Как Google использует историю поиска и ссылки с предпочитаемых пользователем сайтов для персонализации выдачи

Термины и определения

Adjusted Weight (W) (Скорректированный вес)

Итоговая оценка ранжирования документа после применения персонализированного смещения. Рассчитывается путем объединения WL и WF (например, $W = W_{L} + W_{F}$).

Bias Weight (WF) (Вес предпочтения/смещения)

Вес, присвоенный документу в Document Bias Set F, отражающий относительное предпочтение пользователя (положительное или отрицательное) к этому документу.

Document Bias Set F (Набор предпочтений документов F)

Набор документов, указывающий на предпочитаемые и/или не предпочитаемые (disfavored) документы пользователя или группы. Генерируется из истории запросов (query history), истории просмотров (browsing history) или вручную.

Global Ranking Algorithm (Глобальный алгоритм ранжирования)

Алгоритм, обеспечивающий общую оценку качества документа (например, PageRank или Hubs and Authorities), используемый для определения Set L и начального ранжирования (WL).

High Quality Document Set L (Набор высококачественных документов L)

Набор документов, имеющих высокий рейтинг согласно глобальному алгоритму ранжирования. В альтернативных вариантах реализации (Claim 6) может включать "существенную часть всего корпуса документов" (substantial entirety of a corpus).

Intersection Set (F ∩ L) (Набор пересечения)

Набор документов, которые присутствуют как в Document Bias Set F, так и в High Quality Document Set L.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализации ранжирования.

1. Система получает запрос и формирует ранжированный набор результатов.
2. Идентифицируется первый набор (Set F), предпочитаемый пользователем/группой.
3. Идентифицируется второй набор (Set L), где каждый документ ранжируется выше порога на основе Global Ranking Algorithm.
4. Генерируется набор пересечения (F ∩ L).
5. Идентифицируется документ в наборе пересечения, который содержит ссылку на документ в результатах поиска.
6. Выполняется переранжирование целевого документа на основе веса, присвоенного ссылающемуся документу (из F ∩ L).

Ядром изобретения является использование пересечения личных предпочтений (Set F) и глобального качества (Set L). Влияние передается через ссылки, исходящие из этого набора пересечения.

Claim 10 (Независимый пункт): Детализирует источники данных.

1. Идентификация первого набора (Set F) на основе истории запросов или истории просмотров.
2. Идентификация второго набора (Set L).
3. Получение результатов поиска, ранжированных на основе алгоритма, учитывающего ссылки (link-based document ranking algorithm).
4. Идентификация третьего набора (F ∩ L).
5. Переранжирование на основе весов (WF) документов из F ∩ L, которые ссылаются на результаты поиска.

Этот пункт явно связывает Set F с историей поведения пользователя и подтверждает использование ссылочных алгоритмов (как PageRank) для начального ранжирования.

Claim 3, 5 (Зависимые пункты): Уточняют природу Set F. Он формируется из истории запросов (query history) или просмотров (browsing history) и может включать нежелательные (disfavored) документы.

Claim 6 (Зависимый пункт): Вносит критически важное уточнение о природе Set L.

Указывается, что Set L может включать "существенную часть корпуса агрегированных документов" (substantial entirety of a corpus of aggregated documents). Это означает, что механизм может работать без фильтра качества. Если Set L — это весь корпус, то Intersection Set (F ∩ L) становится равен Set F. В этом сценарии любой предпочитаемый пользователем документ может влиять на ранжирование через свои ссылки, независимо от его глобального авторитета.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно рассчитанные данные и данные о поведении пользователя для финальной корректировки выдачи.

INDEXING – Индексирование и извлечение признаков
На этом этапе рассчитываются глобальные сигналы ранжирования (например, PageRank). Эти данные формируют High Quality Document Set L и обеспечивают базовые веса (WL).

CRAWLING & DATA ACQUISITION (Сбор данных пользователя)
Система собирает и обрабатывает историю запросов и просмотров пользователя для генерации Document Bias Set F и расчета весов предпочтений (WF). Это непрерывный процесс.

RANKING – Ранжирование
Выполняется первичный поиск по запросу пользователя, генерируется начальный ранжированный набор результатов (Set R) с использованием глобальных весов (WL).

