Как Google предлагает контекстные уточнения запроса на основе взаимодействия пользователя с текстом в строке поиска

Термины и определения

Agent/Browser (Агент/Браузер)

Клиентское приложение (например, скрипт на странице SERP), которое фиксирует действия пользователя (Refinement Indication) и отображает контекстные уточнения, используя встроенные метаданные.

Context (Контекст)

Информация о том, с какой именно частью (токеном) исходного запроса взаимодействует пользователь. Определяется на основе выбранных и невыбранных токенов.

Node Rank (Ранг узла)

Метрика авторитетности документа (например, PageRank). Используется для расчета Quality Measure уточнений.

Overlap Voting (Голосование по перекрытиям) / Recorded Votes

Ключевой алгоритм для сопоставления и сортировки уточнений. Анализирует общие префиксы/суффиксы (Region of Overlap) между исходным запросом и уточнением. Записывает "голоса" (votes) для точек разрыва слова (Word Breaks) в этой области. Используется для определения наилучшего структурного соответствия.

Query Refinement (Уточнение запроса)

Предлагаемый альтернативный запрос или часть запроса.

Refinement Engine (Движок уточнений)

Серверный компонент, отвечающий за генерацию, маппинг (используя Overlap Voting) и сортировку уточнений.

Refinement Indication (Индикация уточнения)

Действие пользователя в строке поиска (клик, выделение, наведение курсора), указывающее на желание изменить часть запроса.

Refinement Mapping (Сопоставление уточнений)

Структура данных, связывающая токены исходного запроса с соответствующими им уточнениями.

Token (Токен)

Смысловая единица, на которую разбивается запрос. Может состоять из нескольких слов (например, "New Jersey").

Tokenization Engine (Движок токенизации)

Компонент, отвечающий за разделение строки запроса на токены.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод контекстного уточнения.

1. Система обнаруживает Refinement Indication, связанную с первым запросом (состоящим из 2+ токенов) в поле поиска.
2. Ключевое условие: Индикация является выбором пользователем по крайней мере одного, но менее чем всех токенов запроса (т.е. выбор части запроса).
3. Система определяет Context на основе выбранных и невыбранных токенов.
4. Система идентифицирует уточнения, которые относятся именно к выбранным токенам.
5. Ключевой механизм сортировки: Уточнения упорядочиваются на основе записанных голосов (Recorded Votes).
6. Голоса соответствуют каждому разрыву слова (Word Break) в области перекрытия (Region of Overlap) между токенами исходного запроса и токенами в уточнении.
7. Упорядоченные уточнения предоставляются для отображения.

Claim 3 и 4 (Зависимые): Добавляют альтернативные методы сортировки.

• Сортировка может осуществляться согласно мере качества результатов (Quality Measure), связанных с уточнениями (Claim 3).
• Сортировка может осуществляться согласно мере популярности (Popularity Measure) запросов, связанных с уточнениями (Claim 4).

Claim 8 (Независимый пункт): Описывает архитектуру системы (Search Engine, Refinement Store, Tokenization Engine, Refinement Engine). Он подтверждает процесс из Claim 1, где Refinement Engine выполняет операции записи голосов (Overlap Voting) и упорядочивания на их основе.

Claim 15 (Зависимый от 8): Детализирует механизм голосования.

Refinement Engine идентифицирует область перекрытия, записывает один голос за каждый разрыв слова в этой области, определяет маппинг между токенами в неперекрывающейся области и сортирует уточнения на основе голосов.

Где и как применяется

Изобретение применяется на стыке понимания запросов и пользовательского интерфейса.

QUNDERSTANDING – Понимание Запросов
Это основная область применения патента. Система работает над интерпретацией структуры запроса и намерения пользователя его уточнить.

1. Токенизация: Tokenization Engine анализирует исходный запрос и разбивает его на смысловые блоки (токены).
2. Генерация и Маппинг: Refinement Engine генерирует кандидатов из Refinement Store и использует алгоритм Overlap Voting, чтобы определить, как лучше всего сопоставить потенциальные уточнения с токенами исходного запроса.

RANKING / METASEARCH (Доставка данных)
На этих этапах результаты работы Refinement Engine интегрируются в выдачу.

• Встраивание (Embedding): Патент описывает предпочтительный вариант, когда данные об уточнениях и их маппинге (Refinement Mapping) рассчитываются заранее и встраиваются как метаданные в страницу результатов (SERP) вместе с клиентским агентом.

Пользовательский Интерфейс (UI/Frontend)
Основное взаимодействие происходит на стороне клиента.

