Как Google использует историю браузера, закладки и поведение пользователей для персонализации результатов поиска в e-commerce

Термины и определения

Auto Classifier (Автоматический классификатор)

Компонент системы, который классифицирует неклассифицированные объекты контента в соответствии с информацией о категоризации, разработанной системой, и картой структуры репозитория.

Browsing Interaction Metric (Метрика взаимодействия при просмотре)

Агрегированная метрика, основанная на поведенческих факторах пользователя (время пребывания, повторные визиты, покупки и т.д.), используемая для адаптивной настройки модели релевантности.

Content Pointer (Указатель на контент)

Ссылка на информационный объект (например, веб-страницу или товар). Эквивалент закладки или избранного.

Context Relevant Hierarchy (Контекстно-релевантная иерархия)

Персонализированная иерархическая организация content pointers пользователя. Структура этой иерархии используется системой для определения контекста и релевантности.

Model Builder (Построитель модели)

Компонент, который определяет параметры релевантности, используемые для адаптивного информирования о поисковой или браузинговой активности пользователя.

Relevance Context (Контекст релевантности)

Контекст, определяемый на основе Relevance Model, истории взаимодействия пользователя и его предпочтений. Используется для организации и ранжирования результатов.

Relevance Engine (Движок релевантности)

Фоновая система, которая собирает, обрабатывает и дополняет коммерческую деятельность пользователя, предоставляя контекстную информацию.

Relevance Model (Модель релевантности)

Персонализированная модель, разработанная для пользователя или группы пользователей, которая содержит предпочтения, активность и атрибуты контента. Адаптивно переопределяет Context Relevant Hierarchy.

Relevance Processing (Обработка релевантности)

Компонent, который применяет Relevance Model к контенту, полученному из информационного репозитория, для фильтрации и ранжирования результатов.

SideCart

Название, данное реализации интерфейса в виде боковой панели браузера, который обеспечивает постоянный доступ к функциям системы.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод взаимодействия с информационным репозиторием.

1. Выполняется приложение персонализированного интерфейса релевантности (personalized relevance interface application) внутри сетевого интерфейса (браузера).
2. Интерфейс адаптивно поддерживает организованную коллекцию content pointers.
3. Генерируется ключевое слово.
4. Интерфейс оценивает ключевое слово и автоматически извлекает релевантные объекты.
5. Извлеченные объекты организуются и отображаются в соответствии с Relevance Context, связанным как минимум с одним пользователем.

Claim 2 (Зависимый от 1): Уточняет источник контекста релевантности. Relevance Context определяется, по крайней мере частично, на основе исторических записей взаимодействия пользователя с объектами и сохраненных или выбранных пользователем предпочитаемых объектов.

Claim 3 (Зависимый от 1): Описывает механизм "поиска в один клик". Интерфейс автоматически генерирует ключевое слово из контента отображаемого в данный момент объекта (веб-страницы).

Claim 20 (Независимый пункт): Описывает комплексный метод адаптивного обучения и организации.

1. Выполняется приложение персонализированного интерфейса релевантности, поддерживающее коллекцию content pointers.
2. Создается контекстно-релевантная организация (context relevant organization), структурированная для содержания объектов, категоризированных в соответствии с метрикой релевантности пользователя.
3. Пользователь просматривает и получает доступ к объектам.
4. Интерфейс оценивает контент доступных объектов и автоматически извлекает дополнительные объекты.
5. Доступные объекты назначаются на позицию в этой организации.
6. Интерфейс адаптивно упорядочивает позицию доступных объектов в организации в соответствии с метрикой поведения пользователя при просмотре (browsing interaction behavior metric).

Claim 27 (Зависимый от 26, который зависит от 20): Явно определяет поведенческие метрики. Поведение пользователя выбирается из группы, состоящей из: времени пребывания пользователя на конкретном объекте (dwell time), количества повторных посещений (repeat visits), времени суток, времени года, системы, используемой для доступа к объекту, и количества покупок (number of purchases), совершенных на определенном веб-домене.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, но его основное применение связано с персонализацией на основе данных пользователя.

CRAWLING & INDEXING (Системные данные)
Система должна иметь доступ к репозиторию объектов (например, индексу веб-страниц или товаров).

INDEXING (Данные пользователя)
Это ключевой этап для данного патента. Система собирает и обрабатывает данные о поведении пользователя (метрики взаимодействия) и его категоризированные content pointers. На этом этапе Model Builder создает и обновляет Relevance Model и Context Relevant Hierarchy.

QUNDERSTANDING – Понимание Запросов
Relevance Model используется для дополнения запросов пользователя контекстуальными ключевыми словами или предпочтениями (например, предпочитаемыми брендами или магазинами). Система также может генерировать запросы автоматически на основе текущего контекста просмотра ("One-click searching").

