Как Google генерирует визуальные превью страниц в выдаче, используя "разрывы страницы" и масштабирование релевантного контента

Термины и определения

Content Category (Категория контента)

Классификация участка контента на основе его функции или расположения (например, основной текст, сноска (footnote), анкорный текст (anchor text)).

Context Score (Оценка контекста)

Метрика для оценки релевантности участка контента. Учитывает близость терминов запроса и категорию контента. В Claims используется термин First Score.

First Score (Первая оценка)

Метрика релевантности участка контента, используемая в Claims. Рассчитывается на основе количества терминов запроса поблизости (в пределах порогового числа пикселей) и общего количества терминов запроса в ресурсе.

Higher Zoom Level (Повышенный уровень масштабирования)

Увеличенный масштаб для отображения конкретного релевантного контента, обеспечивающий читаемость текста или детализацию изображений.

Initial Zoom Level (Начальный уровень масштабирования)

Базовый масштаб превью, при котором отображается общий макет страницы и контекст контента.

Page Preview (Предварительный просмотр страницы)

Визуальное представление ресурса, отображаемое на странице поисковой выдачи в Page Preview Slot.

Page Tear ("Разрыв страницы")

Графический элемент интерфейса в Page Preview, который указывает на то, что отображаются несмежные (дискретные) участки веб-страницы. Разделяет превью на несколько частей.

Query-Relevant Content (Релевантный запросу контент)

Текст, соответствующий терминам запроса, или другой контент (например, изображения), связанный с таким текстом (через подписи, имена файлов или близость расположения).

Ключевые утверждения (Анализ Claims)

Патент содержит две основные группы утверждений: первая фокусируется на механизме Page Tear и специфическом скоринге контента (Claim 1), а вторая добавляет к этому механизм многоуровневого масштабирования (Claim 18).

Claim 1 (Независимый пункт): Описывает метод генерации дискретного превью (с Page Tear) на основе контекстуального скоринга.

1. Система получает результаты поиска по запросу.
2. Для одного результата идентифицируется релевантный контент (текст, совпадающий с терминами запроса) в ресурсе.
3. Для двух или более участков этого контента выполняется:
   • Расчет First Score. Оценка базируется строго на двух факторах: (i) количестве терминов запроса в пределах порогового числа пикселей от участка и (ii) общем количестве терминов запроса во всем ресурсе.
   • Определение Content Category.
   • Корректировка First Score на основе этой категории.
4. Система выбирает набор контента на основе скорректированных оценок.
5. В Page Preview вставляется Page Tear, разделяющий его на первую и вторую части.
6. Первый релевантный участок вставляется в первую часть.
7. Второй релевантный участок (из части ресурса, не показанной в первой части) вставляется во вторую часть.
8. Система предоставляет данные для отображения Page Preview.

Ядро изобретения — это комбинация специфического метода скоринга (учитывающего локальную и глобальную частотность терминов и их расположение в пикселях, с последующей корректировкой по типу контента) и механизма показа несмежных участков (Page Tear).

Claim 3 (Зависимый от 1): Уточняет механизм корректировки оценки.

Корректировка включает снижение First Score, если Content Category определена как сноска (footnote) или анкорный текст (anchor text), ссылающийся на другой ресурс.

Claim 18 (Независимый пункт): Описывает метод, включающий все шаги Claim 1, но добавляющий функцию многоуровневого масштабирования.

После выполнения идентификации, скоринга, корректировки, выбора контента и вставки Page Tear (как описано выше), система предоставляет данные для отображения Page Preview. Эти данные вызывают представление релевантного контента одновременно на Initial Zoom Level (показывая контекст) и на Higher Zoom Level (увеличивая его).

Где и как применяется

Изобретение затрагивает этапы, связанные с анализом структуры контента и финальным представлением результатов пользователю.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна собрать и сохранить данные, необходимые для последующего анализа:

• Данные рендеринга страницы для определения точного расположения (в пикселях) всех терминов и изображений.
• Идентификацию и категоризацию структурных элементов (основной текст, сноски, анкорные тексты).

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование (Слой представления)
Основное применение патента происходит после основного ранжирования, на этапе формирования финальной SERP.

• Выбор контента: Компонент генерации превью (Preview Apparatus) рассчитывает First Score для релевантных участков контента.
• Генерация превью: Система принимает решение о вставке Page Tear и применении Zoom Feature, формируя финальный вид Page Preview.

