Как Google определяет скрытый интент сессии, используя универсальные уточняющие слова, и переранжирует выдачу

Термины и определения

Confidence Value (Мера уверенности)

Метрика, определяющая степень уверенности системы в применимости интента и надежности данных. Основана на объеме исторических данных (количестве Prior Sessions), связанных с этим интентом. Используется для взвешивания влияния Intent Boost.

Document Boost Factor (Фактор бустинга документа)

Итоговая корректировка оценки документа. Рассчитывается на основе агрегации Intent Boost и Confidence Value для всех интентов, ассоциированных с сессией.

General Population (Общая популяция)

Все предыдущие сессии, включающие текущий запрос, независимо от ассоциированного с ними интента. Используется как базовая линия (baseline) для сравнения поведения.

Intent (Намерение, Интент)

Скрытая цель или потребность пользователя в рамках сессии, определяемая наличием Intent Refining Query Terms.

Intent Boost (Бустинг по интенту)

Корректировка оценки документа (повышение или понижение), основанная на одном конкретном интенте, ассоциированном с сессией.

Intent Refining Query Term (Уточняющий термин, определяющий интент)

Термин, который пользователи часто используют для уточнения большого количества разных уникальных запросов (например, «фото», «отзывы», «pdf»). Наличие такого термина позволяет ассоциировать интент с сессией.

Prior Sessions (Предыдущие сессии)

Исторические поисковые сессии, используемые для анализа поведения. Они сегментируются на сессии с определенным интентом и General Population.

Query Refinement (Уточнение запроса)

Изменение запроса пользователем для получения более точных результатов (например, запрос «Париж» уточняется до «Париж фото»).

Session (Сессия)

Последовательность запросов и взаимодействий пользователя в течение определенного периода времени.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения интента и его применения для ранжирования, включая обработку нескольких интентов.

1. Система получает запрос в рамках сессии и начальные результаты с оценками релевантности.
2. С сессией ассоциируется множество интентов (plurality of intents), если запрос содержит intent refining query term. Условие для термина: он должен был ранее использоваться с количеством разных запросов, превышающим порог.
3. Идентифицируются документы, которые выбирались пользователями в предыдущих сессиях, связанных хотя бы с одним из этих интентов, с частотой (выше или ниже), отличающейся от частоты выбора в сессиях, не связанных с этим интентом (General Population).
4. Для каждого идентифицированного документа и для каждого из интентов определяется Intent Boost (корректировка оценки) и Confidence Value (основанная на количестве предыдущих сессий с этим интентом).
5. Оценка документа модифицируется на основе Document Boost Factor, который является функцией от Intent Boost и Confidence Value для всех интентов.
6. Результаты ранжируются на основе модифицированных оценок.

Claim 4 (Зависимый): Уточняет механизм модификации оценки.

Оценка увеличивается, если документ выбирался чаще в сессиях с данным интентом по сравнению с General Population. Оценка уменьшается, если документ выбирался реже.

Claim 5 и 7 (Зависимые): Уточняют, как определяется порог для идентификации Intent Refining Query Term.

Порог может основываться на статистическом распределении (distribution) частоты использования терминов в качестве уточнений. Например, может использоваться стандартное отклонение (standard deviation) от среднего значения для выявления статистически значимых терминов.

Где и как применяется

Изобретение затрагивает несколько ключевых этапов поиска, используя офлайн-анализ для влияния на онлайн-ранжирование.

INDEXING / Анализ Логов (Офлайн-процессы)
Система собирает и анализирует логи поисковых сессий (Result Selection Logs). На этом этапе происходит идентификация Query Refinements и определение списка Intent Refining Query Terms путем анализа частоты их использования с уникальными запросами.

QUNDERSTANDING – Понимание Запросов (Онлайн)
При получении запроса компонент Intent Identifier анализирует текущий запрос и историю сессии на наличие Intent Refining Query Terms. Если они найдены, система ассоциирует соответствующий интент(ы) с сессией.

RANKING / RERANKING – Ранжирование и Переранжирование (Онлайн)
Основное применение патента. Компоненты Rank Modifier Engine и Ranking Engine используют информацию об интенте сессии для модификации оценок документов.

1. Система сегментирует исторические данные о кликах по текущему запросу на основе выявленного интента.
2. Сравнивается поведение пользователей с этим интентом и General Population.
3. Рассчитываются Intent Boost и Confidence Value.
4. Применяется Document Boost Factor для корректировки финального ранжирования.

Входные данные:

• Текущий запрос и история запросов в сессии.
• База идентифицированных Intent Refining Query Terms.
• Исторические логи сессий (запросы, клики, уточнения, время на документе).
• Начальные оценки релевантности документов.

Выходные данные:

• Модифицированные оценки документов (с учетом Document Boost Factor).
• Финальный ранжированный список результатов, адаптированный под интент сессии.

