Как Google использует визуальные превью (Query Suggestion Groupings) для уточнения поисковых запросов

Термины и определения

Query Suggestion Grouping (Группировка предложений запроса)

UI-элемент на SERP, который включает текстовое описание предложенного запроса и Representative Resource Set.

Representative Resource Set (Репрезентативный набор ресурсов)

Подмножество ресурсов (например, изображений), выбранное для визуального представления контекста предложенного запроса. В патенте также называется Representative Image Set.

Query Suggestion Display Environment (Среда отображения предложения запроса)

Интерактивная область (например, разворачивающаяся панель) на SERP, которая активируется при выборе Query Suggestion Grouping. Показывает расширенный набор результатов для предложенного запроса.

Non-duplicative text (Недублирующийся текст)

Текст, используемый для описания предложения, из которого удалены термины исходного запроса, или который представляет собой отдельную семантическую сущность (n-грамму), уточняющую запрос.

Diversity Measure (Мера разнообразия)

Метрика, определяющая разнообразие доменов (Domain diversity score) или страниц (Page diversity score), на которых размещены топовые ресурсы. Низкое разнообразие может указывать на доминирование одного источника (коллекции).

Overlap Threshold (Порог перекрытия)

Пороговое значение, определяющее максимальное допустимое пересечение между результатами исходного запроса и результатами предложенного запроса. Если порог превышен, группировка может не генерироваться.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод обработки и представления предложений запроса (с фокусом на изображения).

1. Система получает набор предложений (search query suggestions) в ответ на исходный запрос.
2. Для каждого предложения система получает набор релевантных ресурсов (изображений).
3. Для каждого набора ресурсов генерируется репрезентативный набор (Representative Image Set).
4. Ключевое условие (Правило Исключения): Этот набор состоит из изображений, релевантных предложению, но которые НЕ идентифицированы в наборе топовых ранжированных изображений, релевантных исходному запросу.
5. Система предоставляет страницу результатов поиска (SERP), которая включает:
   • Результаты (изображения), релевантные исходному запросу.
   • Для каждого предложения — Query Suggestion Grouping.
6. Каждая группировка включает:
   • Текстовые данные, которые являются недублирующимися (non-duplicative) по отношению к тексту исходного запроса.
   • Данные, отображающие Representative Image Set (миниатюры).

Claim 3 (Зависимый от 1): Детализирует пользовательский интерфейс и взаимодействие.

1. SERP содержит инструкции, которые заставляют устройство пользователя отобразить группировки в первом ряду, а результаты поиска — в смежных рядах.
2. В ответ на выбор конкретной группировки:
   • Генерируется Query Suggestion Display Environment (среда отображения) на SERP между рядом группировок и рядами результатов.
   • В этой среде отображается подмножество изображений, релевантных выбранному предложению, и текстовые данные, описывающие предложение.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, в основном связанных с пониманием запросов и финальным формированием выдачи (Presentation Layer).

QUNDERSTANDING – Понимание Запросов
Suggestion Generator генерирует предложения (query suggestions) на основе исходного запроса. Также анализируется семантика для определения non-duplicative text.

RANKING – Ранжирование
Система выполняет ранжирование как для исходного запроса, так и для каждого из предложенных запросов, чтобы определить топовые результаты (Top N), которые будут использоваться для генерации Representative Resource Set.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основное применение патента. Query Suggestion Grouping Generator работает здесь:

1. Валидация предложений: Проверяется, достаточно ли отличаются результаты предложения от результатов исходного запроса (Overlap Threshold).
2. Выбор репрезентативного набора: Применяется Правило Исключения (Claim 1) для выбора ресурсов, которые не входят в топ основной выдачи.
3. Анализ разнообразия: Рассчитывается Diversity Measure для определения возможности создания специализированных группировок для коллекций или сайтов.
4. Формирование SERP: Система компонует финальную страницу, включая логику для отображения Query Suggestion Display Environment.

Входные данные:

• Исходный запрос и набор предложенных запросов.
• Результаты ранжирования (ресурсы и их скоринг) для всех запросов.
• Визуальные данные ресурсов (миниатюры, соотношение сторон).

Выходные данные:

• Страница результатов поиска (SERP), включающая основные результаты и интерактивные Query Suggestion Groupings.