Входные данные:

• Поисковый запрос и набор результатов поиска.
• Данные о ресурсе: текст, данные о расположении элементов (пиксельные координаты), категории контента.
• Визуальное представление ресурса.

Выходные данные:

• Данные для отображения Page Preview, включающие изображения участков страницы, координаты для Page Tears и инструкции для реализации Zoom Feature.

На что влияет

• Типы контента: Влияет на представление всех типов веб-страниц, особенно лонгридов, статей со сложной структурой, страниц с рецептами или инструкциями, где ключевая информация может быть разбросана по документу.
• Поведение пользователей (CTR): Основное влияние патента направлено на повышение информативности SERP, что напрямую влияет на решение пользователя о клике.

Когда применяется

Алгоритм применяется при формировании страницы результатов поиска.

• Триггеры активации Page Tear: Активируется, когда наиболее релевантные участки контента (с наивысшими скорректированными First Score) не могут быть отображены в одном непрерывном окне превью при сохранении Initial Zoom Level.
• Триггеры активации Zoom Feature: Применяется для обеспечения читаемости текста или детализации изображений, которые были бы слишком мелкими при Initial Zoom Level.
• Условия отображения превью: Превью может отображаться автоматически или активироваться действием пользователя (клик, наведение курсора).

Пошаговый алгоритм

Процесс генерации Page Preview для результата поиска:

1. Получение данных: Система получает данные о результатах поиска по запросу.
2. Идентификация релевантного контента: Из ресурса выбирается контент, соответствующий запросу (текст и связанные изображения).
3. Анализ контекста и Расчет оценок: Для каждого участка релевантного контента:
   • Определяется количество терминов запроса в пределах порогового расстояния (в пикселях) ($QT_{local}$).
   • Определяется общее количество терминов запроса в ресурсе ($QT_{total}$).
   • Рассчитывается First Score на основе этих двух показателей: $FirstScore = f(QT_{local}, QT_{total})$.
4. Корректировка оценок:
   • Определяется Content Category (например, сноска, анкорный текст).
   • First Score корректируется (понижается), если контент не является основным.
5. Финальный отбор контента: Выбирается набор участков с наивысшими скорректированными оценками.
6. Определение компоновки (Page Tear): Система определяет, можно ли отобразить выбранный набор участков как единый смежный блок при Initial Zoom Level.
7. Генерация превью:
   • Если требуется Page Tear: В превью вставляется разрыв, разделяя его на части. Выбранные участки распределяются по частям, сохраняя их относительное вертикальное расположение.
   • Если не требуется: Генерируется непрерывное превью.
8. Применение масштабирования (Zoom): Система предоставляет данные для отображения выбранного контента одновременно на Initial Zoom Level (контекст) и на Higher Zoom Level (увеличенная версия для читаемости).
9. Предоставление данных: Данные для отображения превью передаются клиенту.

Какие данные и как использует

Данные на входе

Патент предполагает использование детальных данных о рендеринге и структуре страницы.

• Контентные факторы: Текст документа используется для поиска совпадений с терминами запроса.
• Технические и Структурные факторы (Данные рендеринга): Критически важные данные. Используются точные координаты расположения контента (в пикселях) для расчета расстояний между терминами. Также используются данные для определения Content Category.
• Ссылочные факторы: Идентификация текста как анкорного (anchor text), ссылающегося на другой ресурс, используется для корректировки оценки (пессимизации).
• Мультимедиа факторы: Изображения идентифицируются как релевантный контент (на основе подписей, имен файлов или окружающего текста) и могут быть включены в превью и масштабированы.

Какие метрики используются и как они считаются

• First Score (Первая оценка): Основная метрика для выбора контента. Формула явно не приведена, но указаны входные параметры: $FirstScore = f(QT_{local}, QT_{total})$.
  • $QT_{local}$: Количество терминов запроса в пределах порогового числа пикселей.
  • $QT_{total}$: Общее количество терминов запроса в ресурсе.
• Скорректированная оценка (Adjusted Score): First Score, измененный на основе Content Category. Если контент является сноской или анкорным текстом, First Score снижается (например, умножается на коэффициент < 1.0, называемый в описании Support Reduction Factor).
• Пороговое расстояние (Threshold distance/pixels): Максимальное расстояние в пикселях, используемое для определения близости терминов запроса при расчете $QT_{local}$.

