Как Google создает тематические анимированные превью для SERP, анализируя и кластеризируя изображения на странице

Термины и определения

Animation Snippet (Анимированный сниппет)

Коллекция из двух или более изображений или видеокадров, собранных из визуальных ресурсов страницы. Представляется в виде анимации в результатах поиска (например, GIF, видеофайл или последовательность изображений).

Persistent Visual Resource (Постоянный визуальный ресурс)

Изображение или видео на странице, которое отображается каждый раз, когда страница загружается, и не меняется динамически. Например, фото товара или иллюстрация в статье. Исключает непостоянные ресурсы, такие как рекламные баннеры.

Image Frame (Кадр изображения)

Отдельный кадр в анимированном сниппете, сгенерированный из постоянного визуального ресурса. Может быть полным изображением, миниатюрой или обрезанной частью.

Location Score (Оценка местоположения)

Метрика, указывающая на заметность (prominence) визуального ресурса на отрендеренной странице. Ресурсы, расположенные ближе к центру или на более видном месте, могут получать более высокую оценку.

Aspect Ratio Score (Оценка соотношения сторон)

Метрика, основанная на соотношении сторон визуального ресурса. Используется для отбора изображений, соответствующих определенным критериям формата (aspect ratio size criterion).

Resource Topic (Тема ресурса)

Основная тема или темы, которые описывает контент страницы.

Stop Images (Стоп-изображения)

Библиотека часто используемых или низкоинформативных изображений (например, кнопки, разделители, иконки, элементы брендинга), которые исключаются из генерации сниппетов, даже если они являются постоянными.

Relevance Measure (Мера релевантности)

Метрика, определяющая релевантность поискового запроса к темам, связанным с анимированным сниппетом. Используется для выбора наилучшего сниппета для показа.

Quality Score (Оценка качества сниппета)

Метрика, основанная на характеристиках визуальных ресурсов в сниппете (например, размер, яркость, контраст, четкость, уровень сжатия).

Snippet Index (Индекс сниппетов)

Хранилище предварительно сгенерированных анимированных сниппетов, проиндексированных вместе с соответствующими страницами.

Ключевые утверждения (Анализ Claims)

Claim 1, 13, 21 (Независимые пункты): Описывают основную систему и метод генерации и тематического выбора анимированных сниппетов.

1. Система определяет страницы, содержащие несколько Persistent Visual Resources.
2. Для каждой такой страницы генерируется один или несколько Animation Snippets. Процесс включает:
   • Выбор подмножества постоянных визуальных ресурсов.
   • Генерацию Image Frame из каждого выбранного ресурса.
   • Создание анимированного сниппета из этих кадров.
3. Ключевой этап генерации: Определение Resource Topic (темы страницы) и категоризация созданного сниппета как принадлежащего к этой теме.
4. При получении поискового запроса система выбирает один из сгенерированных сниппетов для показа.
5. Ключевой этап выбора: Выбор основывается на совпадении (match) между темой поискового запроса и Resource Topic, к которому был отнесен сниппет.
6. Выбранный сниппет предоставляется пользователю.

Claim 2, 14 (Зависимые): Детализируют критерии выбора визуальных ресурсов на основе местоположения.

Выбор подмножества ресурсов включает определение местоположения ресурса на отрендеренной странице, расчет Location Score и выбор ресурсов на основе этих оценок.

Claim 3, 15 (Зависимые): Детализируют критерии выбора на основе формата.

Выбор подмножества включает определение соотношения сторон (aspect ratio) ресурса и выбор ресурсов, соответствующих заданным критериям (aspect ratio size criterion).

Claim 6, 18 (Зависимые): Описывают механизм тематической кластеризации для генерации нескольких разных сниппетов для одной страницы.

1. Система определяет темы для каждого отдельного визуального ресурса (а не только общую тему страницы).
2. Визуальные ресурсы кластеризуются (группируются) на основе этих определенных тем.
3. Для каждого кластера генерируется отдельный Animation Snippet, который ассоциируется с темами этого кластера.

Claim 7, 19 (Зависимые от 6/18): Детализируют процесс выбора сниппета, когда используется кластеризация.

Выбор сниппета включает определение тем запроса, расчет Relevance Measure между запросом и темами каждого доступного сниппета, и выбор сниппета на основе этой меры релевантности.

Где и как применяется

Изобретение затрагивает этапы индексирования (для анализа и генерации) и метапоиска (для выбора и отображения).

INDEXING – Индексирование и извлечение признаков
Основная работа по генерации сниппетов происходит на этом этапе. Система (Animation Snippet Generator) должна:

• Рендерить страницы для анализа структуры (DOM) и расположения элементов.
• Определять Persistent Visual Resources. Это может требовать анализа инструкций страницы или многократного сканирования для исключения динамического контента.
• Извлекать признаки изображений: URL, формат, соотношение сторон, расположение.
• Применять компьютерное зрение или анализ метаданных/тегов для определения тем (topics) страницы и отдельных изображений.
• Генерировать Animation Snippets (указано, что это может происходить независимо от получения запроса, т.е. офлайн).
• Сохранять сниппеты в Snippet Index, связывая их со страницей и тематическими категориями.

