Как Google использует "ложные пропуски" (Fake Skips) для точной оценки качества своих правил синонимов

Термины и определения

Synonym Rule (Правило синонимов)

Правило (например, A→B), указывающее, что термин B является синонимом термина A. Используется для генерации пересмотренных запросов (Revised Queries).

Query Logs (Логи запросов)

Хранилище данных о поисковых сессиях, включающее запросы, показанные результаты и действия пользователей. Используются для офлайн-анализа.

Click Evaluation / Skip Evaluation (Оценка по кликам / пропускам)

Методы оценки качества Synonym Rule, основанные на том, выбирает (Click) или пропускает (Skip) ли пользователь результат, содержащий синоним.

Fake Skip (Ложный пропуск)

Ядро патента. Специфический тип пропуска. Фиксируется, когда пользователь пропускает Результат А (содержащий синоним) и кликает на Результат Б (ранжируемый ниже), который также содержит этот же синоним И исходный термин запроса.

Fake Skip Count (Счетчик ложных пропусков)

Метрика, агрегирующая количество Fake Skips для конкретного правила.

Crucial Click/Skip (Критический Клик/Пропуск)

(Упоминается в описании патента). Клик или пропуск результата, который содержит только синоним (без исходного термина и других синонимов). Считается сильным сигналом качества правила.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод идентификации и использования Fake Skip для оценки правил синонимов на основе анализа исторических данных (Query Logs).

1. Система определяет, что выбранный пользователем результат (Результат Б) содержит как исходный термин запроса (Т), так и конкретный синоним (S), сгенерированный правилом (R).
2. Система определяет, что другой результат (Результат А), который также содержал синоним (S), ранжировался выше Результата Б и был пропущен пользователем.
3. В ответ на выполнение обоих условий (1 и 2), система инкрементирует счетчик определенного типа пропуска (Fake Skip Count) для правила (R).
4. Система определяет, следует ли использовать правило (R) для переписывания будущих запросов, основываясь на этом счетчике.

Claim 3 (Зависимый от 2) и Claim 4 (Зависимый от 3): Уточняют расчет оценки (Score) и использование весов.

Оценка правила рассчитывается на основе Fake Skip Count (с весом W1), счетчика обычных пропусков Skip Count (с весом W2) и счетчика кликов Click Count (с весом W3).

Claim 8 (Зависимый от 3): Предоставляет конкретную формулу для расчета оценки.

Оценка рассчитывается по формуле: $Score = \frac{W1 \cdot (Fake Skip Count) + W2 \cdot (Skip Count)}{W1 \cdot (Fake Skip Count) + W2 \cdot (Skip Count) + W3 \cdot (Click Count)}$

Эта формула вычисляет показатель пессимизации (Penalty Score): чем выше значение, тем хуже качество правила, так как числитель содержит только негативные сигналы (пропуски), а знаменатель — сумму всех сигналов.

Claim 5 (Зависимый от 2): Определяет действие на основе оценки.

Если рассчитанная оценка не соответствует пороговому значению (т.е. показатель пессимизации слишком высок), система удаляет это Synonym Rule из набора, используемого для генерации пересмотренных запросов.

Где и как применяется

Изобретение является частью инфраструктуры оценки качества поиска и применяется для улучшения этапа Понимания Запросов.

QUNDERSTANDING – Понимание Запросов
Механизм используется для оценки и валидации базы данных Synonym Rules, которую применяет Query Reviser Engine. Этот процесс выполняется офлайн (в пакетном режиме) путем анализа накопленных Query Logs. Цель — повысить качество переписывания запросов за счет удаления неточных синонимов и сохранения релевантных.

Взаимодействие компонентов:

• Search Engine генерирует SERP и фиксирует действия пользователя.
• Query Logs сохраняют данные сессий.
• Synonym System (Оценочный компонент) анализирует Query Logs, вычисляет метрики (включая Fake Skips) и обновляет базу Synonym Rules.

