Как Google автоматически уточняет запросы, используя характеристики топовых результатов из общей выдачи

Термины и определения

Common Characteristics (Общие характеристики)

Признаки, общие для двух или более ресурсов, соответствующих высокоранжируемым результатам. Примеры: вхождение терминов запроса в заголовок (title), в виде фразы (phrase), количество цитирований, дата публикации.

First Limitation (Первое ограничение)

Ограничение, присутствующее в исходном запросе пользователя или добавленное при сужении поиска. Часто это неключевое ограничение (non-keyword limitation), например, фильтр по дате, типу документа или поиск в определенной коллекции (corpus).

Highly-ranked results (Высокоранжируемые результаты)

Набор топовых результатов (например, Топ-N) для модифицированного (более широкого) запроса или исходного запроса.

Modified Query (Модифицированный запрос, первый)

В основном сценарии (Claim 1): Запрос, созданный путем удаления First Limitation из исходного запроса. Это более широкая версия запроса.

Original Query (Исходный запрос)

Запрос, полученный от пользователя.

Second Limitation (Второе ограничение)

Дополнительное ограничение, автоматически сгенерированное системой на основе выявленных Common Characteristics. Используется для уточнения запроса.

Second Modified Query (Второй модифицированный запрос)

Запрос, включающий исходные ограничения и добавленное Second Limitation. Результаты этого запроса предоставляются пользователю.

Suggested Query (Предложенный запрос)

В одном из сценариев (Claim 18): Модифицированный запрос, который предлагается пользователю в интерфейсе для уточнения поиска.

Ключевые утверждения (Анализ Claims)

Патент описывает три основных сценария применения технологии, защищенных разными независимыми пунктами формулы.

Сценарий 1: Автоматическая модификация ограниченного запроса (Claim 1)

Claim 1 (Независимый пункт): Описывает процесс, когда пользователь сразу вводит запрос с ограничением.

1. Система получает исходный запрос (original query), включающий первое ограничение (first limitation), сужающее поиск.
2. Система модифицирует его, чтобы получить (первый) модифицированный запрос (modified query), в котором первое ограничение опущено (поиск расширяется).
3. Получаются первые результаты поиска по широкому запросу.
4. Идентифицируются общие характеристики (common characteristics) ресурсов, соответствующих высокоранжируемым результатам (highly-ranked results).
5. Генерируется второй модифицированный запрос (second modified query), включающий исходный запрос и второе ограничение (second limitation), представляющее эти общие характеристики.
6. Результаты этого второго запроса предоставляются в ответ на исходный запрос.

Ядром является использование сигналов качества из широкой выдачи для автоматического уточнения более узкой (ограниченной) выдачи. Система предполагает, что пользователь хочет видеть результаты, обладающие теми же характеристиками, что и лучшие результаты в общем поиске.

Claim 3 (Зависимый от 1): Детализирует выбор характеристик.

Для каждой общей характеристики генерируются оценки (scores) на основе количества топовых результатов с этой характеристикой. Характеристики добавляются как ограничения, только если их оценки удовлетворяют пороговому значению (threshold).

Сценарий 2: Модификация при сужении выдачи (Claim 9, Независимый)

Описывает процесс, когда пользователь сужает уже полученные результаты (например, применяет фильтр).

1. После предоставления первых результатов на исходный запрос, система получает запрос на предоставление результатов для суженного запроса (исходный запрос + новое ограничение L1).
2. Идентифицируются характеристики (C) высокоранжируемых результатов из предыдущего (первого) поиска.
3. Генерируется модифицированный запрос, включающий исходный запрос, L1 и новое ограничение L2, представляющее характеристики (C).
4. Результаты этого модифицированного запроса предоставляются в ответ на запрос о сужении.

Сценарий 3: Генерация предложенных запросов (Claim 18, Независимый)

Описывает генерацию Suggested Queries.

1. Получение исходного запроса и результатов.
2. Идентификация общих характеристик (C) высокоранжируемых результатов.
3. Выбор первого ограничения (L1), не включенного в исходный запрос (например, фильтр по дате).
4. Генерация предложенного запроса, включающего исходный запрос, L1 и второе ограничение (L2), представляющее характеристики (C).
5. Предоставление результатов и предложенного запроса.

Где и как применяется

Изобретение применяется на этапах обработки запроса и ранжирования.

QUNDERSTANDING – Понимание Запросов
На этом этапе система распознает наличие ограничений или получает запрос на сужение поиска. Это активирует логику патента. Система переписывает запрос (Query Rewrite), генерируя либо более широкий Modified Query (Сценарий 1), либо анализируя текущие результаты для генерации финального Second Modified Query (Сценарии 1 и 2) или Suggested Query (Сценарий 3).

RANKING – Ранжирование
Система должна выполнить несколько процессов ранжирования:

1. Ранжирование для широкого Modified Query (Сценарий 1) или исходного запроса (Сценарии 2 и 3) для получения Highly-ranked results и их характеристик.
2. Финальное ранжирование для Second Modified Query для предоставления результатов пользователю.

