Как Google использует цепочки запросов и время взаимодействия для определения и ранжирования результатов, которые действительно нужны пользователям

Термины и определения

Chain of Related Search Queries (Цепочка связанных поисковых запросов)

Последовательность запросов, введенных пользователем, начинающаяся с исходного запроса и включающая последующие уточнения. Каждый запрос в цепочке, кроме последнего, нарушает критерий выбора результата поиска (т.е. пользователь был не удовлетворен).

Desired Search Result (D) (Желаемый результат поиска)

Результат поиска, выбранный пользователем в ответ на последний запрос в цепочке, который удовлетворяет Timing Criterion (т.е. пользователь был удовлетворен).

Filtering Rules (Правила фильтрации)

Набор правил, используемых для исключения ненадежных или нерелевантных цепочек запросов перед агрегацией данных (например, требования к пересечению терминов, частоте, отсутствию гео-зависимости).

First Search Query (Q1) (Первый поисковый запрос)

Исходный запрос, с которого начинается цепочка.

Historical Search Query Data (Исторические данные поисковых запросов)

Логи поиска, включающие введенные запросы, выбранные результаты и временные метки этих действий.

Last Related Search Query (QN) (Последний связанный поисковый запрос)

Последний запрос в цепочке, который привел к выбору Desired Search Result (D).

Query Database (База данных запросов)

Хранилище агрегированных данных о цепочках запросов, связывающее Q1 с D и QN.

Search Result Selection Criterion / Timing Criterion (Критерий выбора результата поиска / Временной критерий)

Критерий для определения удовлетворенности пользователя. Он удовлетворяется, если временной интервал между выбором результата и вводом последующего запроса превышает заданный порог (predetermined time interval).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает комплексный метод, включающий как создание базы данных цепочек, так и ее использование.

1. Получение Historical Search Query Data.
2. Идентификация Chains of Related Search Queries. Ключевое условие: каждый запрос в цепочке, кроме последнего, нарушает Timing Criterion (временной критерий) в отношении выбора пользователем результатов. Цепочка определяется как последовательность запросов, где исходный запрос последовательно уточняется.
3. Агрегация цепочек в группы с общим исходным запросом (Q1) и общим выбранным конечным результатом (D).
4. Сохранение агрегированных данных в Query Database.
5. Использование базы данных при получении нового запроса: ранжирование документов с учетом частоты, с которой этот запрос приводил к выбору каждого из документов (через цепочки).
6. Идентификация последнего связанного запроса (QN) из цепочек, связанных с входным запросом.
7. Возврат ранжированных результатов и идентифицированного связанного запроса (QN) пользователю.

Claim 2 (Зависимый от 1): Определяет Timing Criterion.

Временной критерий удовлетворяется, когда интервал времени между моментом выбора пользователем результата и моментом ввода последующего запроса превышает заранее определенный временной интервал (predetermined time interval). Это означает, что если пользователь вводит следующий запрос быстро, критерий нарушается (неудовлетворенность); если медленно или не вводит вообще – критерий удовлетворяется (удовлетворенность).

Claims 3-11 (Зависимые): Описывают Filtering Rules для повышения качества данных перед агрегацией.

Примеры правил фильтрации включают требования:

• Наличия пересечения терминов между Q1 и заголовком D (Claim 4).
• Наличия пересечения терминов между Q1 и QN (Claim 5).
• Достаточной частоты встречаемости цепочки в логах (Claim 6).
• Отсутствия локационно-специфических терминов в Q1 и QN (Claim 7).
• Превышения порога для соотношения (#Q1->D) / #Q1 (Claim 8).

Claim 12 (Зависимый): Описывает структуру данных в Query Database.

Для каждой группы цепочек сохраняется: Первый запрос (Q1), Количество вводов Q1 (#Q1), Конечный результат (D), Набор последних запросов ({QN}), Количество раз, когда Q1 привел к выбору D (#Q1->D).

Claims 13-14 (Зависимые): Описывают механизм вставки (Insertion) результата D в выдачу Q1.

