Как Google персонализирует поисковые подсказки (Autocomplete) используя ваш социальный граф

Термины и определения

Ancillary Data (Вспомогательные данные)

Дополнительная информация, отображаемая вместе с поисковыми подсказками. В контексте патента это, как правило, Endorsement Counts.

Auto-completion Engine (Система автозаполнения)

Компонент поисковой системы, отвечающий за идентификацию, ранжирование и предоставление поисковых подсказок.

Degree of Separation (Степень разделения / Близость контакта)

Метрика в социальном графе, определяющая дистанцию между пользователем и другим контактом (например, прямой контакт, друг друга и т.д.). Используется для взвешивания социальных сигналов.

Endorsement (Одобрение)

Действие пользователя, выражающее положительное отношение к онлайн-контенту (веб-странице, ресурсу). Может быть явным (кнопка "Like"/"Share") или неявным (размещение ссылки на ресурс в блоге, посте, сообщении).

Endorsement Count (Счетчик одобрений)

Количество одобрений, связанных с результатами поиска, которые будут показаны при выборе данной подсказки.

Endorsement Score (ES) (Оценка одобрения)

Компонент Ranking Score. Отражает количество и качество одобрений, которые пользователи (глобально или из социального графа) дали результатам поиска, сгенерированным на основе данной подсказки.

Frequency (f) (Частота)

Компонент Ranking Score. Отражает частоту, с которой данная подсказка используется в качестве поискового запроса (глобально или в социальном графе).

Interaction Score (IS) (Оценка взаимодействия)

Компонент Ranking Score. Отражает взаимодействие пользователей (глобально или из социального графа) с результатами поиска, сгенерированными на основе данной подсказки (например, клики, скроллинг).

Preliminary Search Results (Предварительные результаты поиска)

Результаты поиска, которые генерируются и отображаются автоматически для самой высокоранжированной подсказки, еще до того, как пользователь явно ее выбрал.

Query Auto-completion (Поисковая подсказка / Автозаполнение запроса)

Предлагаемое завершение или совпадение для начального ввода пользователя.

QS Index (Индекс поисковых подсказок)

База данных, содержащая коллекцию запросов, ранее введенных пользователями, которая используется для генерации кандидатов на автозаполнение.

Ranking Score (RS) (Оценка ранжирования)

Числовое значение, определяющее порядок отображения подсказок. В данном патенте оно персонализировано на основе социального графа.

Selection Score (SS) (Оценка выбора)

Компонент Ranking Score. Отражает частоту выбора конкретной подсказки из списка предложенных (глобально или в социальном графе), особенно если она была выбрана вместо более высоко расположенных вариантов.

Social Graph (Социальный граф)

Коллекция связей пользователя (люди, ресурсы, организации). Включает прямые и косвенные контакты из различных сервисов (почта, чат, социальные сети). Граф может быть динамическим и взвешенным на основе частоты и типа взаимодействия (social affinity).

Social Index (Социальный индекс)

База данных, содержащая информацию о социальных графах пользователей.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализированного ранжирования автозаполнения.

1. Система получает начальный ввод от пользователя.
2. Система получает набор кандидатов для автозаполнения.
3. Система получает данные социального графа (Social Graph Data), специфичные для пользователя.
4. Для каждого кандидата определяется оценка ранжирования (Ranking Score). Ключевое условие: оценка определяется как минимум частично на основе данных социального графа И степени разделения (degree of separation) между пользователем и другими членами социального графа.
5. Система передает инструкции для отображения подсказок в порядке, определенном этими оценками.
6. Система получает выбор конкретной подсказки пользователем.
7. Система передает выбранную подсказку в поисковую систему как запрос.

Ядро изобретения — это использование не только факта наличия социальной связи, но и ее близости (degree of separation) для взвешивания сигналов при ранжировании подсказок.

Claim 2 (Зависимый от 1): Уточняет компоненты Ranking Score.

Оценка ранжирования определяется на основе как минимум одного из следующих показателей, специфичных для соответствующей подсказки: частота (Frequency), оценка взаимодействия (Interaction Score), оценка одобрения (Endorsement Score) и оценка выбора (Selection Score).

Claim 3 (Зависимый от 2): Уточняет источник данных для компонентов.