На что влияет

• Конкретные типы контента: Наибольшее влияние оказывается на визуальный контент — изображения (основной фокус Claims), видео, товары. В описании упоминается применимость ко всем типам ресурсов.
• Специфические запросы: Влияет на запросы с широким интентом или исследовательские запросы (exploratory search), где пользователю требуется уточнение или изучение смежных тем.
• Конкретные ниши или тематики: Ниши, где визуальное представление имеет ключевое значение (дизайн, мода, ecommerce, путешествия).

Когда применяется

• Условия работы алгоритма: Применяется, когда для исходного запроса могут быть сгенерированы релевантные предложения (query suggestions).
• Пороговые значения:
  • Overlap Threshold — если результаты слишком похожи на исходные, группировка может не генерироваться.
  • Diversity Measure — если разнообразие источников низкое (один сайт доминирует), может быть сгенерирована группировка для конкретного сайта или коллекции (website grouping).
• Особые случаи: Патент упоминает возможность создания групп на основе общих визуальных признаков (например, "черно-белое") или метаданных (дата, размер).

Пошаговый алгоритм

Процесс А: Генерация Query Suggestion Groupings (Серверная сторона)

1. Получение данных: Система получает исходный запрос (Q1), генерирует набор предложений (S1, S2...) и определяет наборы релевантных ресурсов для Q1 (R1) и для каждого предложения (R2, R3...).
2. Валидация предложений (Опционально): Для S1 проверяется Overlap Threshold между R1 и R2. Если перекрытие слишком велико, S1 может быть отброшено.
3. Генерация репрезентативного набора (для S1):
   1. Выбирается подмножество топовых ресурсов (Топ-N) из R2.
   2. Применение Правила Исключения (Критический шаг, Claim 1): Из подмножества исключаются ресурсы, которые входят в Топ-M ресурсов исходного запроса (R1).
4. Анализ разнообразия (Опционально): Рассчитывается Diversity Measure для R2. Если она низкая, генерируется специализированная группировка для коллекции.
5. Формирование текста предложения: Определяется non-duplicative text путем удаления терминов Q1 из S1 или идентификации семантических сущностей.
6. Сборка группировки: Текст и визуальные представления (миниатюры) выбранных ресурсов объединяются в Query Suggestion Grouping.
7. Предоставление SERP: Страница результатов отправляется пользователю.

Процесс Б: Взаимодействие пользователя (Клиентская сторона)

1. Рендеринг: Устройство пользователя отображает группировки (например, в ряду над результатами).
2. Мониторинг выбора: Отслеживается взаимодействие пользователя с группировкой (клик, наведение).
3. Генерация среды отображения: При выборе генерируется Query Suggestion Display Environment (панель превью) между группировками и основными результатами.
4. Отображение превью: В панели показывается расширенный набор результатов и полный текст предложенного запроса.

Какие данные и как использует

Данные на входе

• Мультимедиа факторы (Визуальные данные): Изображения и их миниатюры являются ключевыми данными. Аспектное соотношение (aspect ratio) влияет на компоновку миниатюр. Могут анализироваться визуальные характеристики (цветность) или метаданные (дата, размер) для создания специализированных группировок.
• Поведенческие факторы: Журналы запросов (Query Logs) и выбора (Selection Logs) используются для генерации предложений запросов.
• Контентные факторы: Текст запросов анализируется для определения non-duplicative text. Заголовки веб-страниц могут использоваться для наименования группировок коллекций.
• Технические факторы (URL/Домен): Доменные имена или URL используются для расчета Diversity Measure.
• Структурные факторы (Knowledge Graph): В описании упоминается возможность использования данных о сущностях (например, автор и его книги) для генерации специализированных группировок.

Какие метрики используются и как они считаются

• Ranking Scores: Используются для определения топовых ресурсов (Top N и Top M).
• Overlap Threshold (Порог перекрытия): Рассчитывается как процент или количество общих ресурсов в Топ M результатах между исходным запросом и предложенным запросом.
• Diversity Measure (Мера разнообразия): Метрика для идентификации доминирования источника. Рассчитывается как соотношение J/K, где K — общее количество топовых ресурсов, а J — количество ресурсов из K, размещенных на определенном домене (Domain diversity score) или странице (Page diversity score).
• Information Gain (Прирост информации): Упоминается при определении non-duplicative text для идентификации n-грамм, представляющих собой отдельные семантические сущности.