1. Анализ визуального контекста и рендеринга: Патент подчеркивает, что для выбора сегментов контента (превью/сниппетов) Google анализирует не только текст, но и его визуальное расположение на отрендеренной странице (измеряя расстояния в пикселях).
2. Кластеризация ключевых слов повышает значимость сегмента: Механизм расчета First Score отдает предпочтение участкам страницы с высокой локальной плотностью терминов из запроса. Это указывает на то, что семантически сфокусированные блоки контента имеют больше шансов быть выбранными для показа.
3. Дискриминация по типу контента: Система явно пессимизирует контент, идентифицированный как вспомогательный. Сноски (footnotes) и анкорные тексты исходящих ссылок (anchor text) имеют пониженный приоритет при выборе контента для превью.
4. Гибкость представления (Page Tears): Механизм Page Tears позволяет Google преодолеть ограничения физического размера превью и показать пользователю несколько наиболее важных, но географически разрозненных участков страницы.
5. Баланс между контекстом и читаемостью (Zoom): Многоуровневое масштабирование решает дилемму отображения: система стремится одновременно показать макет страницы (контекст) и обеспечить читаемость ключевого контента (детали).

Best practices (это мы делаем)

Хотя патент описывает UI-функцию (представление), а не ранжирование, описанные принципы выбора контента критически важны для оптимизации под сниппеты (включая Featured Snippets) и повышения CTR.

• Создавайте сфокусированные блоки контента (Смысловая кластеризация): Структурируйте контент так, чтобы ключевые слова и связанные понятия были сгруппированы в тематически завершенных блоках (абзацах, разделах). Это увеличивает локальную плотность релевантных терминов ($QT_{local}$) и повышает First Score этого блока.
• Размещайте ключевую информацию в основном теле документа: Убедитесь, что самая важная информация находится в основном контенте. Контент в сносках или используемый как анкорный текст для исходящих ссылок пессимизируется при выборе для показа.
• Оптимизируйте контекст изображений: Поскольку изображения также выбираются как Query-Relevant Content, обеспечьте их релевантность запросу через окружающий текст, подписи (captions) и имена файлов. Это повышает шансы на показ изображения в любом визуальном представлении на SERP.
• Улучшайте визуальную структуру и UX: Так как система анализирует визуальное представление, чистый дизайн, четкая иерархия и использование форматирования (списки, таблицы) делают страницу более понятной. Это облегчает системе изоляцию ключевых сегментов.

Worst practices (это делать не надо)

• "Разбрасывание" ключевых слов (Keyword Diffusion): Стратегия равномерного распределения ключей без создания сфокусированных блоков контента снижает шансы на высокий First Score для любого отдельного участка.
• Использование важных фраз преимущественно в исходящих ссылках: Если фраза используется в основном как анкорный текст для ссылки на другие сайты, ее ценность для генерации превью/сниппета этой страницы снижается согласно патенту.
• Скрытие ключевой информации в сносках: Полагаться на сноски для передачи основной сути контента. Эти элементы имеют пониженный приоритет при выборе контента для показа.

Стратегическое значение

Патент подтверждает, что Google уделяет значительное внимание анализу структуры отрендеренной страницы и визуального контекста при выборе контента для показа на SERP. Это выходит за рамки простого текстового анализа. Для SEO-специалистов это подчеркивает важность интеграции SEO, контент-стратегии и UX. Оптимизация должна быть направлена на создание контента, который структурирован таким образом, чтобы система могла легко идентифицировать, оценить и извлечь наиболее ценные сегменты.

Практические примеры

Сценарий: Оптимизация статьи с рецептом на основе принципов патента

Запрос: "Рецепт бельгийских вафель"

1. Анализ структуры (До оптимизации): Статья содержит долгую историю вафель, изображение в середине и список ингредиентов в самом конце. Ключевые слова разбросаны. First Score для всех участков невысок.
2. Оптимизация (Best Practice):
   • Создать сфокусированный блок: привлекательное изображение вафель с релевантной подписью и четкий блок с ингредиентами разместить ближе друг к другу.
   • Использовать ключевые слова ("бельгийские вафли", "рецепт", "ингредиенты") в непосредственной близости в этом блоке (повышение $QT_{local}$).
   • Убедиться, что этот блок находится в основном контенте, а не в сноске.
3. Ожидаемый результат (Механизмы патента): Система присвоит этому блоку высокий скорректированный First Score. Визуальное превью покажет именно этот блок. Если бы использовалась Zoom Feature, она показала бы увеличенное изображение и читаемый список ингредиентов. Это повышает вероятность выбора этого сегмента для сниппета и увеличивает CTR.