Входные данные:

• Исходный запрос пользователя (ключевые слова и ограничения).
• Данные индекса для широкого корпуса документов (например, Web).
• Данные индекса для ограниченного корпуса документов (например, News, Scholar).
• Метаданные о ресурсах (характеристики): наличие терминов в заголовках, анкорах, даты, количество цитирований и т.д.

Выходные данные:

• Набор результатов, отвечающий автоматически уточненному запросу (Second Modified Query).
• (Опционально) Предложенные запросы (Suggested Queries).

На что влияет

• Специфические запросы и Вертикали: Наибольшее влияние оказывается на поиск внутри специализированных коллекций (Scholarly Articles, Books, News, Blogs) или при использовании временных фильтров (Recent, Last 7 days).
• Типы контента: Влияет на любой контент, который может быть отфильтрован по неключевым ограничениям (non-keyword limitations). Система стремится обеспечить, чтобы отфильтрованный контент структурно и семантически соответствовал шаблонам качества, установленным в основной веб-выдаче.

Когда применяется

Алгоритм применяется в трех сценариях, описанных выше. Общие условия применения:

• Триггер активации: Получение запроса с ограничением (Сценарий 1), запрос на сужение поиска (Сценарий 2) или генерация предложений (Сценарий 3).
• Условие применения модификации: Система должна идентифицировать одну или несколько Common Characteristics в топовых результатах соответствующей (широкой или исходной) выдачи, оценки которых превышают установленный порог (Threshold).
• Исключения: Если ни одна характеристика не превышает порог, модификация не применяется.

Пошаговый алгоритм

Процесс обработки ограниченного запроса (Сценарий 1)

1. Получение запроса: Система получает исходный запрос, который включает ключевые слова и Первое Ограничение (например, фильтр по дате).
2. Генерация широкого запроса: Система создает первый модифицированный запрос, удаляя Первое Ограничение.
3. Выполнение широкого поиска: Получается первый набор результатов для широкого запроса.
4. Выбор топовых результатов: Идентифицируются высокоранжируемые результаты (Топ-N) из первого набора.
5. Извлечение характеристик: Анализируются ресурсы, соответствующие топовым результатам, для выявления их признаков (например, термины в заголовке, фразовое соответствие, количество цитирований).
6. Идентификация общих характеристик: Определяются характеристики, общие для двух или более топовых ресурсов.
7. Скоринг и фильтрация характеристик:
   • Для каждой общей характеристики рассчитывается оценка (Score), основанная на частоте ее встречаемости в Топ-N или на взвешенной сумме с учетом позиций (position-weighted sum).
   • Оценка сравнивается с порогом (Threshold).
8. Выбор Второго Ограничения: Выбираются характеристики, превысившие порог. Они преобразуются во Второе Ограничение (например, оператор intitle:). Если кандидатов слишком много, выбирается ограниченное количество (например, топ-3) с наивысшими оценками.
9. Генерация уточненного запроса: Создается Второй Модифицированный Запрос, который включает Исходный Запрос (с Первым Ограничением) и Второе Ограничение.
10. Выполнение уточненного поиска: Получается второй набор результатов.
11. Ответ пользователю: Второй набор результатов предоставляется в ответ на исходный запрос.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании метаданных и структурных особенностей документов для выявления характеристик качества.

• Контентные и Структурные факторы: Система анализирует, где именно в документе встречаются термины запроса:
  • Заголовки (Title).
  • Аннотации (Abstract).
  • Основной текст (Body).
  • В виде фразы (Phrase occurrence).
  • Близость терминов друг к другу.
• Ссылочные факторы:
  • Количество цитирований или ссылок на ресурс (Number of citations/links).
  • Вхождение терминов запроса в анкорный текст ссылок, ведущих на ресурс.
• Временные факторы: Дата публикации ресурса (Publication Date).
• Технические/Мета-факторы:
  • Тип документа (Document type: book, article, blog, web page).
  • Язык (Language).
  • Длина документа (Document length).
  • Автор и издатель (Author, Publisher).
  • Географическое положение, связанное с ресурсом (Geographical location).

Какие метрики используются и как они считаются

• Score (Оценка характеристики): Метрика, определяющая распространенность характеристики среди топовых результатов. Может рассчитываться как:
  • Простое количество (Count) результатов в Топ-N, обладающих характеристикой.
  • Доля (Fraction) результатов в Топ-N (Count / N).
  • Взвешенная сумма (Position-weighted sum), где вклад результата зависит от его позиции в ранжировании (более высокие позиции имеют больший вес).
• Threshold (Порог): Минимальное значение Score, необходимое для того, чтобы характеристика была использована для модификации запроса. Пороги могут быть разными для разных характеристик.
• Максимальное количество ограничений: Лимит на количество дополнительных ограничений (Second Limitations), добавляемых к запросу, чтобы избежать чрезмерного сужения выдачи (например, максимум 3).

