Как Google использует анализ сессий и CTR для переписывания низкоэффективных запросов в высокоэффективные

Термины и определения

Content Performance Measure (CPM) (Метрика эффективности контента)

Показатель, определяющий, насколько хорошо контент (включая рекламу), предоставленный в ответ на запрос, удовлетворяет потребность пользователя. Основной пример — Selection Rate (показатель кликабельности, CTR). Может быть нормализован.

High-Performing Query (HPQ) (Высокоэффективный запрос)

Запрос, для которого Content Performance Measure соответствует или превышает определенный порог. Запрос, приводящий к высокому уровню вовлеченности.

Low-Performing Query (LPQ) (Низкоэффективный запрос)

Запрос, для которого Content Performance Measure ниже определенного порога. Запрос, приводящий к низкому уровню вовлеченности.

Session Subset / User Sub-session (Подмножество сессии / Подсессия)

Сегмент пользовательской сессии, включающий запросы, которые были получены в пределах пороговой близости друг от друга. Предполагается, что запросы в подсессии связаны одной информационной потребностью.

Session Delineator (Разделитель сессии)

Пороговое значение (например, максимальное время между запросами), используемое для определения границ Session Subset. Может быть специфичным для пользователя (Session specific delineator).

Initial Query Pair (Начальная пара запросов)

Пара, состоящая из HPQ и LPQ, которые были обнаружены в одной и той же Session Subset.

Reference Query Pair (Эталонная пара запросов)

Initial Query Pair, которая была обнаружена в пороговом количестве различных Session Subsets. Указывает на распространенный паттерн реформулировки запроса.

Query Rules (Правила запросов)

Правила, сгенерированные на основе Reference Query Pairs. Правило указывает, что контент, релевантный HPQ, должен быть идентифицирован в ответ на получение соответствующего LPQ.

Normalization Factor (Нормализационный фактор)

Коэффициент, применяемый для корректировки CPM с учетом внешних факторов, таких как позиция контента на странице (presentation positions).

Ключевые утверждения (Анализ Claims)

Claim 1 и Claim 18 (Независимые пункты): Описывают основной метод генерации и применения правил. Claim 1 фокусируется на метриках рекламы, Claim 18 использует более общие метрики контента.

1. Система получает данные пользовательских сессий (запросы и данные об эффективности контента).
2. Данные сегментируются на подсессии (Session Subsets) на основе близости запросов (например, по времени).
3. Каждый запрос классифицируется на основе показателя эффективности (Content/Advertisement Performance Measure). Запросы выше порога становятся HPQ, ниже порога — LPQ.
4. Выбираются эталонные пары (Reference Query Pairs): пары HPQ+LPQ из одной подсессии, которые встречаются достаточно часто (превышают порог частотности).
5. Генерируются правила (Query Rules): при получении LPQ идентифицировать контент, релевантный связанному HPQ.
6. Система предоставляет контент, релевантный HPQ, в ответ на получение LPQ.

Claims 2-5 (Зависимые): Детализируют расчет метрики эффективности (CPM).

• CPM основан на количестве выборов/кликов (Claim 2) и рассчитывается как Selection Rate (CTR) (Claim 3).
• CTR нормализуется (Normalized Selection Rate) на основе характеристик представления (Claim 4), в частности, позиции показа (presentation positions), с использованием соответствующих коэффициентов нормализации (Claim 5).

Claim 6 (Зависимый): Детализирует процесс выбора эталонных пар.

Начальные пары (Initial Query Pairs) из подсессий становятся эталонными, только если они встречаются в пороговом количестве (threshold number) различных подсессий.

Claims 7-9 (Зависимые): Детализируют адаптивную сегментацию сессий.

Session Delineator может быть специфичным для пользователя (Claim 7, 8). Он может рассчитываться как среднее время между запросами (average elapsed time) для данного пользователя (Claim 9). Это позволяет адаптировать определение "близости" запросов под индивидуальный темп работы пользователя.

Где и как применяется

Изобретение затрагивает несколько ключевых этапов поисковой архитектуры, используя поведенческие данные для улучшения понимания запросов и ранжирования.

QUNDERSTANDING – Понимание Запросов
Основное применение. Analysis Subsystem работает в офлайн-режиме, анализируя исторические данные сессий для выявления связей между LPQ и HPQ на основе их временной близости и показателей CTR. Результатом является генерация базы данных Query Rules. Это механизм расширения и переписывания запросов.

RANKING – Ранжирование / METASEARCH – Метапоиск и Смешивание
На этих этапах происходит онлайн-применение правил. Когда система получает запрос, идентифицированный как LPQ, она активирует правило и инициирует поиск контента, релевантного связанному HPQ. Этот дополнительный контент затем используется при ранжировании и смешивании финальной выдачи.