1. Определение частоты, с которой Q1 привел к выбору D (#Q1->D).
2. Определение частоты выбора для каждого результата в текущей выдаче Q1.
3. Идентификация самого высокоранжированного результата в выдаче, чья частота выбора меньше, чем частота #Q1->D.
4. Вставка результата D на позицию выше этого идентифицированного результата.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя офлайн-анализ для влияния на онлайн-ранжирование и формирование SERP.

INDEXING / Офлайн-обработка данных
Основная часть работы по анализу данных происходит офлайн. Модуль Related Search Queries Module обрабатывает Historical Search Query Data (логи), идентифицирует цепочки запросов, применяет фильтры, агрегирует данные и наполняет Query Database.

QUNDERSTANDING – Понимание Запросов
Данные из Query Database помогают системе понять взаимосвязи между различными формулировками запросов (Q1 и QN) и интентами, которые они представляют, основываясь на реальном поведении пользователей.

RANKING – Ранжирование
Патент явно описывает, что ранжирование документов производится, по крайней мере частично, на основе частоты, с которой входной запрос приводил к выбору каждого из документов (частота Q1->D). Это может применяться на любом из уровней ранжирования (L1-L3).

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание
На этом этапе происходят два ключевых процесса:

1. Вставка результатов (Insertion): Модуль Search Result Insertion Module может агрессивно вставить результат D в сформированную выдачу на основе сравнения частот.
2. Генерация связанных запросов: Модуль Related Searches Module идентифицирует последние запросы (QN) и предоставляет их для отображения в SERP (например, в блоке «Пользователи также ищут»).

Входные данные (Офлайн):

• Historical Search Query Data (запросы, клики, временные метки, идентификаторы сессий).
• Заголовки документов (для фильтрации).

Входные данные (Онлайн):

• Запрос пользователя (Q1).
• Предварительно ранжированный набор результатов.
• Данные из Query Database.

Выходные данные:

• Скорректированный набор ранжированных результатов (с повышенными позициями или вставленными результатами D).
• Набор связанных поисковых запросов (QN).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные, широкие или сложные запросы, которые пользователи часто уточняют или переформулируют в процессе поиска.
• Типы контента: Влияет на все типы контента, для которых доступны поведенческие данные. Система агностична к типу контента, фокусируясь на том, какой результат удовлетворил пользователя.

Когда применяется

• Офлайн-обработка: Выполняется периодически или непрерывно по мере поступления новых исторических данных поиска.
• Онлайн-применение: Активируется при обработке любого запроса (Q1), для которого в Query Database существуют агрегированные данные о цепочках.
• Триггер для вставки (Insertion): Механизм вставки активируется, когда частота Q1->D для результата D (не присутствующего в топе или находящегося низко) превышает частоту кликов существующих результатов в выдаче.

Пошаговый алгоритм

Процесс А: Офлайн-генерация базы данных запросов

1. Сбор данных: Получение Historical Search Query Data (логи запросов, кликов и временных меток).
2. Идентификация цепочек: Анализ последовательностей запросов в рамках пользовательских сессий. Определение начала (Q1) и конца цепочки (QN, D) с использованием Timing Criterion:
   • Если время между кликом и следующим запросом <= Порога (ts): Запрос нарушает критерий (неудовлетворенность). Цепочка продолжается.
   • Если время > Порога (ts): Запрос удовлетворяет критерий (удовлетворенность). Цепочка завершается. Результат D идентифицируется.
3. Фильтрация (Опционально): Применение Filtering Rules для удаления шума (например, проверка пересечения терминов Q1 и D, Q1 и QN; проверка частоты цепочки; фильтрация нежелательного контента).
4. Агрегация: Группировка оставшихся цепочек по общему первому запросу (Q1) и общему конечному результату (D). Подсчет частот (#Q1, #Q1->D).
5. Сохранение: Запись агрегированных данных (Q1, #Q1, {QN}, D, #Q1->D) в Query Database.

