Как Google динамически перестраивает SERP в реальном времени, основываясь на взаимодействии пользователя с подзадачами

Термины и определения

Task (Задача)

Абстрактная, высокоуровневая цель пользователя (например, "спланировать поездку"). Задача состоит из нескольких подзадач.

Subtask (Подзадача)

Конкретный шаг или компонент задачи (например, "купить билеты", "найти отель"). SERP структурируется на основе этих подзадач.

User Interaction Score (UIS) (Оценка взаимодействия пользователя)

Ключевая метрика, присваиваемая подзадаче. Определяет порядок и приоритет отображения контента. Рассчитывается на основе агрегированных данных о взаимодействии множества пользователей и обновляется в реальном времени на основе действий текущего пользователя в сессии.

Multi-Task Machine-Learned Model (Мультизадачная модель машинного обучения)

Специализированная модель, обученная для декомпозиции задач на подзадачи. Может быть обучена с использованием данных контент-провайдеров (рекламодателей) и RLHF для генерации релевантных подзадач и динамического управления SERP.

LLM (Large Language Model)

Большая языковая модель. Используется в системе как для помощи в определении задач, так и в качестве основного пути обработки запросов, не связанных с задачами.

Dynamic SRP (Динамическая страница результатов поиска)

Поисковая выдача, которая обновляется и реструктурируется в реальном времени на основе взаимодействий пользователя (клики, скроллинг) для лучшего соответствия уточненному интенту.

RLHF (Reinforcement Learning from Human Feedback)

Обучение с подкреплением на основе обратной связи от человека. Используется для обучения Multi-Task Models, включая данные о взаимодействии пользователей с результатами поиска.

Content Item (Элемент контента)

Конкретный результат поиска (органический или рекламный), связанный с определенной подзадачей.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной механизм динамического обновления SERP на основе взаимодействия с подзадачами в реальном времени.

1. Система получает первый запрос, связанный с задачей.
2. С помощью ML-моделей определяются Первая подзадача (с Оценкой 1) и Вторая подзадача (с Оценкой 2).
3. Выполняются поиски для обеих подзадач, получаются Первый и Второй элементы контента.
4. Генерируется SERP, отображающий оба элемента.
5. Система увеличивает Вторую оценку взаимодействия в ответ на получение взаимодействия пользователя со Вторым элементом контента.
6. Система динамически обновляет SERP, включая Третий элемент контента (связанный со Второй подзадачей), в момент, когда страница прокручивается (as the search result page is being scrolled).

Ядро изобретения — это динамическое обновление текущей выдачи в реальном времени (во время скроллинга) в ответ на взаимодействие пользователя, что позволяет системе сфокусироваться на интересующей пользователя подзадаче.

Claim 5 (Зависимый): Описывает механизм переранжирования при последующем запросе (персонализация сессии).

Если после взаимодействия пользователя Оценка 2 стала выше Оценки 1, то при получении второго запроса, связанного с той же задачей, Второй элемент контента будет отображаться выше Первого.

Claim 8 (Зависимый): Описывает генерацию следующей страницы результатов.

Если пользователь взаимодействовал со Вторым элементом контента, и затем запросил следующую страницу результатов (next page command), система сгенерирует вторую страницу SERP, включающую контент, связанный со Второй (активированной) подзадачей.

Claim 9, 10, 14 (Зависимые): Описывают механизм маршрутизации запросов.

Система определяет, связан ли запрос с задачей. Если да, используется Multi-Task Model. Если нет, используется стандартная LLM для генерации ответа. Это предполагает гибридную архитектуру.

Claim 2, 3, 4 (Зависимые): Детализируют применение механизма в контексте спонсируемого контента (рекламы).

Система анализирует веб-ресурсы рекламодателя (content provider), автоматически определяет, с какими подзадачами связаны их продукты, и предлагает эти подзадачи в качестве опций таргетинга. Для этого могут использоваться Multi-Task Models, обученные на данных этого контент-провайдера.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, обеспечивая петлю обратной связи между пониманием запроса и представлением результатов.

QUNDERSTANDING – Понимание Запросов
На этом этапе система определяет, является ли запрос "основанным на задаче". Если да, активируются Multi-Task Models и/или LLMs для декомпозиции запроса на подзадачи и определения их начальных User Interaction Scores.

RANKING – Ранжирование / METASEARCH – Метапоиск и Смешивание
Система выполняет параллельные поиски для идентифицированных подзадач. Затем результаты смешиваются для формирования начальной SERP. Порядок отображения блоков контента для разных подзадач определяется их User Interaction Scores.

RERANKING – Переранжирование (Динамическое)
Основное применение патента. Система отслеживает взаимодействие пользователя (клики, скроллинг) в реальном времени и динамически обновляет User Interaction Scores. Это приводит к переранжированию подзадач и динамической загрузке нового контента (dynamically updating the search result page), релевантного той подзадаче, с которой взаимодействует пользователь.