Входные данные (для офлайн-оценки):

• Query Logs: исходные запросы, использованные синонимы/правила, ранжирование результатов, клики/пропуски.
• Контент результатов поиска или индексированных документов (для проверки наличия терминов и синонимов).

Выходные данные (после офлайн-оценки):

• Обновленные метрики и оценки (Scores) для Synonym Rules.
• Скорректированный (очищенный) набор Synonym Rules для использования в продакшене.

На что влияет

Патент влияет на общую способность поисковой системы корректно интерпретировать запросы, где возможно применение синонимов. Он не специфицирует влияние на конкретные типы контента или ниши, но наибольшее влияние оказывается на запросы, где точность синонимов критична для понимания интента.

Когда применяется

• Временные рамки: Оценка выполняется периодически как офлайн-процесс анализа Query Logs.
• Триггеры активации (для подсчета Fake Skip): Механизм активируется только при выполнении строгих условий в данных логов:
  • Был совершен клик на Результат Б.
  • Результат Б содержит Исходный Термин И Синоним.
  • Выше Результата Б был пропущен Результат А, который также содержал этот Синоним.

Пошаговый алгоритм

Процесс Б: Офлайн-оценка правил синонимов (Анализ логов)

1. Доступ к логам: Система оценки получает доступ к Query Logs.
2. Идентификация сессии и клика: Анализируются сессии, где были клики. Идентифицируется кликнутый результат (Результат Б).
3. Анализ кликнутого результата (Результат Б): Проверяется, содержит ли Результат Б исходный термин запроса (Т) И конкретный синоним (S), сгенерированный правилом (R).
4. Анализ пропущенных результатов (Результат А): Если условие (3) выполнено, система проверяет результаты, ранжированные выше Результата Б.
5. Идентификация Fake Skip: Если найден пропущенный Результат А, который также содержит тот же синоним (S), сценарий классифицируется как Fake Skip.
6. Обновление счетчиков: Для правила (R) инкрементируется Fake Skip Count. (Также обновляются обычные Click Count и Skip Count для других сценариев).
7. Агрегация и Расчет оценки (Score): Периодически система пересчитывает оценку для правила (R), используя взвешенную формулу.
8. Применение оценки: Если оценка не удовлетворяет порогу, правило синонимов (R) удаляется или деактивируется.

Какие данные и как использует

Данные на входе

Система использует данные, зафиксированные в логах поисковых сессий.

• Поведенческие факторы: Ключевые данные. Паттерны кликов (Clicks) и пропусков (Skips) в выдаче.
• Контентные факторы (Результатов): Наличие или отсутствие исходного термина запроса и сгенерированного синонима в анализируемых результатах (кликнутом и пропущенном). Анализ может проводиться по тексту сниппета или по всему индексированному документу.
• Структурные факторы (SERP): Относительное ранжирование результатов (позиция Результата А относительно Результата Б).

Какие метрики используются и как они считаются

Система вычисляет следующие метрики для каждого правила синонимов:

• Click Count (с весом W3).
• Skip Count (с весом W2).
• Fake Skip Count (с весом W1).

Формулы и алгоритмы расчета:

Ключевым является расчет взвешенной оценки (Score) качества правила синонимов по формуле:

$Score = \frac{W1 \cdot FakeSkipCount + W2 \cdot SkipCount}{W1 \cdot FakeSkipCount + W2 \cdot SkipCount + W3 \cdot ClickCount}$

Весовые коэффициенты:

Веса (W1, W2, W3) определяются эмпирически. В описании патента (не в Claims) приводятся примеры весов: W1=10, W2=5, W3=3.

Пороговые значения:

Если итоговая оценка (Score) не удовлетворяет пороговому значению (например, если показатель пессимизации слишком высок), правило синонимов удаляется.

Патент носит инфраструктурный характер и описывает внутренние процессы Google по контролю качества системы синонимов. Он не дает прямых рекомендаций для SEO, но позволяет глубже понять механизмы работы поиска.

