Как Google понижает в выдаче результаты, которые пользователь уже видел или проигнорировал в рамках одной поисковой сессии

Термины и определения

Demotion Engine (Механизм понижения)

Компонент поисковой системы, ответственный за идентификацию и понижение повторяющихся результатов поиска в рамках сессии.

Optimized Query (Оптимизированный запрос)

Запрос, автоматически сгенерированный поисковой системой на основе пользовательского запроса. Может включать вариации (например, множественное число, альтернативное написание), которые часто ищут пользователи.

Relevancy Difference Measure (Мера разницы в релевантности)

Метрика, основанная на разнице relevancy scores двух или более результатов поиска. Используется для определения существенного падения релевантности в выдаче.

Relevancy Difference Threshold (Порог разницы в релевантности)

Значение, которое определяет существенную разницу в relevancy scores. Если Relevancy Difference Measure превышает этот порог, это используется для установки Relevancy Threshold.

Relevancy Score (Оценка релевантности)

Числовое значение, определяющее позицию результата в поиске. Может быть комбинацией IR-score (релевантность контента запросу) и других сигналов (например, PageRank).

Relevancy Threshold (Порог релевантности)

Уровень в ранжировании или оценка релевантности в текущем наборе результатов. Повторяющиеся результаты, находящиеся выше этого порога, являются кандидатами на понижение и перемещаются ниже него.

Repetitive Search Results (Повторяющиеся результаты поиска)

Результаты поиска, которые присутствуют как в текущем наборе результатов, так и в наборе результатов для предыдущего запроса в той же сессии.

Search Session (Поисковая сессия)

Последовательность запросов от одного пользователя. Может определяться периодом времени между запросами (например, таймаут 5-10 минут), статусом входа пользователя в систему или связью между запросами.

Threshold Repetitive Search Result (Пороговый повторяющийся результат)

В контексте метода, основанного на кликах: это самый высокоранжированный повторяющийся результат из первого набора, который ранжируется ниже, чем последний (самый низкоранжированный) результат, на который кликнул пользователь.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод понижения результатов поиска.

1. Система идентифицирует первый набор результатов для первого запроса в рамках search session.
2. Система идентифицирует второй набор результатов для второго (отличного от первого) запроса в той же сессии.
3. Идентифицируются repetitive search results — результаты, присутствующие в обоих наборах.
4. Определяется relevancy threshold для второго набора результатов.
5. Идентифицируются кандидаты на понижение: это repetitive search results, чья relevancy score выше, чем relevancy threshold.
6. Система понижает (demoting) ранг одного или нескольких кандидатов во втором наборе.
7. Система предоставляет второй набор результатов (с учетом понижения) в ответ на второй запрос.

Claim 2 (Зависимый от 1): Детализирует один из методов определения relevancy threshold (Метод 1: Разница в оценках).

1. Система определяет, превышает ли relevancy difference measure (мера разницы между оценками двух или более результатов) заданный relevancy difference threshold.
2. Идентифицируется наивысшая relevancy score среди тех результатов, для которых мера разницы превысила порог.
3. Relevancy threshold устанавливается на основе этой наивысшей оценки.

Claim 4 (Зависимый от 2): Уточняет, что relevancy difference threshold может быть максимальным изменением процентной разницы (maximum change in percentage differential) между оценками релевантности.

Claim 6 (Зависимый от 1): Детализирует второй метод определения relevancy threshold (Метод 2: Оптимизированный запрос).

1. Идентифицируется relevancy score самого высокоранжированного результата, который отвечает optimized second query (запросу с автоматически добавленными/измененными ключевыми словами).
2. Relevancy threshold устанавливается на основе этой оценки.

Claim 8 (Зависимый от 1): Детализирует третий метод определения relevancy threshold (Метод 3: Последний клик).

1. Идентифицируется ранг самого низкоранжированного результата, который был выбран (lowest selected search result) из первого набора.
2. Идентифицируется threshold repetitive search result — это самый высокоранжированный повторяющийся результат, который в первом наборе ранжировался ниже, чем последний выбранный результат.
3. Relevancy threshold устанавливается на основе ранга этого threshold repetitive search result во втором наборе.

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса для корректировки порядка результатов с учетом контекста текущей сессии.

QUNDERSTANDING – Понимание Запросов
На этом этапе система должна отслеживать search session (определять границы сессии на основе времени, логина или связи запросов). Также здесь могут генерироваться optimized queries, которые используются в одном из методов определения порога.

RANKING – Ранжирование
На этом этапе генерируются исходные наборы результатов для первого и второго запросов с их базовыми relevancy scores.

RERANKING – Переранжирование (Twiddlers)
Это основной этап применения патента. Demotion Engine действует как Твидлер (Twiddler):

1. Анализ истории: Система анализирует результаты предыдущего запроса в сессии.
2. Идентификация повторов: Сравнивает текущий набор результатов с предыдущим.
3. Расчет порога: Вычисляет relevancy threshold одним из описанных методов (анализ оценок, оптимизированные запросы или анализ кликов).
4. Применение понижения: Корректирует ранжирование, понижая повторяющиеся результаты ниже порога.