• Обнаружение индикации: Агент (скрипт) на странице отслеживает действия пользователя (Refinement Indication) в строке поиска.
• Определение контекста: Агент определяет, какой токен был выбран (Context).
• Контекстное отображение: Агент мгновенно отображает контекстные уточнения, фильтруя встроенные метаданные без дополнительного запроса к серверу (или запрашивая их на лету в альтернативной реализации).

Входные данные:

• Исходный поисковый запрос.
• Данные из Refinement Store.
• (При отображении) Refinement Indication и Context (позиция курсора/выделение).
• (Для сортировки) Данные о популярности запросов и качестве результатов (Node Rank, IR scores).

Выходные данные:

• Refinement Mapping (встроенный в SERP).
• Отсортированный список контекстных уточнений для отображения пользователю.

На что влияет

• Специфические запросы: Наибольшее влияние на многословные, компонентные запросы (например, [Локация] + [Услуга] или [Бренд] + [Модель]), где пользователи могут захотеть изменить один компонент, оставив другие неизменными.
• Пользовательский опыт (UX): Упрощает процесс итеративного поиска и навигации по семантическому пространству.

Когда применяется

• Триггеры активации: Алгоритм отображения активируется, когда пользователь выполняет Refinement Indication: взаимодействует с текстом запроса в строке поиска путем наведения, клика или выделения.
• Условие работы: Запрос должен состоять минимум из двух токенов, и пользователь должен выбрать по крайней мере один, но менее чем все токены (Claim 1).

Пошаговый алгоритм

Процесс А: Генерация, Маппинг и Доставка Уточнений

1. Получение и Токенизация: Система получает запрос и Tokenization Engine разбивает его на токены.
2. Извлечение Уточнений: Refinement Engine извлекает набор потенциальных уточнений из Refinement Store.
3. Обработка уточнений (Overlap Voting): Для каждого уточнения выполняется алгоритм сопоставления:
   1. Идентификация Region of Overlap (общие префиксы/суффиксы) между исходным запросом и уточнением.
   2. Запись голосов (Votes) для каждой точки разрыва слова (Word Break) в области перекрытия.
   3. Определение маппинга между неперекрывающимися частями.
   4. Выбор наилучшего разделения на основе максимального количества голосов.
4. Сортировка уточнений: Уточнения сортируются на основе голосов (структурное соответствие), а также внешних сигналов: Popularity Measure или Quality Measure.
5. Встраивание данных: Результаты поиска подаются вместе с Refinement Mapping (в виде метаданных в SERP) и клиентским агентом.

Процесс Б: Обработка Взаимодействия (На стороне клиента)

1. Обнаружение индикации: Агент на странице обнаруживает Refinement Indication (например, пользователь выделил слово).
2. Определение контекста: Агент определяет, с каким токеном взаимодействует пользователь (Context).
3. Извлечение и Фильтрация: Агент извлекает Refinement Mapping из метаданных и фильтрует список уточнений, оставляя только те, которые связаны с контекстным токеном.
4. Отображение: Агент отображает отфильтрованный и отсортированный список в интерфейсе (например, выпадающее меню).
5. Обработка выбора: При выборе уточнения агент обновляет строку поиска и инициирует новый поиск.

Какие данные и как использует

Данные на входе

• Контентные факторы (Запрос): Текст исходного запроса используется для токенизации и анализа перекрытий.
• Поведенческие факторы (Логи): Логи запросов используются для построения Refinement Store и расчета Popularity Measure (Claim 4) для сортировки уточнений.
• Пользовательские факторы (Взаимодействие): Данные о взаимодействии пользователя со строкой поиска (клик, выделение) используются как Refinement Indication и для определения Context.
• Факторы качества (Ссылки/Авторитетность): Node Rank (PageRank) и IR-scores используются для расчета Quality Measure (Claim 3) для сортировки уточнений на основе качества ожидаемых результатов.

Какие метрики используются и как они считаются

• Votes (Голоса): Метрика в алгоритме Overlap Voting. Рассчитывается путем подсчета точек разрыва слова в области перекрытия между исходным запросом и уточнением. Используется для оценки структурного соответствия и сортировки.
• Popularity Measure (Мера популярности): Основана на частоте использования уточненного запроса пользователями. Используется для сортировки.
• Quality Measure (Мера качества): Основана на агрегированной оценке качества результатов (используя Node Rank и IR scores), которые возвращает уточненный запрос. Используется для сортировки.