1. Валидация NLP через поведение пользователей: Google активно использует агрегированные поведенческие данные (клики и пропуски) для валидации и калибровки своих систем понимания языка (NLP) и переписывания запросов.
2. Сложность интерпретации сигналов: Введение метрики Fake Skip демонстрирует, что Google признает неоднозначность сигнала пропуска. Пропуск результата не всегда означает его нерелевантность или плохое качество использованного синонима.
3. Механизм защиты хороших правил: Fake Skip служит защитой от ложных срабатываний, предотвращая ошибочную пессимизацию эффективных Synonym Rules. Если пользователь находит синоним полезным в одном результате, пропуск другого результата с этим же синонимом не наказывается строго.
4. Динамическая природа синонимов: Набор синонимов, используемых Google, динамичен. Правила постоянно переоцениваются на основе реальных данных и могут быть скорректированы или удалены.

Патент является инфраструктурным и не дает прямых практических выводов для SEO-специалистов по оптимизации под механизм Fake Skip.

Best practices (это мы делаем)

• Фокус на удовлетворении интента и качестве сниппетов: Поскольку весь механизм основан на анализе кликов и пропусков, работа над привлекательностью сниппетов (Title, Description) и удовлетворением интента пользователя остается критически важной. Хороший сниппет может предотвратить пропуск (Skip или Fake Skip) и сгенерировать позитивные поведенческие сигналы.
• Использование естественного языка и релевантных синонимов: Используйте в контенте естественные синонимы и связанные термины вместе с основными ключевыми словами. Паттерн Fake Skip показывает, что часто кликнутый результат содержит как синоним, так и исходный термин. Комплексный контент, охватывающий тему с разных сторон, является хорошей стратегией.

Worst practices (это делать не надо)

• Спам синонимами (Keyword Stuffing): Попытки перенасытить текст всеми возможными синонимами неэффективны. Если контент не удовлетворяет интент, он будет генерировать пропуски (Skips). Google использует эти данные для оценки качества своих правил и, вероятно, для оценки качества самой страницы.
• Манипуляции поведенческими факторами: Попытки искусственно влиять на клики и пропуски для воздействия на систему оценки синонимов бесполезны, так как система работает с агрегированными данными и имеет сложные механизмы фильтрации шума.

Стратегическое значение

Патент подтверждает стратегическую важность поведенческих факторов в эволюции алгоритмов Google, особенно в области Query Understanding. Он демонстрирует стремление Google к максимальной точности в интерпретации сигналов пользователей, фильтруя шум (отделяя Fake Skips от Skips). Для SEO это означает, что долгосрочная стратегия должна фокусироваться на создании контента, который демонстрирует высокую степень удовлетворенности пользователей, так как эти сигналы напрямую используются для калибровки базовых систем поиска.

Практические примеры

Патент не предлагает практических примеров для применения в SEO. Однако можно проиллюстрировать сценарий работы алгоритма на стороне Google.

Сценарий: Оценка правила "PC → Computer"

1. Исходный запрос: "Best PC games".
2. Synonym Rule: "PC → Computer".
3. SERP:
   • Результат 1 (Ранг 1): "Top 10 Computer Games this year" (Сайт А). Содержит синоним "Computer".
   • Результат 2 (Ранг 3): "The Ultimate List of Best PC Games (Computer Gaming)" (Сайт Б). Содержит исходный термин "PC" и синоним "Computer".
4. Действие пользователя: Пользователь пропускает Результат 1 и кликает на Результат 2.
5. Анализ Google:
   • Пропущенный Результат 1 содержал синоним.
   • Выбранный Результат 2 содержал исходный термин и тот же синоним.
6. Результат: Google фиксирует Fake Skip для правила "PC → Computer". Правило не будет сильно пессимизировано, так как пользователь все равно выбрал результат, релевантный синониму, но предпочел Сайт Б по иным причинам (например, лучший заголовок).