RERANKING – Переранжирование
Основное применение патента. Система выполняет следующие действия:

1. Определяет набор пересечения (F ∩ L).
2. Анализирует ссылки, исходящие из документов в F ∩ L на документы в Set R.
3. Рассчитывает скорректированные веса (Adjusted Weight W) для документов в R, на которые были найдены ссылки.
4. Пересортировывает список результатов на основе новых весов.

Входные данные:

• Поисковый запрос пользователя.
• Document Bias Set F (предпочтения пользователя и веса WF).
• High Quality Document Set L (глобальное качество и веса WL) или весь корпус документов.
• Начальный набор результатов поиска (Set R).

Выходные данные:

• Переранжированный персонализированный набор результатов поиска.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на информационные и исследовательские запросы, где личные предпочтения, предыдущий опыт или точка зрения пользователя имеют значение (например, выбор авторитетов).
• Конкретные ниши или тематики: Сильное влияние в тематиках, где существуют различные суб-сообщества, полярные мнения или различные школы мысли (например, политика, здоровье, хобби, технологии).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Наличие данных о пользователе: У пользователя должен быть сформирован Document Bias Set F (достаточная история поиска/просмотров или ручные настройки).
• Наличие пересечения: Должен существовать набор пересечения (F ∩ L). Это условие всегда выполняется, если Set L равен всему корпусу (согласно Claim 6).
• Наличие связей: Документы в наборе пересечения должны ссылаться на документы в результатах текущего поиска (Set R).

Пошаговый алгоритм

Этап 1: Предварительные вычисления (Офлайн / Фоновый режим)

1. Генерация предпочтений: Анализ истории запросов и просмотров пользователя (или ручного ввода) для создания Document Bias Set F.
2. Расчет весов предпочтений: Присвоение весов (WF) документам в Set F на основе интенсивности предпочтения (положительные или отрицательные веса).
3. Определение качества: Получение High Quality Document Set L (или всего корпуса) с глобальными весами (WL) от основного алгоритма ранжирования.

Этап 2: Обработка запроса (В реальном времени)

1. Получение запроса и первичное ранжирование: Выполнение поиска для получения начального набора результатов Set R (используя WL).
2. Определение пересечения: Вычисление Intersection Set (F ∩ L).
3. Идентификация ссылок: Поиск ссылок, ведущих из документов в Intersection Set на документы в Set R.
4. Корректировка весов: Для каждого результата в R, на который найдена ссылка, вычисляется Adjusted Weight W. Патент предлагает формулу $W = W_{L} + W_{F}$ (где WF берется от ссылающегося документа), но допускает и другие функции (например, умножение). Если ссылок несколько, веса могут агрегироваться.
5. Переранжирование: Сортировка Set R на основе скорректированных весов W.
6. Предоставление результатов: Отображение персонализированной выдачи пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и ссылочных данных для персонализации.

• Поведенческие факторы: Являются критически важными. История запросов (query history) и история просмотров документов (document browsing history) прямо указаны как источники для автоматического создания Document Bias Set F.
• Ссылочные факторы: Используются двумя способами:
  1. Глобальные алгоритмы на основе ссылок (например, PageRank) используются для определения Set L и расчета начального ранжирования (WL).
  2. Ссылки, исходящие из документов в Intersection Set и ведущие на результаты поиска, являются механизмом для передачи персонализированного смещения (WF).
• Пользовательские факторы: Персонализация применяется на уровне отдельного пользователя или группы пользователей (сообщества). Также упоминается возможность ручного ввода предпочтений пользователем.

Какие метрики используются и как они считаются

• Bias Weight (WF): Количественная оценка предпочтения пользователя (положительного или отрицательного) для документа в Set F. Методы расчета не детализированы, но основаны на анализе истории взаимодействия или ручных настройках.
• Global Weight (WL): Оценка, полученная от глобального алгоритма ранжирования (например, PageRank score).
• Adjusted Weight (W): Модифицированная оценка для переранжирования. Основная предложенная формула: $W = W_{L} + W_{F}$.

