Как Google динамически понижает подсказки в Autocomplete, которые пользователь уже видел, но проигнорировал

Термины и определения

Partial Query (Частичный запрос)

Последовательность символов, введенная пользователем в поле поиска до момента отправки запроса. Например, "base".

Query Completion (Вариант автозаполнения / Поисковая подсказка)

Предлагаемый системой полный запрос. Например, "baseball".

Exposure Time (Время просмотра / Время экспозиции)

Период времени, в течение которого список подсказок был показан пользователю до того, как он ввел дополнительные символы.

Demotion Score (DS) (Оценка понижения)

Метрика, рассчитываемая для подсказок, которые уже были показаны. Основана на Exposure Time и используется для понижения их позиции в последующих списках.

Initial List (Исходный список)

Первоначальный список подсказок, сгенерированный для частичного запроса до применения понижений. Обычно основан на популярности.

Refined List (Уточненный список)

Список подсказок после применения Demotion Scores и переранжирования Initial List.

Completion Demotion Engine (Механизм понижения подсказок)

Компонент системы, отвечающий за расчет Demotion Scores и переранжирование списков.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод динамического понижения подсказок.

1. Система получает первый Partial Query.
2. Отображает Первый список подсказок.
3. Получает дополнительные символы (формируется Второй Partial Query).
4. Получает Второй список подсказок.
5. Идентифицирует подсказки, присутствующие в обоих списках.
6. Рассчитывает Demotion Scores для этих подсказок. Ключевое условие: Оценка основана на взвешенном значении (weighted value), связанном с периодом времени между показом Первого списка и вводом дополнительных символов. Это взвешенное значение является небинарной мерой (non-binary measure), основанной на величине этого периода времени.
7. Demotion Scores используются для понижения идентифицированных подсказок во Втором списке, формируя Refined List.
8. Refined List отображается пользователю.

Claim 2, 3, 4 (Зависимые): Уточняют, что Demotion Score может также зависеть от позиции подсказки в Первом списке. Подсказки на высоких позициях (например, Топ-1 или Топ-2) могут понижаться сильнее, так как вероятность их просмотра выше.

Claim 5 (Зависимый): Уточняет, что Demotion Score зависит от того, превышает ли период времени отображения минимальный порог (minimum threshold time). Это защита от понижения при очень быстром вводе текста.

Claim 6, 7 (Зависимые): Описывают продолжение процесса для третьего и последующих частичных запросов. Demotion Score рассчитывается на основе времени отображения всех предыдущих списков (кумулятивный эффект).

Где и как применяется

Изобретение применяется исключительно на этапе взаимодействия пользователя с интерфейсом поисковой системы, до отправки финального запроса.

QUNDERSTANDING – Понимание Запросов

Механизм работает в рамках системы помощи в формулировании запроса (Query Formulation Assistance / Autocomplete). Он динамически переписывает предлагаемые варианты завершения запроса в реальном времени на основе поведения пользователя.

Система не взаимодействует с этапами CRAWLING, INDEXING, RANKING, METASEARCH или RERANKING.

Входные данные:

• Новый Partial Query (или дополнительные введенные символы).
• Initial List подсказок с исходными оценками ранжирования.
• Данные сессии: История показанных ранее подсказок и их соответствующие Exposure Times.

Выходные данные:

• Refined List подсказок с пересчитанными оценками ранжирования для отображения в интерфейсе Autocomplete.

На что влияет

Патент влияет исключительно на состав и порядок поисковых подсказок (Autocomplete).

• Типы запросов/Ниши/Языки: Механизм универсален и не зависит от тематики запроса, языка или местоположения. Наиболее заметно влияние на запросы, требующие уточнения, где пользователь вводит несколько символов последовательно.