1. Общая выдача как эталон качества: Патент демонстрирует механизм, при котором Google использует характеристики высокоранжируемых результатов из общей (неограниченной) выдачи как шаблон того, как должен выглядеть качественный результат по данной теме. Этот шаблон затем принудительно применяется к более узким (ограниченным) запросам.
2. Автоматическое и неявное уточнение запросов: Система автоматически добавляет ограничения (например, требуя наличия терминов в заголовке или фразового соответствия), даже если пользователь этого не просил. Это делается для повышения точности (Precision) и качества выдачи, особенно при использовании фильтров.
3. Важность фундаментальных сигналов релевантности: Такие характеристики, как вхождение запроса в заголовок (Title) или в виде точной фразы, часто являются сильными сигналами качества и релевантности в общей выдаче. Патент показывает, что эти сигналы переносятся и становятся обязательными в ограниченных выдачах.
4. Контекстно-зависимый выбор ограничений: Система выбирает, какие именно ограничения добавить, основываясь на анализе Топ-N результатов (Highly-ranked results) и пороговых значениях (Thresholds). Если в топе нет четкого паттерна, запрос не будет модифицирован.
5. Улучшение вертикального поиска: Механизм особенно важен для специализированных поисковых систем (News, Scholar, Books), где объем данных или сигналов ранжирования может быть меньше, чем в основном веб-поиске. Заимствование сигналов из веба позволяет улучшить качество этих вертикалей.

Best practices (это мы делаем)

• Анализ характеристик общей выдачи (SERP Blueprinting): Для ключевых запросов необходимо анализировать Топ-10 общей веб-выдачи, чтобы понять, какие характеристики Google считает признаками качества. Обращайте внимание на паттерны: используют ли топовые сайты точное вхождение фразы в Title, H1, как часто термины встречаются в тексте, какова структура контента.
• Соблюдение фундаментальных On-Page сигналов: Если анализ общей выдачи показывает, что 8 из 10 топовых результатов содержат ключевую фразу в заголовке (Title), ваш контент также должен следовать этому паттерну. Игнорирование этого может привести к тому, что описанный механизм отфильтрует вашу страницу при использовании пользователем уточнений (например, фильтра по дате).
• Повышение авторитетности и цитируемости: Поскольку количество ссылок/цитирований является одной из характеристик, которые могут быть проанализированы и превращены в ограничение, работа над качественным ссылочным профилем остается критически важной. Если топовые результаты имеют высокий уровень цитируемости, система может неявно требовать этого и от других результатов.
• Оптимизация под вертикальный поиск: При продвижении в Google News или Google Scholar убедитесь, что ваш контент не только соответствует требованиям этих платформ, но и обладает характеристиками высококачественных веб-документов по этой теме.

Worst practices (это делать не надо)

• Игнорирование On-Page оптимизации в пользу только Off-Page сигналов: Если контент структурно и семантически не соответствует шаблонам качества общей выдачи, он уязвим перед этим механизмом фильтрации, даже при наличии сильных внешних сигналов.
• Создание контента, релевантного только в узком контексте: Нельзя полагаться на то, что страница будет хорошо ранжироваться в отфильтрованной выдаче (например, «за последний месяц») только за счет свежести, если она не соответствует базовым критериям качества и релевантности, установленным в общей выдаче.
• Нестандартное использование заголовков: Использование кликбейтных или нерелевантных заголовков, не содержащих основных терминов запроса, увеличивает риск того, что система применит ограничение intitle: (если это общая характеристика топа) и исключит вашу страницу из уточненной выдачи.

Стратегическое значение

Этот патент подтверждает стратегию Google по унификации сигналов качества и релевантности во всех типах поиска. Основная веб-выдача служит «обучающим набором» для определения того, что представляет собой хороший ответ на запрос. SEO-стратегия должна фокусироваться на создании контента, который соответствует этим эталонным характеристикам. Это также объясняет, почему иногда при использовании фильтров (например, по дате) выдача может казаться чрезмерно ограниченной — система автоматически применяет дополнительные скрытые фильтры, основанные на паттернах качества.

Практические примеры

Сценарий: Оптимизация статьи для Google Scholar

1. Задача: Опубликовать научную статью по теме "квантовая запутанность" (quantum entanglement) и обеспечить ее видимость в Google Scholar.
2. Анализ (Действия SEO/Автора): Анализируем общую веб-выдачу по запросу "quantum entanglement". Выявляем, что топовые результаты (Википедия, авторитетные университеты) почти всегда содержат точную фразу в Title и имеют значительное количество внешних ссылок/цитирований.
3. Применение (Как работает Google согласно патенту):
   • Пользователь ищет в Google Scholar (Применяется First Limitation: Corpus=Scholar).
   • Google анализирует общую веб-выдачу (без ограничения).
   • Google определяет Common Characteristics: "Термины в Title" и "Высокая цитируемость". Обе превышают порог.
   • Google автоматически переписывает запрос пользователя на: intitle:"quantum entanglement" AND (Citation_Count > Threshold) в рамках Corpus=Scholar.
4. Результат для SEO: Если автор использовал креативный заголовок без точной фразы (например, "Странное действие на расстоянии") или опубликовался в новом журнале без цитирований, статья будет исключена из выдачи этим механизмом, несмотря на ее потенциальную релевантность. Необходимо использовать точный термин в заголовке и работать над цитируемостью.