RANKING / RERANKING – Ранжирование и Переранжирование
На этом этапе модуль Relevance Processing применяет Relevance Model к набору результатов поиска. Результаты фильтруются и переранжируются на основе контекста пользователя, его истории и предпочтений, определенных поведенческими метриками.

Входные данные:

• Поведение пользователя (dwell time, клики, покупки, повторные визиты).
• Сохраненные content pointers и их категории.
• Контент текущей просматриваемой страницы.
• Запрос пользователя (если есть).
• Данные профиля пользователя (предпочтения по брендам, размерам и т.д.).

Выходные данные:

• Переранжированный список результатов поиска.
• Персонализированные рекомендации.
• Автоматически категоризированные content pointers.
• Обновленная Relevance Model.

На что влияет

• Конкретные ниши или тематики: Наибольшее влияние оказывается на сферу электронной коммерции (e-commerce) и связанные с ней домены.
• Специфические запросы: Влияет на коммерческие и транзакционные запросы, где предпочтения пользователя имеют большое значение.
• Конкретные типы контента: Страницы товаров, каталоги, страницы брендов.

Когда применяется

• Триггеры активации: Система непрерывно отслеживает поведение пользователя для построения модели. Функции переранжирования и рекомендаций активируются во время выполнения поисковых запросов или при просмотре коммерческих доменов (особенно при использовании функции "One-click searching" или просмотре рекомендаций).
• Временные рамки: Модель строится и обновляется постоянно на основе исторических данных и текущей сессии.

Пошаговый алгоритм

Процесс А: Построение и обновление модели релевантности (Непрерывный процесс)

1. Сбор данных: Система отслеживает взаимодействие пользователя с сетевым интерфейсом. Записываются поведенческие метрики (dwell time, покупки, повторные визиты, время суток, тип устройства).
2. Управление контентом: Пользователь сохраняет content pointers. Система (Auto Classifier) или пользователь категоризирует их в Context Relevant Hierarchy.
3. Извлечение контекста: Система анализирует структуру и содержание иерархии для понимания интересов пользователя.
4. Моделирование релевантности: Model Builder использует собранные поведенческие метрики и данные иерархии для создания или обновления Relevance Model.
5. Адаптивное переопределение: Позиции объектов в Context Relevant Hierarchy адаптивно перестраиваются на основе Browsing Interaction Metric. Модель постоянно уточняется.

Процесс Б: Поиск и рекомендация (В реальном времени)

1. Триггер: Пользователь вводит запрос, выполняет "One-click search" или просматривает веб-страницу.
2. Определение контекста: Система определяет текущий Relevance Context на основе Relevance Model и/или контента текущей страницы.
3. Генерация/Дополнение запроса: Генерируется ключевое слово (автоматически из контента страницы или на основе ввода пользователя). Запрос может быть дополнен данными из Relevance Model (например, предпочитаемые бренды).
4. Извлечение объектов: Система извлекает набор объектов из репозитория.
5. Обработка релевантности: Модуль Relevance Processing применяет Relevance Model к извлеченным объектам. Результаты фильтруются и переранжируются на основе предпочтений пользователя и поведенческих метрик.
6. Представление результатов: Результаты отображаются пользователю в интерфейсе в соответствии с новым ранжированием.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных, генерируемых пользователем, для персонализации.

• Поведенческие факторы (Ключевые): Явно указаны: время пребывания на странице (dwell time), количество повторных посещений (repeat visits), количество покупок (number of purchases). Также упоминаются клики мышью, сохранение закладок, время доступа к странице.
• Контентные факторы: Контент просматриваемой в данный момент страницы используется для определения контекста и автоматической генерации ключевых слов для поиска.
• Структурные факторы: Персонализированная категориальная иерархия (Context Relevant Hierarchy), созданная пользователем или системой для организации content pointers.
• Пользовательские факторы: Тип устройства, местоположение (может быть выведено), время суток, время года. Также используются явные данные профиля пользователя (предпочтения по размерам, цветам, брендам).

Какие метрики используются и как они считаются

• Relevance Context: Выводится из исторических записей взаимодействия и предпочитаемых объектов (Claim 2).
• Browsing Interaction Metric (Метрика взаимодействия при просмотре): Агрегированная метрика, основанная на поведенческих факторах (dwell time, покупки и т.д.). Используется для адаптивной настройки позиций в иерархии (Claim 20).
• Preference Metrics (Метрики предпочтения): Присваиваются коммерческим сайтам на основе длительности взаимодействия, объема покупок и других коммерческих метрик.