Входные данные (Офлайн):

• Логи пользовательских сессий (User Session Data): запросы, временные метки, анонимизированные идентификаторы.
• Данные об эффективности контента (Content Performance Data): клики, показы, CTR, позиции показа.

Выходные данные (Офлайн):

• База данных Query Rules (маппинг LPQ → HPQ).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы, которые пользователи часто реформулируют: неоднозначные, слишком общие или неудачно сформулированные запросы, которые изначально дают плохие результаты (LPQ).
• Контент с измеряемой эффективностью: Применимо к любому контенту, для которого измеряется Selection Rate (CTR), включая органические результаты и рекламу.

Когда применяется

• Генерация правил (Офлайн): Происходит периодически при анализе накопленных логов сессий. Требует статистической значимости паттерна (достижения порога частотности).
• Применение правил (Онлайн): Активируется в реальном времени, когда входящий поисковый запрос совпадает с LPQ, для которого существует запись в базе Query Rules.

Пошаговый алгоритм

Процесс А: Офлайн-генерация правил запросов

1. Сбор данных: Получение данных пользовательских сессий (запросы, время, клики, показы).
2. Сегментация сессий: Разделение сессий на подмножества (Session Subsets) с использованием Session Delineator. Запросы, близкие по времени, группируются. (Опционально: расчет индивидуальных разделителей для пользователей).
3. Расчет эффективности: Для каждого запроса вычисляется Content Performance Measure (например, CTR). Применяется нормализация по позиции показа (Normalized Selection Rate).
4. Классификация запросов: Запросы классифицируются как High-Performing (HPQ) или Low-Performing (LPQ) на основе порога эффективности.
5. Определение начальных пар: Внутри каждого Session Subset формируются Initial Query Pairs (LPQ, HPQ).
6. Подсчет частотности: Подсчитывается количество различных Session Subsets, в которых встречается каждая уникальная пара.
7. Выбор эталонных пар: Пары, частотность которых превышает установленный порог, выбираются как Reference Query Pairs.
8. Генерация правил: На основе эталонных пар генерируются Query Rules (LPQ → HPQ) и сохраняются в базе данных.

Процесс Б: Онлайн-применение правил

1. Получение запроса: Система получает запрос от пользователя (потенциальный LPQ).
2. Проверка правил: Система проверяет базу Query Rules.
3. Расширение выбора контента: Если правило найдено, система идентифицирует соответствующий HPQ.
4. Выбор контента: Система ищет контент, релевантный как исходному LPQ, так и найденному HPQ.
5. Предоставление результатов: Расширенный набор контента предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент полностью полагается на поведенческие данные, собранные во время поисковых сессий.

• Поведенческие факторы:
  • Данные сессий (User Session Data): Последовательность запросов, сгруппированных по анонимизированным идентификаторам.
  • Временные данные (Timing Information): Точное время получения каждого запроса для определения близости и расчета скорости ввода.
  • Данные о взаимодействии: Клики (selections), показы (impressions) контента, предоставленного в ответ на каждый запрос.
• Технические факторы (Контекст показа):
  • Характеристики представления (Presentation Characteristics): Позиции показа контента (presentation positions), используемые для нормализации показателей эффективности.

Какие метрики используются и как они считаются

• Content Performance Measure (CPM): Метрика эффективности запроса.
• Selection Rate (CTR): Основной компонент CPM. Рассчитывается как отношение кликов к показам.
• Normalized Selection Rate: CTR, скорректированный с учетом внешних факторов, таких как позиция показа. К кликам на разных позициях применяются разные Normalization Factors (веса) для нивелирования позиционного биаса.
• Session Delineator: Временной порог для группировки запросов в подсессии. Может рассчитываться индивидуально как среднее время между запросами (average elapsed time) для конкретного пользователя.
• Пороги (Thresholds):
  • Порог эффективности: Значение CPM для разделения запросов на HPQ и LPQ.
  • Порог частотности: Минимальное количество подсессий, в которых должна появиться пара запросов, чтобы стать правилом.

1. Поведенческие данные как основа для понимания интента: Патент демонстрирует, как анализ поведения пользователей (паттерны реформулировки запросов и CTR) напрямую используется для определения истинного намерения и переписывания запросов.
2. CTR как мера качества формулировки запроса: Эффективность запроса определяется через Content Performance Measure (CTR). Запросы, которые приводят к кликам (HPQ), считаются более качественными формулировками интента, чем те, которые игнорируются (LPQ).
3. Связывание разных запросов через временную близость: Ключевым элементом является концепция Session Subset. Если два разных запроса вводятся близко по времени, система предполагает, что они служат одной и той же информационной потребности.
4. Нормализация поведенческих данных: Система учитывает позиционный биас, используя нормализацию CTR для более точной оценки эффективности запроса, независимо от того, где были показаны результаты.
5. Персонализация анализа сессий: Патент предлагает рассчитывать Session Delineator индивидуально для пользователя на основе его средней скорости ввода запросов, что делает анализ контекста сессии более точным.
6. Автоматическое обучение и расширение запросов: Система автоматически учится на статистически значимых паттернах, какие запросы (HPQ) лучше всего удовлетворяют потребность, начатую с менее удачного запроса (LPQ), и использует это знание для расширения будущих поисков.