METASEARCH – Метапоиск и Смешивание
На этом этапе формируется финальная выдача (SERP).

• Когда страница выбрана как результат поиска, система определяет тему запроса.
• Система извлекает доступные Animation Snippets для этой страницы из Snippet Index.
• Если сниппетов несколько, рассчитывается Relevance Measure (и, возможно, Quality Score) для выбора наилучшего.
• Выбранный сниппет встраивается в результат поиска (стандартный веб-сниппет или результат в поиске по картинкам).

Входные данные:

• Отрендеренная страница (DOM, визуальные ресурсы).
• Данные о темах страницы и изображений.
• Поисковый запрос (на этапе выбора).

Выходные данные:

• Animation Snippets, сохраненные в индексе.
• Страница результатов поиска (SERP), включающая выбранный анимированный сниппет.

На что влияет

• Конкретные типы контента: Наибольшее влияние на страницы с богатым визуальным контентом — галереи, страницы товаров (eCommerce), рецепты, инструкции (How-to), статьи с несколькими иллюстрациями.
• Форматы контента: Влияет как на стандартные веб-результаты (где анимация показывается рядом с текстом и URL), так и на результаты поиска по изображениям (где сам результат является анимированным сниппетом).
• Пользовательский опыт: Влияет на CTR и вовлеченность. Анимация может активироваться при взаимодействии (например, наведении курсора) или автоматически.

Когда применяется

• Условие применения: Алгоритм применяется к страницам, которые содержат как минимум два Persistent Visual Resources.
• Триггеры фильтрации: Система исключает ресурсы, если они не являются постоянными, распознаны как Stop Images, или если их Location Score / Aspect Ratio Score / Quality Score не соответствуют пороговым значениям.
• Временные рамки: Генерация преимущественно происходит во время индексирования (офлайн), но патент допускает и генерацию в момент запроса (онлайн).

Пошаговый алгоритм

Процесс А: Генерация анимированных сниппетов (Этап Индексирования)

1. Определение постоянных ресурсов: Система анализирует страницу для идентификации Persistent Visual Resources, исключая динамический контент (рекламу, виджеты).
2. Фильтрация и оценка ресурсов: Идентифицированные ресурсы обрабатываются:
   • Исключаются Stop Images и высокочастотный контент (элементы навигации/шаблона).
   • Рассчитывается Location Score (на основе заметности расположения на отрендеренной странице).
   • Рассчитывается Aspect Ratio Score (на основе соответствия заданным форматам).
3. Выбор подмножества ресурсов: Отбираются ресурсы, чьи оценки превышают пороговые значения.
4. Тематический анализ и кластеризация (Два варианта):
   • Вариант 1 (Общий сниппет): Определяется общая Resource Topic страницы. Выбранные ресурсы используются для генерации одного информационного сниппета.
   • Вариант 2 (Тематические сниппеты): Определяются темы для каждого отдельного изображения. Ресурсы группируются в кластеры по схожим темам.
5. Генерация кадров: Из каждого выбранного ресурса генерируется Image Frame (включая выбор одного или нескольких кадров из видео).
6. Сборка сниппета: Кадры объединяются в Animation Snippet в определенном порядке.
7. Категоризация и сохранение: Сниппет ассоциируется с соответствующей темой (общей или темой кластера) и сохраняется в Snippet Index.

Процесс Б: Выбор и предоставление сниппета (Этап Обработки Запроса)

1. Получение запроса и определение темы: Система получает запрос и определяет его тематику.
2. Идентификация кандидатов: Для страницы, выбранной в качестве результата поиска, система извлекает доступные Animation Snippets из индекса.
3. Расчет релевантности: Рассчитывается Relevance Measure между темой запроса и темами доступных сниппетов. Эта мера может также учитывать Quality Score сниппета и поведенческие данные.
4. Выбор сниппета: Выбирается сниппет с наивысшей мерой релевантности, превышающей порог.
5. Предоставление: Выбранный Animation Snippet встраивается в SERP и отправляется пользователю.

Какие данные и как использует

Данные на входе

• Технические факторы: Инструкции страницы (код) и DOM используются для определения постоянства ресурсов и их точного расположения (для Location Score).
• Мультимедиа факторы: Изображения и видео (Persistent Visual Resources). Анализируются их формат, соотношение сторон (для Aspect Ratio Score). Также анализируются характеристики качества: размер, яркость, контраст, цвет, четкость, уровень сжатия (для Quality Score).
• Контентные факторы (Семантика): Данные для определения тем страницы (Resource Topic) и тем отдельных изображений. Это может включать анализ тегов изображений, метаданных или применение компьютерного зрения.
• Поведенческие факторы: Упоминается, что Relevance Measure может основываться на частоте выбора пользователями (user selection rates) конкретных изображений или самого сниппета в ответ на запрос или похожие запросы.

