует, что Google придает очень большое значение явной обратной связи (Explicit Feedback). Явно выраженный интерес может значительно перевесить стандартные факторы ранжирования и даже неявные сигналы персонализации (такие как история поиска).
2. Агрессивное повышение: Использование множителей (например, 2.0x) является агрессивным методом повышения. Это может радикально изменить топовые позиции в персонализированной выдаче.
3. Гиперперсонализация SERP: Ранжирование по одному и тому же запросу может кардинально отличаться для разных пользователей в зависимости от их личных списков Items of Interest. Стандартный мониторинг позиций в режиме "инкогнито" не отражает эту реальность.
4. Зависимость от Сущностей (Entities): Механизм основан на идентификации и сохранении конкретных сущностей (мест, компаний, продуктов). Наличие и оптимизация представления сущности (например, Place Page или Google Business Profile) критичны для использования этого механизма.
5. Вовлеченность как фактор ранжирования: Система стимулирует пользователей использовать функции курирования контента внутри экосистемы Google. Для SEO это означает, что стимулирование пользователей к сохранению контента/бренда становится прямой задачей оптимизации.

Best practices (это мы делаем)

• Оптимизация Сущностей (Entity Optimization) и Локальное SEO: Критически важно обеспечить, чтобы ваш бизнес или ключевой контент распознавался как сущность и имел полноценное представление в экосистеме Google (например, оптимизированный Google Business Profile, который генерирует Place Page). Это необходимое условие для того, чтобы пользователи могли добавить вас в Items of Interest.
• Стимулирование добавления в списки интересов: Необходимо разрабатывать маркетинговые стратегии, поощряющие пользователей сохранять вашу компанию, локацию или контент в свои списки (например, в Google Maps – списки «Хочу посетить», «Любимые места»). Согласно патенту, это напрямую ведет к значительному повышению ранжирования для этих пользователей.
• Повышение узнаваемости бренда и лояльности: Работа над общей узнаваемостью бренда увеличивает вероятность того, что пользователи будут идентифицировать ваш бренд как объект интереса. Лояльные пользователи, сохранившие ваш бренд, будут видеть вас выше в выдаче.
• Анализ персонализированной выдачи: При анализе эффективности SEO необходимо учитывать фактор персонализации. Важно понимать, как сайт ранжируется не только в чистой выдаче, но и для сегментов лояльной аудитории.

Worst practices (это делать не надо)

• Игнорирование представления сущности: Отсутствие компании в Google Maps или неоптимизированное представление сущности в Knowledge Graph исключает возможность использования описанного механизма персонализации в вашу пользу.
• Фокус исключительно на безличном ранжировании: Полагаться только на традиционные факторы ранжирования и игнорировать стратегии вовлечения пользователей (User Engagement).
• Манипуляции и накрутки: Попытки искусственно добавить сайт в списки интересов через фейковые аккаунты не масштабируются, сложны в реализации и нарушают правила поисковой системы.

Стратегическое значение

Патент подтверждает стратегический курс Google на гиперперсонализацию выдачи. Он показывает, что взаимодействие пользователя с брендом и явное выражение интереса являются мощными сигналами ранжирования в персонализированном поиске. Долгосрочная SEO-стратегия должна включать в себя оптимизацию взаимодействия (User Engagement Optimization), направленную на мотивацию пользователей давать явные положительные сигналы о бренде и сохранять его для будущего взаимодействия.

Практические примеры

Сценарий: Повышение видимости локального бизнеса (Кафе)

1. Задача: Повысить видимость нового кафе в локальной выдаче для заинтересованных пользователей.
2. Действие (Маркетинг): Кафе размещает в социальных сетях и на тейбл-тентах призыв: «Планируете к нам зайти? Сохраните нас в Google Maps в список „Хочу посетить“, чтобы быстро найти нас позже!».
3. Механизм (по патенту): Пользователь видит Place Page кафе в Google Maps и добавляет его в Items of Interest. Допустим, это соответствует «High Interest» с Factor 2.0.
4. Обработка запроса: Через неделю пользователь ищет «кофе рядом». Исходный Raw Score кафе, например, 50 (позиция 8). У лидера выдачи Raw Score 90.
5. Персонализация: Система применяет Factor 2.0 к кафе. Его Adjusted Score становится 100 (50 * 2.0).
6. Результат: Кафе перемещается на 1 позицию в персонализированной выдаче этого пользователя, опережая конкурента с оценкой 90.