Как Google использует историю запросов в текущей сессии для понимания контекста и переписывания неоднозначных запросов

Термины и определения

Candidate Query Rewrite (Кандидат на переписанный запрос)

Потенциальная новая формулировка запроса, сгенерированная путем объединения текущего запроса с контекстом из предыдущих запросов сессии.

Entity (Сущность)

Идентифицированный объект (человек, место, организация) в запросе. Используется для замены отсылочных терминов или определения тематической связи.

Entity Correlation (Корреляция сущностей)

Связь между определенными терминами запроса и типами сущностей. Например, термин "вместимость" коррелирует с сущностями типа "стадион".

Prior Search Queries (Предыдущие поисковые запросы)

Запросы, введенные пользователем ранее в рамках текущей сессии.

Quality Measure (Мера качества)

Оценка качества поисковой выдачи, которую генерирует кандидат на переписанный запрос. Используется как фактор для оценки самого кандидата.

Query Rewriting Engine (Система переписывания запросов)

Компонент поисковой системы, ответственный за генерацию и оценку кандидатов.

Referential Term (Отсылочный/Референциальный термин)

Слово в запросе, которое ссылается на ранее упомянутый контекст (например, местоимения "он", "она", "это").

Timestamp (Временная метка)

Время получения предыдущего запроса. Используется для оценки свежести контекста (Age).

User Session (Пользовательская сессия)

Последовательность запросов от одного пользователя в течение ограниченного периода времени или в рамках одного взаимодействия.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод переписывания запроса на основе сессии.

1. Получение поискового запроса от пользователя во время сессии.
2. Получение множества предыдущих запросов пользователя из этой сессии.
3. Генерация множества candidate query rewrites, основанных на текущем и предыдущих запросах.
4. Оценка (Scoring) каждого кандидата. Оценка включает применение множества факторов (plurality of scoring factors), в том числе Quality Measure, которая основана на анализе поисковых результатов, отвечающих данному кандидату.
5. Выбор наиболее высоко оцененного кандидата (top scoring candidate), если его оценка удовлетворяет пороговому значению.
6. Предоставление результатов поиска, отвечающих выбранному переписанному запросу.

Claim 2 и 3 (Зависимые): Детализируют методы генерации и оценки.

• Генерация кандидатов может включать конкатенацию (объединение) текущего запроса с каждым из предыдущих (Claim 2).
• Оценка включает взвешивание кандидатов на основе возраста (age) соответствующего предыдущего запроса, используя Timestamp (Claim 3). Более свежий контекст имеет больший вес.

Claim 5 (Зависимый): Уточняет факторы оценки.

• Оценка включает определение меры популярности (measure of popularity) для каждого кандидата на основе коллекции запросов от множества пользователей (глобальные логи).

Claim 6 и 7 (Зависимые): Описывают обработку отсылочных терминов.

• Оценка включает определение того, содержит ли исходный запрос referential term определенного типа (например, местоимение) (Claim 6).
• Оценка кандидата повышается, если он содержит сущность соответствующего типа (например, замена местоимения "он" на сущность типа "человек") (Claim 7).

Claim 8 и 9 (Зависимые): Описывают корреляцию терминов и сущностей.

• Оценка включает определение того, содержит ли запрос термины, сильно коррелирующие с определенными сущностями (Claim 8).
• Оценка кандидата повышается, если он включает сущность, сильно коррелирующую с этим термином (например, запрос "вместимость" и сущность "стадион" из предыдущего запроса) (Claim 9).

Где и как применяется

Изобретение применяется на ранних стадиях обработки запроса для уточнения намерения пользователя.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Query Rewriting Engine анализирует входящий запрос в контексте текущей User Session. Он взаимодействует с Session Logs для получения истории запросов и использует NLP-компоненты для анализа Referential Terms и Entity Correlation. Также система должна отправить кандидатов на переписывание в поисковую систему для получения Quality Measure результатов.

RANKING – Ранжирование
Патент напрямую не изменяет алгоритмы ранжирования, но он изменяет входные данные для них. Если запрос был переписан, этап RANKING обрабатывает уточненный, более контекстуальный запрос.

Входные данные:

• Текущий поисковый запрос.
• Session Logs: Список предыдущих запросов с их временными метками.
• Глобальные логи запросов (для оценки популярности).
• Данные о корреляции терминов и сущностей.