На что влияет

• Специфические запросы: Наибольшее влияние на неоднозначные запросы (например, «Ягуар», «Cougar»), где контекст сессии может радикально изменить ранжирование. Также сильно влияет на запросы с явными модификаторами интента («рецепт пиццы с фото»).
• Типы контента: Влияет на предпочтение определенных форматов контента в зависимости от интента (например, предпочтение изображений при интенте «фото»; предпочтение подробных статей при интенте «обзор» или «инструкция»).

Когда применяется

• Триггер активации: Алгоритм активируется, когда в текущем запросе или в рамках текущей поисковой сессии обнаруживается Intent Refining Query Term.
• Условия применения: Применяется, если существует достаточный объем исторических данных (Prior Sessions) по данному запросу и данному интенту для расчета достоверного Confidence Value.

Пошаговый алгоритм

Процесс А: Офлайн-идентификация терминов интента (Intent Refining Query Terms)

1. Сбор данных сессий: Система получает данные исторических поисковых сессий.
2. Идентификация уточнений: Выявляются случаи, когда пользователь изменяет запрос (например, добавляет термин). Добавленный термин помечается как Refining Term.
3. Агрегация и подсчет: Для каждого Refining Term подсчитывается количество уникальных запросов, к которым он был применен.
4. Применение порога: Определяется порог на основе статистического распределения (например, стандартное отклонение).
5. Классификация: Термины, чей счетчик уникальных запросов превышает порог, классифицируются как Intent Refining Query Terms и сохраняются.

Процесс Б: Онлайн-обработка запроса и переранжирование

1. Получение запроса и результатов: Система идентифицирует текущий запрос и генерирует первичный набор результатов с базовыми оценками.
2. Ассоциация интента: Система проверяет наличие Intent Refining Query Terms в сессии. Если найдены, с сессией ассоциируются соответствующие интенты (один или несколько).
3. Анализ исторических сессий: Идентифицируются Prior Sessions, включавшие текущий запрос.
4. Сегментация поведения: Анализируется частота выбора документов в двух группах: (1) сессии с ассоциированным интентом и (2) General Population.
5. Идентификация отклонений: Выявляются документы, для которых частота выбора в группе (1) значимо отличается от группы (2).
6. Расчет модификаторов: Для каждого интента рассчитывается Intent Boost (величина корректировки, положительная или отрицательная) и Confidence Value (основанная на объеме данных).
7. Расчет Document Boost Factor: Агрегируются модификаторы всех интентов сессии по формуле взвешенного среднего, упомянутой в описании патента: $\text{DocumentBoost} = \frac{\sum (\text{IntentBoost}_i \cdot \text{Confidence}_i)}{\sum \text{Confidence}_i}$
8. Модификация оценок и Ранжирование: Базовые оценки документов корректируются с использованием Document Boost Factor, и результаты сортируются.

Какие данные и как использует

Данные на входе

Система полагается преимущественно на поведенческие данные, собранные из логов.

• Поведенческие факторы:
  • Логи выбора результатов (Result Selection Logs): Записи, включающие запрос (Q), выбранный документ (D).
  • Последовательности запросов (Query Sequences): Используются для идентификации Query Refinements в рамках сессий (офлайн) и определения контекста текущей сессии (онлайн).
  • Данные о кликах (Click Data): Частота выбора документов (frequency of selection). Патент также упоминает сбор дополнительной информации: время на документе (T), позиция клика, IR-оценки кликнутых и пропущенных результатов, показанные сниппеты.
• Пользовательские факторы:
  • Язык (L) и Страна (C) пользователя.
  • Идентификаторы сессии (Cookie, IP-адрес, User Agent).

Какие метрики используются и как они считаются

• Количество уникальных запросов (Count of unique queries): Метрика для офлайн-анализа. Подсчитывает, к скольким разным запросам применялся данный уточняющий термин.
• Порог (Threshold) для идентификации интента: Значение, которое должно превысить количество уникальных запросов. Может быть динамическим (например, на основе стандартного отклонения).
• Частота выбора (Frequency of selection): Метрика поведения. Рассчитывается отдельно для сессий с определенным интентом и для General Population.
• Intent Boost: Величина корректировки оценки на основе разницы в частоте выбора.
• Confidence Value: Вес, присваиваемый Intent Boost. Основан на количестве Prior Sessions, использованных для расчета.
• Document Boost Factor: Итоговый модификатор оценки, агрегирующий все интенты сессии (см. формулу выше).