1. Контекст на уровне токенов критичен: Google анализирует запросы как набор концептуальных токенов, а не просто строку текста. Система стремится понять, какой именно токен пользователь хочет изменить, реагируя на его действия в строке поиска (выделение, клик).
2. Токенизация — основа понимания структуры запроса: Способ, которым Google разбивает запрос на токены (Tokenization), определяет границы контекста. Это подчеркивает важность понимания сущностей и концепций в SEO.
3. Сложный механизм структурного маппинга (Overlap Voting): Запатентован конкретный алгоритм (Overlap Voting) для определения структурной связи между исходным запросом и его уточнением. Он основан на анализе общих префиксов/суффиксов и разрывов слов.
4. Приоритезация подсказок по качеству и популярности: Предлагаемые уточнения сортируются не только по структурному соответствию, но и по популярности (Popularity Measure) или качеству ожидаемых результатов (Quality Measure, использующая Node Rank). Google активно направляет пользователей к более эффективным путям поиска.
5. Инфраструктура для быстрого UX: Для обеспечения мгновенного отклика интерфейса данные об уточнениях могут быть предварительно рассчитаны и встроены в метаданные SERP (Refinement Mapping), обрабатываясь на стороне клиента агентом.

Best practices (это мы делаем)

• Анализ токенизации и семантических кластеров: Изучайте, как Google интерпретирует запросы в вашей нише и какие термины считает взаимозаменяемыми (например, через анализ подсказок). Понимайте, какие фразы считаются единым токеном. Это дает представление о семантических связях, которые Google считает важными.
• Ориентация на популярные и качественные формулировки (Refinements): Приоритизируйте в контент-стратегии те формулировки запросов, которые Google предлагает в качестве уточнений. Поскольку сортировка учитывает популярность и качество, эти уточнения являются стратегически важными запросами, к которым Google направляет пользователей.
• Построение Topical Authority: Создавайте контент, охватывающий весь кластер связанных запросов и популярных уточнений. Это позволяет вашему сайту оставаться релевантным на разных этапах поискового пути пользователя (Search Journey).
• Улучшение общего качества сайта (E-E-A-T / Node Rank): Поскольку Quality Measure (основанная на Node Rank) может использоваться для сортировки уточнений, повышение авторитетности сайта увеличивает вероятность того, что запросы, ведущие на ваш сайт, будут предложены в качестве подсказок.

Worst practices (это делать не надо)

• Игнорирование предпочтительной терминологии Google: Фокусирование на устаревших или менее популярных терминах, когда Google активно предлагает пользователям альтернативы. Это приведет к потере трафика, который Google перенаправляет на предпочтительные (более популярные или качественные) запросы.
• Фокус только на узких формулировках: Оптимизация под единственный вариант ключевого слова без учета синонимов и связанных концепций неэффективна, так как система активно предлагает пользователям связанные уточнения.

Стратегическое значение

Патент подчеркивает важность понимания того, как Google интерпретирует язык и структуру запросов (токенизация) и как он влияет на формирование поискового пути пользователя. Стратегическое значение для SEO заключается в адаптации к тому, как Google направляет поведение пользователей. Если Google считает определенный набор запросов более качественным или популярным, он будет использовать свои интерфейсные возможности (как описанный механизм), чтобы стимулировать пользователей использовать именно эти запросы.

Практические примеры

Сценарий 1: Адаптация контента под предлагаемые уточнения

1. Исходный запрос: "дешевый хостинг для wordpress".
2. Действие пользователя: Пользователь недоволен результатами и выделяет слово "дешевый" в строке поиска.
3. Действие системы: Система определяет контекст (токен "дешевый"). Предположим, запрос "надежный хостинг для wordpress" имеет более высокий Quality Measure. Система предлагает заменить "дешевый" на "надежный", "быстрый".
4. SEO-действие: SEO-специалист понимает, что Google предпочитает характеристики "надежный" и "быстрый". Необходимо сместить акценты в контенте и мета-тегах с акцента на "дешевизну" на "надежность" и "оптимальное соотношение цена/качество", чтобы соответствовать направлению, которое задает Google.

Сценарий 2: Анализ токенизации для E-commerce

1. Действие: Ввести запрос "Купить красный чехол iPhone 15".
2. Анализ взаимодействия: Если при клике на "красный" система предлагает другие цвета, а при клике на "iPhone 15" предлагает другие модели, это означает, что цвет и модель рассматриваются как отдельные, заменяемые токены.
3. SEO Применение: Убедиться, что структура сайта (фасетная навигация, фильтры) и контент оптимизированы под эти комбинации, понимая, что Google легко ассоциирует эти токены и направляет пользователей по этим путям.