Входные данные:

• Первый запрос и первый набор ранжированных результатов (с relevancy scores).
• Данные о взаимодействии пользователя с первым набором (клики), если используется Метод 3.
• Второй запрос и второй набор ранжированных результатов (с relevancy scores).
• Данные об optimized queries для второго запроса, если используется Метод 2.

Выходные данные:

• Переранжированный второй набор результатов поиска, где повторяющиеся результаты понижены.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на последовательности связанных запросов, когда пользователь уточняет или расширяет свой поиск (например, от "черный пиджак" к "черное пальто"). Это затрагивает информационные и коммерческие запросы, требующие исследования.
• Конкретные типы контента: Влияет на любой контент, который может быть релевантен сразу нескольким связанным запросам (например, агрегаторы, крупные интернет-магазины, энциклопедические статьи).

Когда применяется

Алгоритм применяется только в рамках активной search session при выполнении следующих условий:

• Триггеры активации: Пользователь ввел как минимум второй запрос в текущей сессии, и этот запрос отличается от предыдущего.
• Условие применения: В наборе результатов для второго запроса присутствуют repetitive search results, которые ранжируются выше, чем рассчитанный relevancy threshold.

Пошаговый алгоритм

Основной процесс обработки запроса в сессии

1. Начало сессии и первый запрос: Система идентифицирует первый набор результатов, ранжированных по relevancy score, в ответ на первый запрос. Результаты сохраняются в рамках сессии.
2. Второй запрос: Система идентифицирует второй набор результатов в ответ на второй запрос в той же сессии.
3. Идентификация повторов: Система определяет repetitive search results — те, что присутствуют в обоих наборах.
4. Определение порога релевантности: Система вычисляет relevancy threshold для второго набора результатов. Используется один из трех методов (описаны ниже).
5. Идентификация кандидатов: Определяются повторяющиеся результаты, чья relevancy score во втором наборе выше порога.
6. Понижение: Ранг кандидатов понижается так, чтобы они оказались ниже relevancy threshold во втором наборе.
7. Выдача результатов: Переранжированный второй набор предоставляется пользователю.

Методы определения Relevancy Threshold

Метод 1: Анализ разницы в оценках (Relevancy Difference)

1. Для каждой пары последовательных результатов во втором наборе вычисляется relevancy difference measure (например, процентное падение оценки).
2. Система ищет значительное падение релевантности — место, где эта мера превышает relevancy difference threshold (например, максимальное изменение процентной разницы).
3. Relevancy threshold устанавливается на уровне relevancy score результата, непосредственно предшествующего значительному падению.

Метод 2: Оптимизированный запрос (Optimized Query)

1. Система генерирует optimized query (например, добавляя синонимы или исправляя орфографию).
2. Идентифицируются результаты во втором наборе, которые были найдены благодаря optimized query, а не исходному тексту запроса пользователя.
3. Relevancy threshold устанавливается на уровне relevancy score самого высокоранжированного результата, найденного только через оптимизированный запрос.

Метод 3: Последний клик (Last-Clicked)

1. Система анализирует взаимодействие пользователя с первым набором результатов и идентифицирует самый низкоранжированный результат, на который кликнул пользователь (lowest selected search result).
2. Идентифицируется threshold repetitive search result: самый высокоранжированный повторяющийся результат, который в первом наборе находился ниже последнего кликнутого.
3. Relevancy threshold во втором наборе устанавливается на основе relevancy score этого порогового повторяющегося результата.
4. В этой реализации кандидатами на понижение становятся только те повторяющиеся результаты, которые находились выше последнего клика в первом наборе (предполагается, что пользователь их уже оценил и отверг).

Какие данные и как использует

Данные на входе

• Системные данные: Relevancy scores для всех результатов в первом и втором наборах. Эти оценки являются основой для ранжирования и расчета порогов.
• Поведенческие факторы (User Behavior): В одном из вариантов реализации (Метод 3) система использует данные о кликах пользователя по первому набору результатов (идентификация lowest selected search result).
• Контекстные факторы (Session Data): Данные о поисковой сессии (история запросов и показанных результатов в рамках сессии).

Какие метрики используются и как они считаются

• Percentage Differential (Процентная разница): Разница в relevancy scores между двумя последовательными результатами, выраженная в процентах. Формула для результатов R1 и R2 (где R1>R2): $(R1-R2)/R1$.
• Change in Percentage Differential (Изменение процентной разницы): Разница между Percentage Differential двух последовательных пар результатов. Используется для поиска резких скачков в падении релевантности.
• Relevancy Difference Threshold: Может быть предопределенным значением (например, 10%) или динамически определяться как максимальное изменение процентной разницы (maximum change in percentage differential) в Топ-N результатах.
• Relevancy Threshold: Итоговый порог, используемый для понижения. Определяется одним из трех методов, описанных в алгоритме.

