Как Google использует историю поведения пользователя для персонализации выбора и ранжирования вертикальных блоков (Universal Search)

Термины и определения

Corpus of documents (Корпус документов)

Основной индекс документов (например, веб-страниц), используемый для стандартного поиска.

Probability Model (Вероятностная модель)

Статистическая модель, построенная на основе прошлого поведения пользователя. Используется для оценки вероятности того, что пользователь выберет определенный тип специализированного результата. В патенте упоминаются методы logistic regression и regression trees.

Search related behavior (Поведение, связанное с поиском)

Действия пользователя, которые отслеживаются системой для построения Probability Model. Включает историю запросов, клики на результаты и временные паттерны.

Specialized Results (Специализированные результаты)

Результаты поиска, полученные из Sources of specialized information. Соответствуют блокам Универсального поиска (Universal Search) или результатам вертикального поиска.

Sources of specialized information (Источники специализированной информации)

Специализированные индексы или базы данных (вертикали). Примеры из патента: новости, котировки акций, погода, музыка, фильмы, путешествия, карты, изображения, покупки, история поиска, определения слов, вопросы, патенты, местное время, дискуссионные группы, блоги и телепрограммы.

Tracked Parameters (Отслеживаемые параметры)

Конкретные данные о поведении пользователя, которые используются как признаки (features) для построения Probability Model (детализированы в Claim 2).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный цикл работы системы, включающий обучение и применение.

1. Получение запроса.
2. Поиск по основному corpus of documents и по sources of specialized information (Новости, Карты и т.д.).
3. Предоставление пользователю стандартных и специализированных результатов.
4. Отслеживание параметров (tracking parameters), связанных с выбором пользователем Specialized Results.
5. Построение Probability Model на основе отслеженных параметров для оценки вероятности выбора определенных типов Specialized Results в будущем.
6. Использование модели для выбора (selecting) определенных Specialized Results в ответ на последующий запрос и их предоставление пользователю.

Claim 2 (Зависимый от 1): Перечисляет конкретные параметры (Tracked Parameters), используемые для построения модели (см. раздел 4.2).

Claim 18 (Независимый пункт): Фокусируется на механизме ранжирования специализированных результатов с использованием модели.

1. Поиск по основному корпусу и специализированным источникам.
2. Получение оценок вероятности (probability estimates) того, что пользователь выберет определенные типы Specialized Results, на основе его поискового поведения.
3. Присвоение оценок (scoring) специализированным результатам на основе этих вероятностей. Ключевое уточнение: результату с более высокой вероятностью присваивается более высокая оценка (higher score).
4. Ранжирование (ranking) специализированных результатов на основе присвоенных оценок.

Claim 28 (Независимый пункт): Фокусируется на выборочном предоставлении результатов.

1. Поиск по основному корпусу и специализированным источникам.
2. Оценка вероятностей выбора пользователем определенных типов Specialized Results.
3. Система выборочно предоставляет (selectively providing) определенные типы специализированных результатов пользователю на основе этих вероятностей.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, связывая анализ поведения пользователя с финальным формированием выдачи.

INDEXING – Индексирование
Система индексирует как основной корпус документов, так и sources of specialized information. В патенте (Claims 29, 30) упоминается, что специализированные источники могут быть проиндексированы отдельно от основного корпуса, что позволяет проводить независимый поиск по каждой вертикали.

Офлайн-процессы (Data Analysis)
Данные о поведении пользователей (история запросов и кликов на Specialized Results) собираются и обрабатываются для построения или обновления персонализированной Probability Model.

RANKING – Ранжирование (Онлайн)
При получении запроса система параллельно выполняет поиск по основному индексу и по релевантным специализированным индексам для генерации кандидатов.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Это основная область применения патента. На этапе смешивания (Blending) система должна решить, какие блоки Specialized Results включить в финальную выдачу и в каком порядке. Probability Model предоставляет персонализированные данные (оценки вероятности) для алгоритма смешивания. Система использует эти данные для отбора и/или ранжирования специализированных блоков, модифицируя состав SERP для конкретного пользователя.

Входные данные:

• Запрос пользователя и его идентификатор (Account ID, cookie, IP).
• Набор стандартных результатов поиска.
• Наборы Specialized Results из различных вертикалей.
• Предварительно построенная Probability Model для пользователя.

Выходные данные:

• Персонализированная страница результатов поиска (SERP), где Specialized Results выбраны и/или ранжированы на основе предсказанных предпочтений пользователя и размещены на видном месте (prominent position).