Входные данные:

• Пользовательский запрос.
• Агрегированные данные о взаимодействии пользователей (для расчета начальных User Interaction Scores).
• Данные о взаимодействии текущего пользователя в сессии (клики на элементы контента, команды скроллинга).
• (Для рекламы) Данные веб-ресурсов контент-провайдера.

Выходные данные:

• Набор идентифицированных подзадач и их оценок.
• Динамически обновляемая страница результатов поиска (Dynamic SRP), реструктурированная на основе поведения пользователя.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие, неоднозначные запросы (например, "Париж") и сложные информационные или коммерческие запросы, подразумевающие многоэтапный процесс (например, "планирование свадьбы", "покупка дома").
• Конкретные ниши или тематики: Сильное влияние на E-commerce, путешествия, финансы (YMYL), образование — ниши, где пользователи часто выполняют сложные задачи.
• Типы контента: Приоритет отдается контенту, который четко соответствует определенной подзадаче в рамках более широкой темы.

Когда применяется

• Триггеры активации: Механизм активируется, когда система классифицирует запрос как связанный с задачей (task-based query).
• Условия работы алгоритма: Алгоритм динамического обновления активируется при получении сигналов взаимодействия пользователя (клик на Content Item) и последующих действиях (скроллинг страницы или запрос следующей страницы).

Пошаговый алгоритм

Процесс А: Обработка запроса и динамическое обновление SERP

1. Получение запроса и классификация: Система получает запрос и определяет, является ли он task-based.
2. Маршрутизация и декомпозиция: Если это задача, Multi-Task Models определяют подзадачи (например, Подзадача А, Подзадача Б).
3. Определение оценок взаимодействия: Система определяет начальные User Interaction Scores (UIS) для каждой подзадачи (например, UIS_A > UIS_Б) на основе агрегированных данных.
4. Выполнение поиска по подзадачам: Система выполняет параллельные поиски для получения элементов контента для А и Б.
5. Генерация начального SERP: Система формирует выдачу, где контент Подзадачи А расположен выше контента Подзадачи Б.
6. Мониторинг взаимодействия: Пользователь взаимодействует (кликает) на элемент контента, связанный с Подзадачей Б.
7. Обновление оценок: Система увеличивает UIS_Б (Теперь UIS_Б может стать > UIS_A).
8. Триггер динамического обновления: Пользователь выполняет скроллинг страницы (scrolling command).
9. Динамическая загрузка контента: Система динамически обновляет SERP, загружая дополнительный контент, связанный с Подзадачей Б, по мере прокрутки страницы.
10. Переранжирование (Опционально): Если пользователь делает повторный запрос в рамках той же задачи, новый SERP будет сгенерирован с учетом обновленных оценок (Подзадача Б будет выше Подзадачи А).

Процесс Б: Генерация рекламного таргетинга (Параллельный процесс)

1. Получение данных рекламодателя: Система получает или сканирует веб-ресурсы клиента.
2. Анализ продуктов: Система идентифицирует продукты на ресурсе.
3. Ассоциация с подзадачами: Используя Multi-Task Models (потенциально обученные на данных клиента), система определяет, с какими задачами и подзадачами связаны продукты.
4. Предложение таргетинга: Система предлагает эти подзадачи в качестве опций таргетинга в рекламном интерфейсе.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Это ключевые данные для данного патента.
  • Агрегированные взаимодействия: Используются для расчета начального User Interaction Score для ранжирования подзадач.
  • Взаимодействие в реальном времени: Клики на конкретные элементы контента и команды скроллинга. Используются для динамического обновления UIS и запуска обновлений SERP.
  • Данные RLHF: Взаимодействия пользователей используются в качестве данных RLHF для обучения Multi-Task Models.
• Контентные факторы (Реклама): Данные с веб-ресурсов контент-провайдеров (текст, структура, описание продуктов) используются для ассоциации их предложений с подзадачами и обучения моделей.

Какие метрики используются и как они считаются

• User Interaction Score (UIS): Ключевая метрика для ранжирования подзадач.

  Расчет (Claim 15): Изначально рассчитывается на основе агрегации взаимодействий множества пользователей с элементами контента, связанными с данной подзадачей.

  Обновление (Claim 16): В ходе сессии оценка обновляется (увеличивается) на основе взаимодействий текущего пользователя с конкретными элементами контента.

• Классификация Запроса: Определение (Task-based vs Non-Task-based) для маршрутизации запроса к нужной модели (Multi-Task Model или LLM).