1. Контекстная корректировка выдачи: Патент описывает механизм персонализации выдачи в реальном времени на основе истории текущей поисковой сессии. Система стремится показать новые результаты, если предыдущие не удовлетворили пользователя.
2. Понижение, а не удаление: Важно, что повторяющиеся результаты не удаляются из выдачи, а понижаются ниже relevancy threshold. Это сделано для того, чтобы не скрывать релевантный контент ниже маргинально релевантных страниц.
3. Множественные методы определения порога: Google предусмотрел несколько способов определения точки, ниже которой следует перемещать повторы:
   1. Резкое падение релевантности в SERP (Relevancy Difference).
   2. Появление результатов по автоматически расширенному запросу (Optimized Query).
   3. Явные сигналы пользователя о просмотренных результатах (Last-Clicked).
4. Использование поведенческих сигналов для ранжирования: Метод "Last-Clicked" явно использует данные о кликах (или их отсутствии) как сигнал для переранжирования. Отсутствие клика на высокоранжированный результат в первом SERP интерпретируется как сигнал того, что пользователь видел и отверг этот результат, что приводит к его понижению в следующем SERP.
5. Баланс между новизной и релевантностью: Система пытается найти баланс, предоставляя новые результаты (за счет понижения старых), но только до тех пор, пока эти новые результаты сохраняют достаточный уровень релевантности (определяемый порогом).

Best practices (это мы делаем)

• Максимизация CTR сниппета (Особенно важно для Метод 3): Так как отсутствие клика на результат может привести к его понижению при последующих связанных запросах в сессии, критически важно иметь привлекательные и релевантные Title и Description. Сниппет должен точно отражать содержание страницы, чтобы пользователь захотел кликнуть.
• Удовлетворение интента немедленно: Необходимо убедиться, что страница полностью отвечает на запрос пользователя. Если пользователь кликнул на результат, но не нашел нужной информации и вернулся к поиску (короткий клик), это также может быть интерпретировано как неудовлетворенность. При следующем запросе эта страница может быть понижена.
• Анализ путей пользователя (Search Journeys): SEO-специалистам следует анализировать, как пользователи уточняют запросы в их нише. Понимание типичных последовательностей запросов (например, от общего к конкретному) поможет создать контент, который либо удовлетворяет интент сразу, либо остается высокорелевантным на всех этапах пути.
• Широкий семантический охват (Важно для Метод 2): Если ваш контент релевантен только узкой формулировке запроса, но не релевантен его вариациям (optimized query), он может оказаться ниже relevancy threshold. Создание контента, охватывающего тему широко, повышает его базовую релевантность по различным формулировкам.

Worst practices (это делать не надо)

• Кликбейт и обман ожиданий: Использование заголовков для привлечения кликов, если контент не соответствует обещаниям. Это приведет к возврату пользователя в выдачу и последующему понижению страницы при уточнении запроса в рамках той же сессии.
• Оптимизация под единственный узкий запрос: Создание страниц, которые высоко ранжируются только по одной конкретной формулировке, но имеют низкую общую релевантность теме. Такие страницы рискуют быть вытесненными при малейшем изменении запроса пользователем.

Стратегическое значение

Этот патент подтверждает важность анализа поведения пользователей в рамках сессии (Search Journey). Для Google важно не просто показать релевантный результат, но и помочь пользователю решить его задачу. Если результат не помогает продвинуться в решении задачи (что выражается в отсутствии клика или быстром возврате), его ценность снижается для последующих запросов в этой сессии. Стратегически это означает, что SEO должно фокусироваться на качестве взаимодействия пользователя с контентом и удовлетворении интента, а не только на достижении позиций по отдельным запросам.

Практические примеры

Сценарий: Поиск отеля с уточнением (Применение Метод 3 - Last-Clicked)

1. Запрос 1: "Отели в Париже центр".
2. SERP 1 и Действие: Пользователь видит результаты. Он кликает на Результат 1 (Hotel A) и Результат 3 (Hotel B). Он не кликает на Результат 2 (Hotel C) и Результат 4 (Hotel D). Hotel B (Результат 3) — это lowest selected search result.
3. Запрос 2: Пользователь уточняет запрос: "Отели в Париже центр с завтраком".
4. SERP 2 (Анализ): Система идентифицирует, что Hotel A, Hotel C и Hotel D также релевантны Запросу 2.
5. Применение понижения: Система предполагает, что пользователь уже видел и оценил результаты выше последнего клика (Hotel A и Hotel C). Поскольку они повторяются в SERP 2, они становятся кандидатами на понижение. Hotel A уже был кликнут (возможно, не подошел), Hotel C был проигнорирован.
6. Результат: В SERP 2 Hotel A и Hotel C будут понижены ниже relevancy threshold, чтобы дать приоритет новым отелям, соответствующим уточненному запросу, даже если базовый relevancy score Hotel A и C был выше. Hotel D не понижается, так как он был ниже последнего клика в SERP 1.