Процесс Б: Онлайн-ранжирование и вставка результатов

1. Получение запроса: Пользователь вводит запрос Q1.
2. Стандартное ранжирование (с учетом частот): Система идентифицирует документы и ранжирует их, используя, в том числе, данные о частоте Q1->D из Query Database как фактор ранжирования. Формируется базовый набор результатов.
3. Идентификация кандидатов для вставки: Система ищет в Query Database другие результаты (D'), которые часто являются конечной целью для Q1, но не попали в базовый набор или ранжируются низко.
4. Определение частот: Определяется частота Q1->D' для кандидатов и частота кликов для результатов в базовом наборе.
5. Сравнение частот и вставка: Система находит самый высокоранжированный результат в базовом наборе, чья частота кликов меньше, чем частота Q1->D'. Кандидат D' вставляется в выдачу выше этого результата.
6. Возврат результатов: Скорректированная выдача возвращается пользователю.

Процесс В: Онлайн-генерация связанных запросов

1. Получение запроса: Пользователь вводит запрос Q1.
2. Поиск в базе данных: Система ищет в Query Database записи для Q1 и извлекает соответствующие последние запросы ({QN}).
3. Возврат связанных запросов: Набор {QN} возвращается вместе с результатами поиска для отображения в SERP.

Какие данные и как использует

Данные на входе

Основной тип данных, используемых в патенте, — поведенческие.

• Поведенческие факторы: Критически важные данные. Используются Historical Search Query Data, включающие:
  • Последовательности введенных запросов (Queries issued).
  • Выбранные результаты поиска (Search results selected/Clicks).
  • Временные метки (Timestamps) для каждого действия (ввода запроса и клика).
  • Идентификаторы пользователей или сессий (для группировки действий в цепочки).
• Контентные факторы: Используются косвенно. Заголовки (Titles) выбранных результатов (D) могут использоваться в Filtering Rules для проверки релевантности цепочки. Термины запросов Q1 и QN также используются для фильтрации.
• Географические факторы: Упоминаются в контексте фильтрации. Система может исключать цепочки, содержащие локационно-специфические термины.

Какие метрики используются и как они считаются

• Timing Criterion (Временной критерий): Основная метрика для определения удовлетворенности. Рассчитывается как разница во времени между кликом по результату и вводом следующего запроса.
• Predetermined Time Interval (ts): Пороговое значение для Timing Criterion. Если время > ts, пользователь удовлетворен.
• Частота Q1 (#Q1): Общее количество раз, когда был введен первый запрос.
• Частота Q1->D (#Q1->D): Количество раз, когда запрос Q1 через цепочку переформулировок привел к удовлетворительному выбору результата D.
• Transition Rate (Коэффициент перехода): Соотношение $(#Q1→D) / (#Q1)$. Используется в правилах фильтрации для определения значимости цепочки.
• Пересечение терминов (Term Overlap): Метрика схожести, используемая в фильтрации. Сравнивается количество общих терминов между Q1 и QN или Q1 и заголовком D с заданными порогами.

1. Формализация метрик удовлетворенности: Патент явно определяет механизм измерения удовлетворенности пользователя через Timing Criterion (время до следующего запроса). Это подтверждает важность концепций «длинных кликов» (long clicks) и предотвращения «pogo-sticking».
2. Интент важнее формулировки: Система использует цепочки переформулировок для понимания истинного интента, стоящего за исходным запросом. Это позволяет ранжировать контент, который удовлетворяет интент, даже если он слабо соответствует тексту первого запроса.
3. Поведенческие данные как фактор ранжирования и триггер для вставки: Частота, с которой страница является конечным удовлетворительным результатом (Q1->D), используется как прямой сигнал ранжирования и как основание для агрессивной вставки результата в выдачу (Insertion).
4. Агрессивный механизм вставки: Логика вставки результата D основана на сравнении частот удовлетворенности. Если D чаще удовлетворяет пользователей, чем текущие результаты в топе, он будет вставлен выше них.
5. Дата-центричный подход к связанным запросам: Генерация «Related Searches» основана не только на семантической близости, но и на реальных путях пользователей (Q1 -> QN).
6. Важность качества данных: Система включает сложные Filtering Rules для обеспечения того, чтобы только надежные и релевантные поведенческие паттерны влияли на ранжирование.