Когда применяется

• Условия работы: Функция автозаполнения активна. Пользователь вводит второй или последующий символ в рамках одной сессии ввода.
• Триггеры активации: Ввод дополнительного символа после того, как предыдущий список подсказок был отображен.
• Пороговые значения (Упомянутые варианты в патенте):
  • Минимальное пороговое время (minimum threshold time): Exposure Time должен превышать этот порог (например, 300-1000 мс). Если ввод быстрее, понижение может не применяться.
  • Максимальное пороговое время (maximum threshold time): Если Exposure Time превышает этот порог (например, 5-12 секунд), понижение может быть максимальным.
  • Пороговая позиция: Понижение может применяться сильнее к подсказкам, показанным выше определенной позиции (например, Топ-2).

Пошаговый алгоритм

Процесс динамического уточнения списка подсказок во время ввода запроса:

1. Начало ввода: Получение первого Partial Query. Отображение первого списка подсказок. Запуск таймера Exposure Time.
2. Ожидание Действия: Система ожидает ввода дополнительных символов или выбора подсказки.
3. Получение Дополнительных Символов: Пользователь вводит символ. Таймер останавливается, фиксируется Exposure Time (ET1). Формируется новый Partial Query.
4. Получение Исходного Списка: Система получает новый Initial List.
5. Идентификация Повторов: Система определяет, какие подсказки из нового списка уже были показаны ранее в этой сессии.
6. Расчет Demotion Scores: Для каждой повторяющейся подсказки вычисляется Demotion Score. Расчет основывается на кумулятивном Exposure Time (например, ET1 + ET2...). Также учитываются пороговые времена и позиции подсказки в предыдущих списках.
7. Корректировка Ранжирования: Исходные оценки ранжирования повторяющихся подсказок модифицируются с использованием Demotion Score.
8. Формирование Уточненного Списка: Система переранжирует Initial List, формируя Refined List. Ранее показанные подсказки понижаются.
9. Отображение и Перезапуск Таймера: Refined List отображается пользователю. Запускается новый таймер. Процесс повторяется с шага 2.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, генерируемых в реальном времени во время сессии пользователя.

• Пользовательские факторы (В рамках сессии):
  • Последовательность вводимых символов (Partial Queries).
  • Временные метки ввода каждого символа (для расчета Exposure Time).
• Системные данные:
  • Исходные списки подсказок (Initial Lists) и их базовые оценки ранжирования (например, основанные на популярности запросов).
  • Позиции подсказок в отображаемом списке.

Какие метрики используются и как они считаются

1. Exposure Time (t): Время отображения списка подсказок. Рассчитывается как разница между временем отображения списка и временем ввода следующего символа.
2. Cumulative Exposure Time (tᵢ): Сумма времен отображения конкретной подсказки на всех предыдущих шагах текущей сессии ввода.
3. Demotion Score (DS): Оценка понижения. Патент предлагает конкретную формулу расчета (Eq. 1):
   
   $DS(QC_i) = exp^{-(k \cdot t_i)}$
   
   Где $QC_i$ – конкретная подсказка, $t_i$ – кумулятивное время просмотра, $k$ – константа. Это функция экспоненциального затухания. Чем больше $t_i$, тем ближе DS к 0 (сильное понижение).
4. Revised Ranking Score (Пересмотренная оценка ранжирования): Рассчитывается как функция исходной оценки ранжирования и Demotion Score (например, путем их перемножения).

1. Патент описывает UX-механизм Autocomplete, а не ранжирование поиска: Этот патент не влияет на ранжирование веб-страниц. Он полностью сосредоточен на улучшении пользовательского опыта при взаимодействии с поисковыми подсказками.
2. Игнорирование подсказки интерпретируется как негативный сигнал: Система активно интерпретирует поведение пользователя в реальном времени. Если пользователь видит подсказку, но продолжает ввод, это считается сигналом того, что подсказка нерелевантна для текущей сессии.
3. Время просмотра (Exposure Time) – ключевой фактор понижения: Степень понижения (Demotion Score) прямо зависит от времени, в течение которого пользователь видел подсказку. Чем дольше пауза перед вводом следующего символа, тем агрессивнее понижение.
4. Учет скорости ввода (Защита от быстрого набора): Если пользователь печатает быстро (время просмотра ниже минимального порога), система предполагает, что он не успел оценить подсказки, и понижение не применяется.
5. Кумулятивный эффект и Позиция: Понижение усиливается, если подсказка игнорируется несколько раз подряд (кумулятивное время) или если она находилась на высокой позиции (Топ-1, Топ-2).
6. Динамическое разнообразие: Цель механизма – увеличить разнообразие и полезность подсказок по мере уточнения запроса, убирая отвергнутые варианты.