Best practices (это мы делаем)

• Оптимизация под "конечные" запросы (Destination Queries/HPQ): Выявляйте запросы, которые фактически приводят к удовлетворению потребности пользователя и высокому CTR (HPQ). Стратегия должна фокусироваться на доминировании по этим запросам. Это позволит получать трафик не только напрямую по HPQ, но и по всем связанным LPQ, которые Google переписывает в этот HPQ.
• Максимизация CTR и вовлеченности: Поскольку эффективность запроса определяется через CTR, критически важно работать над привлекательностью сниппетов (Title, Description) и обеспечивать высокое качество контента. Это повышает вероятность того, что ваши запросы будут классифицированы как HPQ.
• Анализ путей пользователя и реформулировок: Изучайте, как пользователи уточняют запросы в вашей нише (переходы от LPQ к HPQ). Создавайте контент, который покрывает весь спектр связанных запросов, но убедитесь, что он максимально релевантен именно конечной, высокоэффективной формулировке.
• Построение Topical Authority: Обеспечивая широкий охват темы, вы повышаете вероятность того, что ваш сайт будет релевантен как для LPQ, так и для HPQ, что улучшит общие поведенческие сигналы для ваших страниц по всей группе связанных запросов.

Worst practices (это делать не надо)

• Фокус на объеме ключевых слов без учета CTR: Оптимизация под запросы с низкой вовлеченностью (LPQ) рискованна. Даже если вы достигнете топа по LPQ, Google может предпочесть показать пользователям контент, найденный по связанному HPQ, если исторические данные показывают низкий CTR для LPQ.
• Игнорирование качества сниппетов: Плохие Title и Description приводят к низкому CTR, что может привести к классификации целевых запросов как LPQ, уменьшая общую видимость сайта.
• Создание контента для промежуточных интентов без решения финальной задачи: Если контент отвечает только на начальный (LPQ), но не на конечный (HPQ) запрос пользователя, это приведет к возврату в поиск и реформулировке (Pogo-sticking), что является негативным сигналом и подтверждает низкую эффективность исходного запроса.

Стратегическое значение

Этот патент подтверждает стратегию Google по интеграции поведенческих факторов в ядро системы понимания запросов. Он показывает, что релевантность определяется не только семантическим соответствием, но и наблюдаемым поведением пользователей. Для SEO это означает, что анализ CTR и удовлетворенности пользователя (User Satisfaction) является центральным элементом стратегии. Система предпочитает те формулировки запросов и тот контент, которые исторически приводили к успешному завершению поиска.

Практические примеры

Сценарий 1: Переписывание неоднозначного запроса

1. Ситуация: Пользователь ищет информацию о животном ягуар.
2. Исходный запрос (LPQ): Пользователь вводит "Ягуар". Выдача смешанная (животные и автомобили), пользователь не кликает (низкий CTR).
3. Реформулировка (HPQ): В течение короткого времени (внутри Session Subset) пользователь вводит "Ягуар животное скорость". Результаты удовлетворяют потребность, пользователь кликает (высокий CTR).
4. Анализ Google: Система фиксирует этот паттерн у многих пользователей. Пара достигает порога частотности.
5. Генерация правила: Создается правило: LPQ="Ягуар" → HPQ="Ягуар животное скорость".
6. Применение: В следующий раз при запросе "Ягуар", Google может использовать правило и расширить выборку контента, включая результаты, высоко релевантные HPQ.

Сценарий 2: Оптимизация для SEO в E-commerce

1. Задача: Продвинуть сайт магазина кроссовок.
2. Анализ: SEO-специалист обнаруживает, что общий запрос "купить кроссовки Nike" (LPQ) имеет низкий CTR, а пользователи часто уточняют его до "Nike Air Max 270 черные мужские" (HPQ) с высоким CTR.
3. Действия: Специалист фокусирует усилия на оптимизации листингов и сниппетов под HPQ.
4. Результат: Сайт занимает высокие позиции по HPQ. Благодаря механизму из патента, сайт также начинает получать трафик от пользователей, которые изначально вводили LPQ, так как Google использует HPQ для улучшения выдачи по общему запросу.