Один или несколько из показателей (F, IS, ES, SS) определяются на основе данных социального графа.

Это подтверждает, что система анализирует, что искали, на что кликали, что одобряли и какие подсказки выбирали именно контакты пользователя.

Claim 5 (Зависимый от 2): Описывает взвешивание компонентов.

Ranking Score также определяется на основе соответствующих весов, применяемых к F, IS, ES и SS. Система может гибко настраивать влияние разных факторов (например, приоритет одобрений над частотой).

Claim 7 (Зависимый от 1): Описывает функцию предварительных результатов.

1. Идентификация подсказки с наивысшим рейтингом.
2. Автоматический выбор этой подсказки.
3. Передача инструкций для отображения результатов поиска как предварительных (Preliminary Search Results).

Где и как применяется

Изобретение применяется на этапе взаимодействия пользователя с поисковой строкой, до отправки основного запроса, и затрагивает в основном фронтенд и этап понимания запросов.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Система автозаполнения (Auto-completion Engine) работает в реальном времени, интерпретируя начальный ввод пользователя. Она взаимодействует с Индексом подсказок (QS Index) для получения кандидатов и с Социальным индексом (Social Index) для получения данных о пользователе (UserID) и его социальном графе.

RANKING – Ранжирование (в контексте подсказок)
Происходит ранжирование не результатов поиска, а самих подсказок. Auto-completion Engine вычисляет персонализированные Ranking Scores, используя комбинацию глобальных сигналов и социальных данных (F, IS, ES, SS), взвешенных по degree of separation.

METASEARCH / RERANKING (Отображение SERP)
После ранжирования подсказок система может инициировать дополнительный процесс: автоматический запрос для получения Preliminary Search Results по верхней подсказке и отображение Ancillary Data (например, Endorsement Counts) в интерфейсе.

Входные данные:

• Начальный ввод пользователя (последовательность символов).
• Идентификатор пользователя (UserID) или cookie.
• Кандидаты на автозаполнение из QS Index.
• Данные социального графа из Social Index (включая связи, активность контактов и degree of separation).

Выходные данные:

• Отсортированный список персонализированных поисковых подсказок.
• Ancillary Data (например, счетчики одобрений).
• (Опционально) Preliminary Search Results для верхней подсказки.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы, где у пользователя есть выраженный социальный контекст. Например, запросы о продуктах, услугах, местах или событиях, которые обсуждались или рекомендовались в его социальном кругу.
• Брендовые запросы: Влияет на видимость брендов. Бренды, популярные в социальном графе пользователя, будут появляться в подсказках чаще и выше.
• Информационные запросы: Может направлять пользователя к источникам или формулировкам, которые предпочитают его контакты.

Когда применяется

• Триггеры активации: Активируется каждый раз, когда пользователь начинает вводить запрос в поисковую строку и система может его идентифицировать (залогиненный пользователь или наличие cookie).
• Условия работы: Требует наличия достаточных данных о социальном графе пользователя и активности его контактов, связанных с вводимым запросом. Если социальных данных нет, система, вероятно, вернется к стандартному ранжированию подсказок.

Пошаговый алгоритм

Процесс обработки ввода и генерации персонализированных подсказок:

1. Получение ввода: Пользователь вводит начальный поисковый запрос на клиентском устройстве.
2. Передача ввода: Клиентское устройство передает начальный ввод в поисковую систему.
3. Идентификация пользователя: Поисковая система получает ввод и определяет UserID пользователя (например, через логин или cookie).
4. Получение кандидатов: Auto-completion Engine запрашивает QS Index и получает набор релевантных кандидатов для автозаполнения.
5. Получение социальных данных: Auto-completion Engine использует UserID для запроса Social Index и получает данные социального графа пользователя. Эти данные включают активность контактов (поиски, клики, одобрения) и их degree of separation.
6. Расчет Ranking Scores: Для каждого кандидата вычисляется персонализированный Ranking Score.
   1. Вычисляются компоненты: Frequency (f), Interaction Score (IS), Endorsement Score (ES), Selection Score (SS).
   2. Эти компоненты корректируются на основе данных социального графа. Например, учитывается только активность контактов.
   3. Сигналы от контактов взвешиваются на основе их degree of separation (сигналы от прямых контактов важнее).
   4. Компоненты агрегируются с использованием предопределенных весов для получения финального Ranking Score.
7. Ранжирование подсказок: Кандидаты сортируются на основе вычисленных Ranking Scores.
8. (Опционально) Генерация предварительных результатов: Для подсказки с наивысшим рейтингом автоматически генерируются Preliminary Search Results.
9. (Опционально) Получение вспомогательных данных: Вычисляются Endorsement Counts для отображения.
10. Передача данных клиенту: Отсортированный список подсказок, ранг и вспомогательные данные передаются на клиентское устройство.
11. Отображение: Клиентское устройство отображает подсказки в установленном порядке (например, в выпадающем меню), возможно, вместе со счетчиками одобрений и предварительными результатами.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и социальных данных для ранжирования подсказок.