Конкретные формулы или алгоритмы расчета весов в патенте не приводятся. Механизм полагается на адаптивное моделирование и классификацию.

1. Поведенческие сигналы являются прямыми входными данными для персонализации: Патент явно подтверждает, что время пребывания на сайте (dwell time), совершенные покупки и повторные визиты являются сигналами, используемыми для определения релевантности и предпочтений пользователя.
2. Персонализация основана на отслеживании поведения на разных доменах: Система (Relevance Engine) собирает данные о поведении пользователя не только на одном сайте, но и во всей сетевой среде, что позволяет создать более полную Relevance Model.
3. Система активно изучает предпочтения пользователя: Модель релевантности изучает предпочитаемые бренды, продавцов и категории товаров на основе взаимодействия пользователя и использует эти данные для переранжирования результатов и дополнения запросов.
4. Контекст может переопределять ключевые слова: Система способна выводить намерение пользователя на основе его истории и контекста текущей страницы, даже без явного ввода ключевых слов (механизм "One-click searching").
5. Организация пользовательских данных помогает системе понять релевантность: То, как пользователь организует свои данные (например, закладки в Context Relevant Hierarchy), помогает системе понять его взгляд на тематическую релевантность и структуру информации.

Best practices (это мы делаем)

• Оптимизация вовлеченности и удовлетворенности пользователей (UX/CRO): Поскольку dwell time является явным сигналом, необходимо создавать контент и интерфейсы, которые удерживают пользователя на сайте, минимизируют отказы и обеспечивают положительный опыт взаимодействия.
• Стимулирование конверсий и покупок: Совершенные покупки (number of purchases) являются сильным сигналом предпочтения. Оптимизация воронки продаж и обеспечение бесшовного процесса покупки напрямую влияют на оценку релевантности сайта для данного пользователя.
• Построение лояльности к бренду и стимулирование повторных визитов: Повторные визиты (repeat visits) также являются явным сигналом. Стратегии удержания клиентов (email-маркетинг, программы лояльности) способствуют повышению релевантности сайта в персонализированной выдаче.
• Обеспечение четкой тематической релевантности: Создание качественного контента, который пользователи захотят сохранить (добавить в закладки или content pointers), помогает системе классифицировать сайт как авторитетный источник в данной тематике.
• Оптимизация UX на разных устройствах: Патент учитывает тип устройства, используемого для доступа. Необходимо обеспечивать качественный пользовательский опыт на всех платформах (десктоп, мобильные устройства).

Worst practices (это делать не надо)

• Использование кликбейта и контента низкого качества: Контент, который приводит к низкому dwell time и высокому показателю отказов, будет негативно влиять на Relevance Model пользователя в отношении данного сайта.
• Фокус только на ключевых словах без учета интента: Игнорирование намерения пользователя и его удовлетворенности приведет к плохим поведенческим сигналам, что снизит релевантность в персонализированной выдаче.
• Плохой пост-покупочный опыт: Сложности с возвратом, доставкой или поддержкой снижают вероятность повторных покупок и визитов, ослабляя сигналы предпочтения.

Стратегическое значение

Этот патент подтверждает критическую важность пользовательского опыта (UX) и поведенческих факторов в современном SEO, особенно в e-commerce. Успех определяется не только привлечением трафика, но и вовлечением, конверсией и удержанием пользователей. Механизмы, описанные в патенте, лежат в основе персонализации поиска, что означает, что результаты выдачи будут значительно различаться между пользователями в зависимости от их истории и предпочтений. Долгосрочная стратегия должна фокусироваться на построении бренда, которому доверяют и к которому возвращаются.

Практические примеры

Сценарий: Персонализация выдачи по запросу с множественным интентом

1. Запрос пользователя: "Java".
2. Анализ стандартной системой: Стандартная система может показать смешанные результаты: остров Ява, язык программирования Java, кофе Java.
3. Анализ системой Relevance Engine: Система анализирует Relevance Model пользователя.
4. Кейс А (Программист): История пользователя включает длительное пребывание (dwell time) на сайтах по программированию, сохраненные content pointers в категории "Разработка ПО", недавние покупки книг по Java. Система переранжирует выдачу, поднимая вверх результаты по языку программирования.
5. Кейс Б (Любитель кофе): История пользователя включает повторные визиты (repeat visits) на сайты кофейных брендов и покупки (purchases) в интернет-магазине Starbucks. Система переранжирует выдачу, поднимая вверх результаты, связанные с кофе, и отдавая предпочтение Starbucks.
6. Результат: Два пользователя видят разную выдачу по одному и тому же запросу, адаптированную под их интересы и историю поведения.