Best practices (это мы делаем)

• Оптимизация под удовлетворенность пользователя (Search Satisfaction): Главная задача — гарантировать, что контент полностью отвечает на запрос пользователя и не вызывает желания вернуться в выдачу для поиска альтернатив (pogo-sticking). Необходимо минимизировать Bounce Rate в пользу Dwell Time (время взаимодействия).
• Стремление стать «Желаемым результатом» (D): Создавайте контент, который является конечной точкой поисковой сессии. Это увеличивает вероятность того, что ваша страница будет идентифицирована как D и получит повышение по связанным исходным запросам (Q1).
• Анализ путей запросов и переформулировок: Изучайте данные (например, в GSC), чтобы понять, какие запросы приводят пользователей на ваши страницы. Если вы видите паттерны, где пользователи приходят к вам после уточнения широких запросов, это сигнал, что вы можете ранжироваться и по этим широким запросам благодаря данному механизму.
• Улучшение CTR и Вовлеченности: Поскольку частота кликов и последующее поведение являются входными данными для системы, оптимизация сниппетов для повышения CTR и улучшение юзабилити страницы для удержания пользователя критически важны.

Worst practices (это делать не надо)

• Использование кликбейта и вводящих в заблуждение заголовков: Если заголовок обещает ответ, но контент его не предоставляет, пользователи быстро вернутся в SERP. Это нарушает Timing Criterion и сигнализирует системе о неудовлетворенности, что ухудшает поведенческие метрики страницы.
• Создание поверхностного контента: Контент, который лишь частично отвечает на запрос, вынуждает пользователя искать дополнительную информацию. Это приводит к продолжению цепочки запросов и снижает шансы вашей страницы стать конечным результатом (D).
• Игнорирование интента широких запросов: Попытка ранжироваться по широким запросам (Q1) без понимания того, какие конкретные результаты (D) пользователи ищут в итоге, неэффективна. Система предпочтет те результаты, которые статистически чаще удовлетворяют конечный интент.

Стратегическое значение

Этот патент подтверждает стратегическую важность поведенческих сигналов в алгоритмах ранжирования Google. Он описывает конкретный механизм, как Google учится на ошибках пользователей и корректирует выдачу в реальном времени. Долгосрочная SEO-стратегия должна фокусироваться на максимальном удовлетворении интента пользователя и анализе всего пути пользователя, а не только отдельных ключевых слов. Понимание того, как пользователи уточняют свои запросы, становится ключом к захвату трафика по более широким и конкурентным запросам.

Практические примеры

Сценарий: Ранжирование по неоднозначному запросу

1. Исходный запрос (Q1): Пользователь вводит «Ягуар». Это неоднозначно (животное, автомобиль, ОС).
2. Поведение пользователя (Неудовлетворенность): Пользователь кликает на статью о животном, но быстро возвращается в SERP (нарушение Timing Criterion).
3. Переформулировка (QN): Пользователь вводит «Ягуар цена автомобиля».
4. Удовлетворенность (D): Пользователь кликает на сайт автодилера, изучает его и не возвращается в SERP (удовлетворение Timing Criterion). Сайт автодилера = D.
5. Агрегация данных: Google фиксирует цепочку Q1(«Ягуар») -> QN(«Ягуар цена автомобиля») -> D(Сайт автодилера). Если этот паттерн повторяется часто (высокая частота Q1->D).
6. Результат (Ранжирование/Вставка): В следующий раз, когда пользователь вводит «Ягуар», Google может повысить сайт автодилера (D) в выдаче, даже если он менее релевантен слову «ягуар» текстуально, основываясь на поведенческих данных. Также запрос «Ягуар цена автомобиля» (QN) будет предложен в связанных запросах.