1. Визуальный контекст для уточнения запросов: Google придает большое значение тому, чтобы пользователи могли визуально оценить направление уточнения запроса до клика, используя Query Suggestion Groupings.
2. Активное стремление к разнообразию (Правило Исключения): Критически важным аспектом (Claim 1) является то, что ресурсы для превью предложения намеренно выбираются из тех, которые НЕ присутствуют в топе основной выдачи. Это механизм для повышения разнообразия (diversity) и предоставления пользователю нового контента.
3. Идентификация и продвижение Коллекций (Site Dominance): Система способна идентифицировать ситуации, когда один сайт доминирует в результатах по предложенному запросу (низкая Diversity Measure). В таких случаях может быть создана специальная группировка для этой коллекции или сайта.
4. Семантическое понимание уточнений: Механизм генерации non-duplicative text показывает, что система фокусируется на семантической разнице между запросами, а не просто на ключевых словах.
5. Интерактивность SERP: Механизм Query Suggestion Display Environment позволяет исследовать смежные темы в режиме инлайн, не переходя на новую страницу, что улучшает UX.

Best practices (это мы делаем)

• Оптимизация под запросы-уточнения (Refinements): Необходимо уделять пристальное внимание связанным запросам и уточнениям. Высокое ранжирование по этим уточнениям дает шанс попасть в Query Suggestion Grouping, даже если сайт не в топе по основному запросу.
• Создание разнообразного визуального контента: Поскольку система стремится показать в группировках ресурсы, отличные от основной выдачи (Правило Исключения), важно иметь широкий спектр релевантных изображений по одной теме. Это увеличивает общую видимость сайта в рамках SERP.
• Построение тематической авторитетности (Topical Authority): Стремитесь к доминированию в конкретной узкой теме. Если система зафиксирует низкую Diversity Measure и ваш сайт будет источником большинства топовых результатов, Google может создать специализированную группировку для вашей коллекции или сайта (website grouping).
• Оптимизация качества изображений (Image SEO): Обеспечьте высокое качество и репрезентативность изображений. Миниатюры должны быть привлекательными и точно отражать содержание, так как они напрямую используются для привлечения внимания пользователя в группировках.

Worst practices (это делать не надо)

• Фокус только на "Head Terms": Игнорирование длинного хвоста запросов и семантических уточнений лишает сайт возможности участвовать в механизме Query Suggestion Groupings.
• Использование нерепрезентативных или кликбейтных изображений: Использование изображений, не соответствующих контексту уточнения, приведет к низкому вовлечению пользователей при показе в превью.
• Дублирование визуального контента: Использование одинаковых или очень похожих изображений для разных страниц снижает разнообразие вашего контента и уменьшает шансы на показ разных ассетов в основной выдаче и в группировках.

Стратегическое значение

Патент подтверждает важность пользовательского опыта (UX) и визуальной составляющей в поиске. Query Suggestion Groupings — это дополнительный слой выдачи, требующий стратегического подхода к созданию контента. Видимость не ограничивается стандартным ранжированием. Стратегическое значение также заключается в механизме идентификации авторитетных коллекций через Diversity Measure, что дает четкий сигнал к построению глубоко проработанных тематических хабов и укреплению авторитетности в нише.

Практические примеры

Сценарий 1: Использование Правила Исключения в Image SEO

1. Исходный запрос: [rhubarb] (Ревень).
2. Основная выдача (SERP 1): Показывает общие изображения растения ревень.
3. Предложенный запрос: [rhubarb stalk] (Стебель ревеня).
4. Механизм патента: Система ищет лучшие изображения для [rhubarb stalk]. Она намеренно исключает (Claim 1) те изображения, которые уже показаны в Топ-20 для [rhubarb].
5. Действие SEO (для фотостока): Иметь не только общие фото ревеня, но и множество разнообразных, высококачественных фотографий стеблей.
6. Результат: Даже если общие фото попали в SERP 1, уникальные фото стеблей могут быть выбраны для группировки. Сайт получает видимость в обоих блоках за счет разного контента.

Сценарий 2: Доминирование в нише и создание коллекции

1. Исходный запрос: [Geometric Art].
2. Предложенный запрос: [Geometric Art John Doe].
3. Механизм патента: Система определяет, что 8 из Топ-10 результатов по предложенному запросу ведут на сайт JohnDoe.com. Diversity Measure низкая.
4. Генерация группировки: Система создает специализированную группировку: "John Doe Collection 2013", используя заголовок с сайта и, возможно, фото автора (как описано в патенте).
5. Действие SEO (для JohnDoe.com): Консолидировать лучший контент по этой теме на сайте, создать четкую структуру коллекций и оптимизировать заголовки.
6. Результат: Сайт получает брендированную группировку в выдаче, что значительно повышает авторитетность и CTR.