• Поведенческие факторы (User Behavior):
  • История запросов: Частота ввода запросов (используется в Frequency).
  • Взаимодействие с результатами: Клики, скроллинг и другие взаимодействия с результатами поиска, полученными по конкретному запросу (используется в Interaction Score).
  • Выбор подсказок: Данные о том, какие подсказки пользователи выбирают из предложенного списка (используется в Selection Score).
• Социальные факторы (Social Graph Data):
  • Структура графа: Связи между пользователями (прямые/косвенные контакты) и degree of separation.
  • Социальная активность: Поведенческие факторы (перечисленные выше), агрегированные по контактам в социальном графе.
  • Одобрения (Endorsements): Явные (Likes/Shares) и неявные (ссылки в постах, блогах) одобрения ресурсов контактами (используется в Endorsement Score).
• Пользовательские факторы:
  • UserID для идентификации пользователя и доступа к его социальному графу.

Какие метрики используются и как они считаются

Система вычисляет Ranking Score (RS) для каждой подсказки. Он определяется как функция от четырех основных компонентов, которые могут быть рассчитаны глобально или на основе социального графа пользователя:

$RS = f(Frequency, IS, ES, SS)$

• Frequency (f): Может рассчитываться как отношение количества использований запроса контактами (Z) к общему времени (Y) (например, f=Z/Y). Упоминается, что эта частота может быть взвешена по degree of separation (прямые контакты важнее косвенных).
• Interaction Score (IS): Отражает уровень взаимодействия с результатами поиска (например, от 0 до 1). Может быть композитной (средней) оценкой взаимодействия всех пользователей из социального графа, которые ранее использовали этот запрос.
• Endorsement Score (ES): Основан на суммарном количестве одобрений (явных и/или неявных) от членов социального графа для набора результатов, связанных с подсказкой.
• Selection Score (SS): Увеличивается, если подсказка часто выбирается пользователями из социального графа, особенно если она выбирается вместо подсказок, расположенных выше в списке.

Взвешивание: Патент подчеркивает два уровня взвешивания:

1. Веса компонентов: К каждому из компонентов (f, IS, ES, SS) могут применяться веса для контроля их влияния на финальный Ranking Score (например, ES может быть важнее f).
2. Веса социальных связей: Внутри каждого компонента сигналы взвешиваются по degree of separation и социальной близости (social affinity).

1. Персонализация Автозаполнения через социальный контекст: Патент описывает конкретный механизм, позволяющий Google изменять ранжирование поисковых подсказок на основе социального графа пользователя. Подсказки становятся не просто отражением глобальной популярности, а отражением интересов социального окружения пользователя.
2. Многофакторная оценка релевантности подсказок: Релевантность подсказки определяется не только частотой запроса (Frequency), но и последующим поведением пользователей: качеством взаимодействия с выдачей (Interaction Score), одобрением результатов (Endorsement Score) и выбором самой подсказки (Selection Score).
3. Важность степени близости (Degree of Separation): Система не просто учитывает активность социального графа, но и взвешивает ее. Действия прямых контактов (меньшая степень разделения) имеют больший вес, чем действия косвенных контактов, что делает персонализацию более точной.
4. Одобрения (Endorsements) как ключевой сигнал: Патент уделяет значительное внимание одобрениям (явным и неявным) как сигналу качества и релевантности. Наличие Endorsement Score и отображение Endorsement Counts подчеркивает важность социального доказательства в поиске.
5. Влияние на формирование запроса: Этот механизм активно влияет на то, как пользователи формулируют свои финальные запросы, направляя их в сторону формулировок, популярных или одобренных их социальным кругом.