Выходные данные:

• Переписанный запрос (если порог превышен) ИЛИ Исходный запрос (если порог не превышен).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на информационные запросы, которые являются частью многоэтапного исследования (User Journey), а также на разговорные запросы (Conversational Search), голосовой поиск и запросы, содержащие местоимения.
• Типы контента: Влияет на любой контент, который отвечает на уточняющие вопросы о сущностях.

Когда применяется

• Условия работы: Алгоритм работает в рамках активной User Session, когда существует история предыдущих запросов.
• Триггеры активации: В патенте упоминается возможность применения триггерных правил (triggering rules). Например, триггером может быть наличие Referential Term (местоимения) в запросе или короткая длина запроса.
• Пороговые значения: Переписывание происходит только тогда, когда оценка лучшего кандидата превышает установленное пороговое значение, что гарантирует высокую уверенность системы.

Пошаговый алгоритм

Процесс обработки запроса с учетом контекста сессии:

1. Получение запроса: Система получает текущий поисковый запрос (q) от пользователя.
2. Извлечение контекста сессии: Система получает список предыдущих поисковых запросов ($q_i$) и их временные метки ($t_i$) из текущей сессии.
3. Генерация кандидатов: Система генерирует Candidate Query Rewrites (r). Методы включают:
   • Конкатенация текущего запроса с каждым из предыдущих.
   • Лингвистический анализ: Идентификация Referential Terms в q и сущностей в $q_i$, с последующей заменой термина на сущность.
   • Использование схожих или популярных запросов из глобальных логов.
4. Оценка кандидатов: Система рассчитывает оценку для каждого кандидата с помощью функции оценки $S((q_i, t_i), q, r)$. Факторы оценки включают:
   • Временной распад (Time Decay): Снижение веса для кандидатов, основанных на более старых запросах (на основе $t_i$).
   • Quality Measure: Анализ качества поисковых результатов, которые возвращает кандидат (например, количество результатов, частота кликов, оценка качества ресурсов).
   • Popularity: Частота использования данного переписанного запроса в глобальных логах.
   • Разрешение ссылок: Повышение оценки, если кандидат корректно заменяет Referential Term сущностью соответствующего типа.
   • Entity Correlation: Повышение оценки, если кандидат объединяет термин с высоко коррелирующей с ним сущностью.
5. Проверка порога: Система сравнивает оценку лучшего кандидата с предустановленным пороговым значением.
6. Выбор и выполнение:
   • Если порог НЕ превышен: Выполняется поиск по исходному запросу q.
   • Если порог превышен: Лучший кандидат r выбирается в качестве переписанного запроса, и поиск выполняется по нему.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (внутри сессии):
  • Session Logs: Последовательность запросов пользователя в рамках сессии. Критически важны для установления контекста.
  • Timestamps: Время ввода предыдущих запросов.
• Поведенческие факторы (агрегированные):
  • Глобальные Query Logs: Данные о запросах множества пользователей. Используются для оценки популярности и выявления паттернов.
  • Данные о кликах/выборе пользователей (User Selection Data): Используются косвенно при расчете Quality Measure результатов для кандидатов.
• Лингвистические и Семантические данные (NLP):
  • Идентификация сущностей и их типов в предыдущих запросах.
  • Идентификация Referential Terms (местоимений) в текущем запросе.
  • Данные о корреляции между терминами и типами сущностей (Entity Correlation).

Какие метрики используются и как они считаются

• Функция оценки (Scoring Function $S$): Агрегированная оценка для кандидата, рассчитываемая как взвешенная комбинация нескольких факторов.
• Временной распад (Time Decay / Age Weighting): Весовой коэффициент, основанный на возрасте предыдущего запроса. Более старые запросы получают штраф (penalty weight) или меньший буст (boost).
• Quality Measure: Метрика, оценивающая качество SERP, которую генерирует кандидат. Включает анализ количества возвращаемых результатов, их предполагаемое качество и то, как часто пользователи выбирают эти результаты (how often search results are selected by users).
• Popularity Score: Относительная частота встречаемости кандидата в глобальных логах.
• Оценка разрешения ссылок (Referential Resolution Score): Метрика уверенности в том, что кандидат правильно сопоставил Referential Term с сущностью нужного типа.
• Оценка корреляции сущностей (Entity Correlation Score): Метрика, основанная на силе связи между термином в запросе и типом сущности из контекста.