1. Интент определяется универсальными шаблонами уточнений: Google идентифицирует интент не только через семантику запроса, но и через анализ того, как пользователи массово уточняют разные запросы. Термины, используемые универсально (например, «фото», «отзывы»), становятся сигналами глобального интента.
2. Сегментация поведенческих факторов по интенту: Ключевой механизм — сегментация исторических данных о кликах. Система анализирует не общее поведение, а поведение пользователей с конкретным, идентифицированным интентом.
3. Контекст сессии имеет приоритет: Интент ассоциируется с сессией. Если интент был определен в начале сессии, он может влиять на ранжирование последующих запросов, даже если они неоднозначны или не содержат явного уточняющего термина.
4. Обработка множественных интентов и взвешивание: Система обрабатывает несколько интентов в одной сессии (например, «еда» и «фото» в запросе «фото еды») и взвешивает их влияние на ранжирование с помощью Confidence Value, основанной на объеме исторических данных.
5. Интент может переопределить общие тренды: Если поведение пользователей с определенным интентом сильно отличается от поведения General Population, система предпочтет данные сегментированной группы для ранжирования, что может привести как к повышению, так и к понижению результатов.

Best practices (это мы делаем)

• Анализ Intent Refining Query Terms в нише: Изучайте, какие общие уточняющие термины используют ваши пользователи (например, «цена», «отзывы», «сравнение», «pdf», «видео», «примеры», «пошагово»). Убедитесь, что ваш контент оптимизирован для удовлетворения этих специфических интентов.
• Оптимизация под удовлетворенность конкретного интента (Click Satisfaction): Сосредоточьтесь на том, чтобы контент максимально удовлетворял пользователя с определенным интентом. Если интент — «фото», предоставьте лучшие изображения. Если интент — «отзывы», предоставьте аутентичные обзоры. Высокая частота выбора вашего сайта пользователями с этим интентом приведет к повышению ранжирования по механизму Intent Boost.
• Использование мультиформатного и структурированного контента: Поскольку многие Intent Refining Query Terms связаны с форматом или структурой (фото, видео, инструкции HowTo), создание разнообразного и хорошо размеченного контента повышает шансы удовлетворить различные интенты и получить буст.
• Анализ SERP с учетом модификаторов интента: При анализе выдачи смотрите не только на head terms, но и на запросы с уточняющими терминами. Это покажет, какой контент Google считает релевантным для конкретных интентов, основываясь на поведенческих данных.

Worst practices (это делать не надо)

• Игнорирование уточняющих терминов и контекста сессии: Фокусироваться только на высокочастотных запросах без учета модификаторов интента и пути пользователя. Это может привести к созданию контента, который не удовлетворяет специфические потребности.
• Создание универсального контента для всех интентов: Попытка удовлетворить все возможные интенты на одной странице часто приводит к плохому пользовательскому опыту для всех сегментов. Это снижает вероятность получения Intent Boost.
• Несоответствие контента интенту модификатора: Оптимизация страницы под запрос с модификатором (например, «[тема] фото»), но предоставление только текста. Пользователи с этим интентом будут кликать реже, что приведет к понижению страницы (отрицательный Intent Boost) при активации этого интента.

Стратегическое значение

Патент подтверждает стратегическую важность глубокого понимания пользовательских интентов и контекста поиска (in-the-moment context). Он демонстрирует механизм, с помощью которого Google переходит от анализа «среднего пользователя» к анализу поведения сегментированных групп, объединенных общим намерением. Для SEO это означает необходимость более гранулярного подхода к созданию контента и оптимизации под конкретные сценарии использования и поведенческие шаблоны, а не просто под ключевые слова.

Практические примеры

Сценарий 1: Разрешение неоднозначности в рамках сессии

1. Запрос 1: Пользователь ищет «Jaguar». Выдача смешанная (автомобили, животные).
2. Запрос 2 (Уточнение): Пользователь ищет «Jaguar cat». Google идентифицирует «cat» как Intent Refining Query Term (так как он используется широко). Интент «Животное/Кошка» ассоциируется с сессией.
3. Запрос 3: Пользователь ищет «Cougar» (неоднозначный запрос: животное, автомобиль, ПО).
4. Действие системы: Система применяет активный интент «Животное/Кошка». Исторические данные показывают, что пользователи с этим интентом предпочитают результаты о пуме (животном).
5. Результат: Результаты о животном получают Document Boost Factor и ранжируются выше, чем результаты об автомобиле Mercury Cougar.

Сценарий 2: Интент поиска изображений

1. Запрос 1: Пользователь ищет «рецепт пиццы с фото». «Фото» идентифицируется как Intent Refining Query Term. Интент «Фото» активируется.
2. Запрос 2: Пользователь ищет «рецепт лазаньи».
3. Действие системы: Система применяет активный интент «Фото».
4. Результат: Рецепты лазаньи с пошаговыми фотографиями повышаются в выдаче, так как исторические данные показывают, что пользователи с интентом «Фото» предпочитают именно такой формат контента.