На что влияет

• Конкретные типы контента: Влияет непосредственно на видимость контента, попадающего в Specialized Results (блоки Universal Search). Патент перечисляет множество типов: новости, карты, изображения, товары (Shopping), котировки акций, погода, патенты, блоги и т.д.
• Специфические запросы: Наибольшее влияние оказывается на запросы, для которых релевантны сразу несколько вертикалей (неоднозначные или широкие запросы). Система решает, какую вертикаль предпочесть, основываясь на истории пользователя.

Когда применяется

• Условия применения: Алгоритм применяется, когда система идентифицирует релевантные результаты в одном или нескольких источниках специализированной информации.
• Триггеры активации: Для эффективной работы механизма требуется наличие достаточного объема исторических данных о поведении пользователя, чтобы построить надежную Probability Model.

Пошаговый алгоритм

Процесс А: Построение Вероятностной Модели (Обучение)

1. Отслеживание взаимодействия: Система предоставляет пользователю поисковую выдачу и отслеживает его взаимодействие (клики) со Specialized Results.
2. Сбор и агрегация параметров: Система собирает Tracked Parameters (см. раздел 4.2), связанные с этими взаимодействиями, и агрегирует их по пользователю.
3. Построение/Обновление модели: На основе накопленных параметров система строит или обновляет персонализированную Probability Model. Используются статистические методы (например, logistic regression) для оценки вероятности будущих выборов для каждого типа специализированного результата.

Процесс Б: Применение Модели для Персонализации (Онлайн)

1. Получение запроса: Система получает новый запрос от идентифицированного пользователя.
2. Параллельный поиск: Получение набора стандартных результатов и наборов Specialized Results.
3. Оценка вероятностей: Использование предварительно построенной Probability Model для данного пользователя, чтобы оценить вероятность того, что он выберет каждый из доступных типов Specialized Results.
4. Отбор и Ранжирование: Система выполняет отбор и/или скоринг Specialized Results на основе полученных оценок вероятности.
   Вариант 1 (Отбор): Выбираются типы результатов с наивысшими вероятностями или те, что превышают порог.
   Вариант 2 (Ранжирование): Результатам присваиваются оценки (scores) на основе вероятностей (более высокая вероятность = более высокая оценка), после чего они ранжируются между собой.
5. Смешивание и Предоставление: Выбранные и отранжированные Specialized Results предоставляются пользователю на заметной позиции вместе со стандартными результатами.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и пользовательских данных для персонализации выбора вертикалей.

• Поведенческие факторы (Behavioral Factors): История взаимодействия пользователя с различными типами Specialized Results (клики).
• Пользовательские факторы (User Factors): Идентификатор пользователя (упоминаются Account ID, cookie, IP address) для привязки поведения.

Какие метрики используются и как они считаются

Система использует Probability Model, которая обучается на конкретных отслеживаемых параметрах (Tracked Parameters). Патент (Claim 2) явно перечисляет следующие параметры, используемые как признаки (features) для модели:

• Количество прошлых выборов (кликов) определенного типа специализированного результата.
• Количество поисковых запросов на один выбор определенного типа (частота взаимодействия).
• Количество дней поисковых запросов на один выбор определенного типа.
• Средняя длина поискового запроса пользователя.
• Среднее количество поисковых запросов в месяц (мера активности пользователя).
• Процент выборов, которые происходят в выходные дни.
• Процент выборов, которые происходят в будние дни.

Метрики на выходе модели:

• Probability Estimates (Оценки вероятности): Выходные данные Probability Model для каждого типа Specialized Result. Предсказывают вероятность клика пользователя.
• Scores (Оценки ранжирования): Присваиваются специализированным результатам на основе Probability Estimates. В патенте указано, что оценка может быть функцией (например, линейной функцией) от соответствующей вероятности. Используются для ранжирования блоков между собой.

Методы анализа:

• Для построения Probability Model используются статистические методы моделирования. Явно упомянуты logistic regression (логистическая регрессия) и regression trees (деревья регрессии).