1. Переход от Поиска к Выполнению Задач (Task Completion): Google фундаментально меняет подход к сложным запросам. Система стремится понять высокоуровневую задачу и структурировать выдачу как план её выполнения, разбивая её на подзадачи.
2. Динамическая и Реактивная Выдача (Dynamic SRP): SERP не статична. Она динамически перестраивается в реальном времени в ответ на действия пользователя (клики, скроллинг). Поведение в текущей сессии определяет, какой контент пользователь увидит дальше (In-Stream Updates).
3. Взаимодействие пользователя как сигнал уточнения интента: Клик пользователя на результат интерпретируется как указание на приоритетную подзадачу. Это взаимодействие напрямую управляет последующим наполнением SERP.
4. Приоритезация на основе User Interaction Score: Ранжирование самих подзадач (и, следовательно, структуры SERP) определяется метрикой User Interaction Score, которая учитывает как глобальную популярность подзадачи, так и поведение текущего пользователя.
5. Гибридная архитектура и специализированные модели: Система использует классификатор для разделения запросов: связанные с задачами обрабатываются специализированными Multi-Task Models (обученными через RLHF), прочие – стандартными LLM.
6. Новая парадигма таргетинга для рекламы: Патент вводит концепцию таргетинга на "задачи" и "подзадачи", а не только на ключевые слова, используя модели, обученные на данных рекламодателей.

Best practices (это мы делаем)

• Оптимизация под подзадачи (Subtask Optimization): Необходимо анализировать широкие запросы в нише и понимать, на какие подзадачи их декомпозирует Google. Контент должен быть четко сфокусирован на качественном выполнении конкретной подзадачи. Например, для запроса "переезд" нужно иметь отдельные блоки или страницы для "упаковки вещей", "аренды грузовика", "оформления документов".
• Фокус на вовлечение и удовлетворение интента: Поскольку взаимодействие пользователя динамически меняет SERP, критически важно, чтобы контент быстро захватывал внимание и удовлетворял интент, связанный с подзадачей. Высокий уровень вовлеченности будет сигнализировать системе о релевантности контента данной подзадаче и повышать её User Interaction Score.
• Комплексное покрытие задачи (Topical/Task Authority): Создание авторитетного ресурса, покрывающего все аспекты определенной задачи, увеличивает вероятность того, что сайт будет представлен в выдаче для различных подзадач, идентифицированных системой.
• (Для E-commerce) Обогащение данных о продуктах: Убедитесь, что информация о продуктах (в фидах и на сайте) содержит достаточно контекста, чтобы Multi-Task Models могли точно ассоциировать товары с конкретными подзадачами (например, не просто "кроссовки", а "кроссовки для бега по пересеченной местности").

Worst practices (это делать не надо)

• Таргетинг широких запросов с помощью смешанного контента: Попытка охватить слишком много подзадач на одной странице без четкой структуры может привести к тому, что система не сможет однозначно классифицировать контент, а пользователь не найдет нужную информацию.
• Использование кликбейта: Тактики, направленные на получение клика, но не удовлетворяющие интент, будут неэффективны. Если взаимодействие пользователя с контентом будет негативным, это может негативно повлиять на User Interaction Score и снизить видимость контента для данной подзадачи.
• Игнорирование структуры пользовательского пути (User Journey): Оптимизация только под изолированные ключевые слова без учета общей задачи пользователя становится устаревшей стратегией.

Стратегическое значение

Этот патент подтверждает стратегический вектор развития Google в сторону помощи пользователям в выполнении сложных задач (Task Completion). Поиск становится более интерактивным, динамичным и менее зависимым от точной формулировки запроса. Для SEO это означает необходимость глубокого понимания не только интентов, но и всего процесса выполнения задачи пользователем. Способность сайта вовлечь пользователя и помочь ему в рамках конкретной подзадачи становится определяющим фактором видимости.

Практические примеры

Сценарий 1: Динамическое уточнение интента для широкого запроса

1. Исходный запрос: Пользователь вводит широкий запрос "Париж".
2. Начальный SERP: Система определяет задачу как многогранную. Подзадачи: "Путешествия" (Score 80), "Новости" (Score 60), "История" (Score 40). SERP сначала показывает блок о путешествиях, затем новости.
3. Взаимодействие пользователя: Пользователь прокручивает блок путешествий и кликает на ссылку в блоке "Новости".
4. Обновление оценок: Система увеличивает User Interaction Score для подзадачи "Новости" для этой сессии.
5. Динамическое обновление: Пользователь продолжает скроллить страницу вниз. Вместо того чтобы загружать контент для подзадачи "История" или больше контента о путешествиях, система динамически подгружает больше актуальных новостных статей о Париже, так как эта подзадача была активирована пользователем.

Сценарий 2: Оптимизация сайта по ремонту

Задача (Task): «Ремонт кухни».

Подзадачи: «Идеи дизайна», «Смета ремонта», «Поиск подрядчиков».

1. Начальная SERP показывает «Идеи дизайна» выше (Высокий UIS).
2. Пользователь кликает на результат в блоке «Смета ремонта».
3. Система повышает UIS для «Сметы ремонта».
4. При прокрутке система динамически загружает дополнительный контент, связанный с расчетами стоимости и экономией, а не с дизайном.