ВАЖНО: Патент является инфраструктурным в отношении основного SEO и фокусируется исключительно на функции Autocomplete. Он не дает практических выводов для SEO-продвижения сайтов в органической выдаче. Применение ограничено областями исследования ключевых слов и ORM/SERM.

Best practices (это мы делаем)

• Анализ динамики Autocomplete для Keyword Research: При сборе семантики через Autocomplete учитывайте, что порядок подсказок динамичен. Для получения списка, основанного только на популярности (без понижений), следует эмулировать быстрый ввод запроса или использовать инструменты, которые минимизируют Exposure Time.
• Исследование "скрытых" подсказок (Long-Tail): Намеренно вводите запрос медленно, делая паузы (например, 2-3 секунды) после каждого символа. Это активирует механизм понижения популярных подсказок и позволит увидеть менее частотные или "длиннохвостые" запросы, которые обычно скрыты. Это помогает глубже проработать интент.
• Мониторинг брендовых подсказок (ORM/SERM): При анализе подсказок по брендовым запросам понимайте, что видимость негативных или позитивных подсказок может меняться в рамках одной сессии в зависимости от поведения пользователя.

Worst practices (это делать не надо)

• Восприятие Autocomplete как статического списка: Ошибочно полагать, что список подсказок всегда одинаков. Игнорирование влияния скорости ввода может привести к неполному сбору семантики.
• Манипуляции с Autocomplete (Накрутки): Попытки внедрить запрос в Autocomplete путем генерации большого объема поискового трафика могут быть частично нивелированы. Даже если запрос попадет в Initial List, он будет динамически понижаться в сессиях реальных пользователей, если они его игнорируют.
• Использование медленных парсеров подсказок: Использование медленных инструментов для сбора данных Autocomplete может привести к получению искаженных данных, так как механизм понижения будет активироваться во время процесса сбора, изменяя порядок подсказок.

Стратегическое значение

Патент подтверждает стремление Google анализировать поведение пользователя на самых ранних этапах поискового процесса, даже до отправки запроса. Он демонстрирует, как интерфейсные решения (UX) используются для повышения качества взаимодействия с поиском. Стратегически это подтверждает, что Autocomplete — это не просто список популярных запросов, а интерактивный адаптивный инструмент.

Практические примеры

Сценарий 1: Исследование ключевых слов (Поиск дополнительных интентов)

1. Цель: Найти менее очевидные связанные запросы для префикса "base".
2. Действие (Медленный ввод): SEO-специалист вводит "b", ждет 2 сек. Вводит "a" ("ba"), ждет 2 сек. Вводит "s" ("bas"), ждет 2 сек. Вводит "e" ("base").
3. Наблюдение (согласно патенту, FIG. 4): Популярная подсказка "baseball" постоянно игнорировалась. Её кумулятивное Exposure Time велико, а Demotion Score низок.
4. Результат: В списке для "base" подсказка "baseball" опускается вниз или исчезает. Наверх поднимаются альтернативы: "base jumping", "basel", "baseline". Специалист выявил дополнительные темы.

Сценарий 2: Получение чистого списка подсказок (Анализ популярности)

1. Цель: Получить список подсказок для "base", отсортированный по популярности.
2. Действие (Быстрый ввод): Специалист быстро вводит "base" (менее 500 мс на символ).
3. Наблюдение (согласно патенту, FIG. 5): Exposure Time на каждом шаге минимален. Demotion Score близок к 1 (понижение минимально).
4. Результат: Система показывает список, максимально близкий к Initial List. "Baseball" сохраняет высокую позицию. Специалист получает данные о глобальной популярности запросов.