1. Персонализация через "Доверенные ссылки": Патент описывает механизм переноса доверия. Ссылки с источников, которые предпочитает пользователь, действуют как персональные рекомендации, модифицируя глобальное ранжирование.
2. История пользователя как прямой входной сигнал: История запросов и просмотров напрямую используется для определения набора предпочтений (Document Bias Set F), делая поведение пользователя фактором ранжирования.
3. Вариативность роли качества (Критический нюанс): В основном варианте реализации (Claim 1) применяется фильтр качества: предпочтения влияют на выдачу, только если они пересекаются с глобально авторитетными ресурсами (Set L). Это служит защитой от продвижения низкокачественного контента. Однако альтернативный вариант (Claim 6) позволяет Set L включать весь корпус документов, что снимает фильтр качества и позволяет любому предпочитаемому сайту влиять на выдачу.
4. Положительное и отрицательное смещение: Система учитывает не только предпочитаемые, но и нежелательные (disfavored) документы (Claim 5), позволяя как повышать, так и понижать результаты в выдаче.
5. Смещение в сторону сообщества (Community Biasing): Механизм поддерживает использование общих наборов предпочтений для групп пользователей, что позволяет корректировать выдачу на основе консенсуса определенного суб-сообщества.

Best practices (это мы делаем)

• Построение лояльности и удержания аудитории (Retention): Ключевая стратегия — стимулировать повторные визиты и длительное взаимодействие. Цель состоит в том, чтобы сайт стал частью неявного Document Bias Set F пользователя через его историю просмотров и запросов.
• Развитие глобального авторитета (E-E-A-T): Необходимо добиваться высокого глобального рейтинга (попадание в Set L). В основном варианте реализации патента, без глобального авторитета сайт не сможет воспользоваться преимуществами персонализации, даже если он популярен у пользователей.
• Стратегический линкбилдинг, ориентированный на "Доверенные Хабы": Приоритет следует отдавать получению ссылок с сайтов, которые находятся в Intersection Set вашей целевой аудитории. Это сайты, которые они часто посещают (Set F) И которые имеют высокий глобальный авторитет (Set L). Ссылки с таких ресурсов могут давать прямой персонализированный буст.
• Анализ интересов аудитории: Понимание того, какие авторитетные сайты посещает ваша целевая аудитория (отраслевые СМИ, форумы, базы знаний), помогает определить приоритетные цели для линкбилдинга.

Worst practices (это делать не надо)

• Игнорирование релевантности аудитории: Фокус исключительно на глобальных метриках авторитетности (например, ссылочный объем) без учета того, насколько ресурс-донор релевантен интересам и поведению вашей целевой аудитории.
• Негативный пользовательский опыт и Кликбейт: Применение тактик, которые ведут к потере доверия или низкому удержанию. Это может привести к тому, что сайт попадет в Document Bias Set с отрицательным весом (как disfavored document), что приведет к персонализированному понижению в выдаче.
• Фокус только на привлечении новых пользователей: Игнорирование стратегий удержания пользователей (user retention). Для активации механизмов персонализации необходима история взаимодействия пользователя с сайтом.

Стратегическое значение

Патент подтверждает, что стандартная поисковая выдача может сильно различаться для разных пользователей в зависимости от их истории поведения. Это снижает надежность стандартных инструментов мониторинга позиций. SEO-стратегия должна учитывать необходимость построения долгосрочных отношений с пользователем и формирования бренда, а не только оптимизацию под статический алгоритм. Патент подчеркивает важность синергии между качеством контента (для глобального ранжирования) и вовлеченностью пользователей (для персонализации).

Практические примеры

Сценарий: Персонализация выдачи для разработчика

1. Пользователь и его история: Разработчик регулярно посещает Stack Overflow (SO). Благодаря истории просмотров, SO попадает в его Document Bias Set F с высоким весом WF.
2. Глобальное качество: SO имеет высокий глобальный авторитет и входит в High Quality Document Set L. Следовательно, SO находится в Intersection Set (F ∩ L).
3. Запрос: Пользователь ищет "python lambda optimization".
4. Исходная выдача (Set R): В глобальной выдаче статья из блога "DevBlog" занимает позицию №5 (с весом WL_DevBlog), а статья на "GeeksForGeeks" — позицию №1.
5. Применение персонализации: Система обнаруживает, что авторитетный тред на SO (из F ∩ L) ссылается на статью в "DevBlog".
6. Корректировка веса: Вес "DevBlog" корректируется: W_DevBlog = WL_DevBlog + WF_SO.
7. Результат: Скорректированный вес W_DevBlog теперь выше, чем у "GeeksForGeeks". Для этого разработчика "DevBlog" поднимается на позицию №1, так как на него сослался источник, которому он доверяет.