1. Персонализация состава SERP: Патент доказывает, что состав блоков Универсального Поиска (Новости, Картинки, Карты и т.д.) не является статичным для данного запроса, а активно персонализируется для каждого пользователя на основе его истории.
2. Поведение пользователя обучает систему: Взаимодействие пользователя с вертикалями напрямую влияет на то, какие вертикали он увидит в будущем. Клик на определенный тип Specialized Result увеличивает вероятность его показа и повышает его ранжирование в дальнейшем.
3. Ранжирование вертикалей основано на вероятности клика: Specialized Results (блоки) ранжируются между собой на основе предсказанной вероятности того, что пользователь их выберет (Claim 18). Более высокая вероятность ведет к более высокому score и позиции.
4. Детальный поведенческий анализ: Модель строится на конкретных, измеримых параметрах поведения, включая не только клики, но и общую поисковую активность пользователя и временные паттерны (будни/выходные).
5. Подавление неиспользуемых вертикалей: Если пользователь систематически игнорирует определенный тип контента, Probability Model снизит вероятность его показа, даже если он релевантен запросу.

Best practices (это мы делаем)

• Комплексная оптимизация под вертикали (Holistic/Omnichannel SEO): Необходимо оптимизировать контент под все релевантные вертикали (Изображения, Новости, Видео, Локальный поиск, Товары). Поскольку предпочтения пользователя определяют, какая вертикаль получит приоритет, важно присутствовать во всех потенциально интересных для целевой аудитории форматах.
• Стимулирование взаимодействия (Оптимизация CTR в вертикалях): Создавайте привлекательный контент и оптимизируйте сниппеты внутри вертикалей (например, качественные изображения, оптимизированные заголовки новостей, полные данные о товарах). Клики на ваши результаты в вертикалях обучают Probability Model пользователя в вашу пользу, увеличивая будущую видимость этого типа контента.
• Анализ поведения аудитории и трафика: Изучайте, какие форматы контента предпочитает ваша целевая аудитория (используя данные Search Console по типам поиска). Понимание того, что разные сегменты пользователей могут видеть разные вертикали из-за персонализации, помогает точнее настраивать контент-стратегию.

Worst practices (это делать не надо)

• Игнорирование вертикалей из-за низкой видимости в тестах: Не стоит отказываться от оптимизации под вертикаль только потому, что она не отображается в неперсонализированных или инкогнито тестах. Она может быть очень важна для пользователей, которые исторически проявляли к ней интерес.
• Ориентация только на стандартную веб-выдачу: Стратегии, игнорирующие Specialized Results, упускают значительную часть видимости, особенно учитывая, что эти результаты часто размещаются на самых заметных позициях в SERP.
• Предположение о статичности SERP: Нельзя предполагать, что один и тот же запрос всегда вызывает одинаковый набор и порядок вертикальных блоков для всех пользователей. Анализ SERP должен учитывать фактор персонализации.

Стратегическое значение

Патент подтверждает, что формирование итоговой выдачи (Metasearch/Blending) является глубоко персонализированным процессом. Это подчеркивает переход от статического ранжирования к динамическому формированию SERP на основе поведения и предпочтений пользователя в отношении форматов контента. Для SEO это означает необходимость разработки мультиформатных контент-стратегий и понимание того, что измерение позиций и видимости становится все более сложным.

Практические примеры

Сценарий 1: Персонализация выдачи по неоднозначному запросу [apple]

1. Пользователь А (Инвестор): Регулярно проверяет финансовые новости и котировки акций. Его Probability Model имеет высокие оценки вероятности для вертикалей "Новости" и "Котировки акций" (Stocks).
2. Пользователь Б (Покупатель): Часто ищет гаджеты и использует Google Shopping. Его Probability Model имеет высокие оценки для вертикали "Товары" (Shopping) и "Изображения" (Images).
3. Запрос: Оба пользователя вводят запрос [apple].
4. Обработка: Система находит релевантные Specialized Results в нескольких вертикалях.
5. Персонализация (Scoring и Ranking):
   Для Пользователя А система присваивает высокие scores блокам "Котировки акций" и "Новости" и ранжирует их выше.
   Для Пользователя Б система присваивает высокие scores блокам "Товары" и "Изображения" и ранжирует их выше.
6. Результат: Пользователь А видит на первых позициях финансовую информацию. Пользователь Б видит карусель с товарами Apple.

Сценарий 2: Влияние временных факторов

1. История пользователя: Пользователь ищет рестораны (Maps/Local) преимущественно по выходным. Система учитывает параметр "Процент выборов в выходные дни".
2. Новый запрос в будний день: Пользователь вводит запрос [итальянская кухня] во вторник днем.
3. Применение модели: Модель предсказывает более низкую вероятность интереса к Картам именно сейчас по сравнению с другими вертикалями (например, Рецепты или Новости).
4. Результат: Система может отдать предпочтение другим специализированным результатам, понижая или скрывая блок Local Pack/Maps.