1. Контекст сессии активно используется для интерпретации запросов: Google не рассматривает запросы изолированно. Система активно пытается сохранить и использовать контекст, полученный в ходе текущей сессии, для разрешения неоднозначностей в последующих запросах.
2. Критическая роль распознавания сущностей (Entity Recognition): Механизм в значительной степени полагается на способность идентифицировать сущности в предыдущих запросах. Эти сущности затем используются для уточнения текущих запросов, особенно тех, которые содержат местоимения (Referential Terms) или термины, требующие контекста (Entity Correlation).
3. Многофакторная валидация переписывания: Решение о переписывании запроса валидируется с помощью реальных данных: насколько популярен переписанный запрос среди всех пользователей (Popularity) и насколько качественные результаты он возвращает (Quality Measure).
4. Смещение в сторону свежего контекста (Recency Bias): Система явно предпочитает более свежий контекст. Благодаря механизму временного распада (Time Decay), запросы, введенные только что, имеют больший вес.
5. Оптимизация под User Journey: Патент подтверждает необходимость оптимизации не под отдельные ключевые слова, а под весь путь пользователя и последовательность его информационных потребностей в рамках изучения темы.

Best practices (это мы делаем)

• Оптимизация под путь пользователя (User Journey) и Тематическую глубину: Проектируйте контент-стратегию так, чтобы она поддерживала многоэтапное изучение темы. Понимайте, как пользователи переходят от общих запросов к специфическим, и обеспечивайте ответы на логически следующие уточняющие вопросы.
• Усиление распознавания сущностей (Entity Optimization): Убедитесь, что основные сущности на ваших страницах (продукты, персоны, локации) четко определены с помощью структурированных данных (Schema.org) и ясного текста. Это поможет Google распознать их как контекст для последующих запросов пользователя.
• Охват атрибутов сущностей: Если страница посвящена сущности, убедитесь, что она содержит ключевые атрибуты, которые пользователи могут искать в последующих запросах (цена, адрес, характеристики). Это повышает вероятность ранжирования по уточняющим запросам типа [сколько стоит] или [где находится].
• Оптимизация под естественные фразы (Natural Language): Поскольку система оценивает Popularity переписанных запросов, важно использовать естественные языковые конструкции, которые пользователи реально используют при поиске.

Worst practices (это делать не надо)

• Рассмотрение ключевых слов в изоляции: Создание контента, оптимизированного под один запрос без учета того, как пользователь пришел к этому запросу и куда он пойдет дальше (контекста сессии).
• Слабая структура контента и игнорирование Schema.org: Создание контента, в котором сложно выделить основные сущности и их атрибуты, или отсутствие микроразметки, что затрудняет их использование в качестве контекста для переписывания запросов.
• Фокус только на "Head Terms": Концентрация усилий только на высокочастотных запросах и игнорирование длинного хвоста (long-tail) и разговорных запросов, которые часто возникают в середине поисковой сессии.

Стратегическое значение

Патент подтверждает стратегический сдвиг в сторону разговорного поиска (Conversational Search) и понимания намерений на основе сессии. Для SEO это означает, что оценка релевантности становится более динамичной и контекстуальной. Долгосрочные стратегии должны быть направлены на построение тематического авторитета (Topical Authority) и обеспечение полного охвата темы, чтобы сайт мог удовлетворить информационные потребности пользователя на всех этапах его исследования.

Практические примеры

Сценарий 1: Поиск продукта и уточнение характеристик (E-commerce)

1. Действия пользователя:
   • Запрос 1: [Обзор Samsung Galaxy S26].
   • Запрос 2: [Какая у него камера?].
2. Работа системы Google:
   • Система идентифицирует Referential Term "него" и ищет соответствующую сущность в истории сессии (Samsung Galaxy S26).
   • Генерируется кандидат: [Камера Samsung Galaxy S26].
   • Кандидат получает высокую оценку за счет свежести контекста, совпадения сущности и популярности фразы.
3. Действия SEO-специалиста: Убедиться, что страница продукта Samsung Galaxy S26 содержит детальный раздел о камере, используя естественные фразы и микроразметку Product. Это повышает шансы ранжироваться по переписанному запросу.

Сценарий 2: Локальный поиск (Local SEO)

1. Действия пользователя:
   • Запрос 1: [Ресторан Ромашка Москва].
   • Запрос 2: [Как туда добраться?].
2. Работа системы Google:
   • Система идентифицирует Referential Term "туда" (местоположение).
   • Используется контекст из Запроса 1 (Сущность: Ресторан Ромашка, Локация: Москва).
   • Переписанный запрос: [Как добраться до Ресторан Ромашка Москва].
3. Действия SEO-специалиста: Критически важно иметь оптимизированный профиль в Google Business Profile с точным местоположением, чтобы сущность была четко идентифицирована и механизм сработал корректно.