Best practices (это мы делаем)

• Стимулирование органического социального одобрения (Endorsements): Поощряйте пользователей делиться вашим контентом, ссылаться на него в блогах, социальных сетях и на форумах (неявные одобрения), а также использовать кнопки шаринга (явные одобрения). Чем больше одобрений получает ваш контент от реальных пользователей, тем выше вероятность, что связанные с ним запросы получат высокий Endorsement Score в подсказках их контактов.
• Оптимизация под удовлетворенность пользователя (Interaction Score): Создавайте контент, который максимально полно отвечает на запрос и обеспечивает положительный пользовательский опыт. Высокий Interaction Score (хорошие поведенческие факторы на сайте) у пользователей, перешедших по определенному запросу, повышает вероятность показа этого запроса в подсказках их социального окружения.
• Построение сообщества и бренда: Развивайте сильный бренд и лояльное сообщество. Пользователи, которые часто ищут ваш бренд и взаимодействуют с ним, увеличивают видимость вашего бренда в подсказках своих социальных графов.
• Анализ популярных подсказок в разных сегментах: Если возможно сегментировать аудиторию, анализируйте, какие запросы и темы популярны в разных социальных кластерах. Это поможет создавать контент, который резонирует с определенными группами и распространяется внутри них.

Worst practices (это делать не надо)

• Накрутка социальных сигналов и одобрений: Попытки манипулировать Endorsement Score с помощью ботов или сетей фейковых аккаунтов неэффективны в долгосрочной перспективе. Система учитывает degree of separation и social affinity, поэтому сигналы от не связанных или низкокачественных аккаунтов будут иметь минимальный вес или игнорироваться.
• Игнорирование поведенческих факторов: Фокус только на привлечении трафика без заботы о качестве взаимодействия приведет к низкому Interaction Score. Это снизит видимость связанных запросов в персонализированных подсказках.
• Оптимизация только под глобально популярные запросы: Полагаться только на глобальные тренды может быть неэффективно, если ваша целевая аудитория находится в специфических социальных кластерах с другими интересами. Патент показывает, что локальная популярность в социальном графе может перевесить глобальную.

Стратегическое значение

Патент подчеркивает стратегическую важность влияния на поведение пользователей до того, как они сформулировали окончательный запрос. Для SEO это означает, что работа над узнаваемостью бренда, построением сообщества и стимулированием органического социального взаимодействия является неотъемлемой частью стратегии продвижения. Видимость в персонализированных подсказках создает конкурентное преимущество, направляя трафик на ваш сайт еще на этапе ввода запроса. Это также подтверждает важность комплексного подхода, где качество контента и социальное доказательство работают вместе.

Практические примеры

Сценарий: Повышение видимости нового продукта через социальное одобрение

1. Ситуация: Компания запускает новый продукт, например, "Эко-кроссовки Аврора". Глобальная частота запроса низкая.
2. Действия (стимулирование Endorsements): Компания проводит кампанию с инфлюенсерами и лояльными клиентами, мотивируя их публиковать обзоры и посты со ссылками на продукт (неявные одобрения) и делиться страницей продукта в социальных сетях (явные одобрения).
3. Механизм работы патента:
   • Пользователь 1 (инфлюенсер) одобряет продукт.
   • Пользователь 2 (подписчик Пользователя 1, прямой контакт) начинает вводить "Эко-кроссовки".
   • Система анализирует социальный граф Пользователя 2. Она видит, что его прямой контакт (Пользователь 1) недавно одобрил результаты по запросу "Эко-кроссовки Аврора".
   • Система вычисляет высокий Endorsement Score для подсказки "Эко-кроссовки Аврора", взвешенный с учетом близости контакта.
4. Результат: Несмотря на низкую глобальную популярность, подсказка "Эко-кроссовки Аврора" отображается у Пользователя 2 на первом месте, возможно, с пометкой о количестве одобрений. Это увеличивает вероятность выбора именно этого запроса и перехода на сайт компании.