Какие метрики используются и как они считаются

• Location Score: Метрика заметности ресурса. Может быть бинарной (внутри/вне определенной области) или вещественным числом (например, пропорционально расстоянию от центра страницы или близости к краю).
• Aspect Ratio Score: Метрика соответствия формата. Основана на сравнении соотношения сторон с заданными критериями (aspect ratio size criterion).
• Relevance Measure: Метрика релевантности между запросом и сниппетом. Рассчитывается на основе сравнения тем запроса и тем сниппета (используя алгоритмы релевантности тем, сопоставление терминов, векторные произведения и т.д.). Может учитывать поведенческие данные.
• Quality Score: Метрика технического качества сниппета, агрегирующая характеристики исходных изображений.
• Методы анализа и кластеризации: Используются методы определения тем (Topic detection) для категоризации контента и методы кластеризации (например, k-means, агломеративная кластеризация) для группировки изображений по темам.

1. Google анализирует постоянство визуального контента: Система целенаправленно отличает основной контент (Persistent Visual Resources) от динамического (реклама) и служебного (Stop Images). Для попадания в сниппет изображение должно быть статичным элементом страницы.
2. Расположение и формат изображения критичны для выбора: Метрики Location Score и Aspect Ratio Score используются для отбора кандидатов. Изображения на видных местах (например, в центре) и с подходящим соотношением сторон имеют приоритет.
3. Тематическая кластеризация изображений — ключевой механизм: Google не просто анализирует страницу целиком, но и определяет темы отдельных изображений и группирует их. Это позволяет генерировать несколько специализированных анимированных сниппетов для одной страницы.
4. Визуальный сниппет адаптируется под интент запроса: Система не просто показывает случайный набор изображений. Она использует Relevance Measure для выбора того тематического сниппета, который лучше всего соответствует конкретному запросу пользователя.
5. Техническое качество влияет на видимость: Quality Score сниппета, основанный на четкости, контрастности и других характеристиках исходных изображений, может влиять на финальный выбор сниппета для показа, наряду с релевантностью.

Best practices (это мы делаем)

• Стратегическое размещение ключевых изображений: Размещайте самые важные и релевантные изображения на заметных позициях (ближе к центру контентной области, выше на странице), чтобы максимизировать их Location Score и вероятность включения в сниппет.
• Оптимизация качества и форматов: Используйте четкие, высококачественные изображения в современных форматах. Убедитесь, что соотношение сторон соответствует тем, которые часто используются в сниппетах Google. Это повысит Quality Score и Aspect Ratio Score.
• Создание тематических визуальных кластеров: Если страница охватывает несколько подтем (например, рецепт: ингредиенты, процесс готовки, сервировка), предоставьте набор качественных изображений для каждой подтемы. Это поможет Google сгенерировать релевантные тематические Animation Snippets для узких запросов.
• Обеспечение статического доступа к изображениям: Убедитесь, что ключевые изображения являются Persistent Visual Resources. Они должны быть доступны при рендеринге и не должны динамически подменяться при каждой загрузке.
• Усиление тематической связи изображений: Оптимизируйте контекст вокруг изображений (окружающий текст, заголовки) и метаданные (например, alt-текст), чтобы помочь Google точно определить тему каждого изображения для корректной кластеризации.

Worst practices (это делать не надо)

• Динамическая подмена ключевых изображений: Если основные изображения товара или статьи меняются при каждой загрузке (например, в рамках A/B тестирования визуальных элементов), они могут быть классифицированы как непостоянные и исключены из сниппетов.
• Размещение важных изображений в незаметных областях: Скрытие ключевых изображений в футере, узких боковых панелях или далеко от основного контента значительно снизит их Location Score.
• Игнорирование технического качества изображений: Использование размытых, пережатых или низкоконтрастных изображений может снизить общий Quality Score сниппета, что негативно скажется на его выборе для показа в SERP.
• Использование изображений только для декорации: Размещение набора несвязанных или чисто декоративных изображений не позволит системе эффективно кластеризовать визуальный контент и сгенерировать информативный сниппет.

Стратегическое значение

Патент подтверждает стратегию Google на глубокое понимание визуального контента и его роли в удовлетворении интента пользователя. Для SEO это означает переход от базовой оптимизации изображений (скорость, alt-теги) к стратегическому управлению визуальным представлением сайта в SERP. Способность Google тематически кластеризовать изображения и адаптировать сниппет под запрос требует от специалистов создания визуально структурированного и семантически богатого контента, где текст и изображения работают вместе.

Практические примеры

Сценарий: Оптимизация страницы обзора смартфона для тематических сниппетов

1. Анализ интентов: Пользователи ищут "Обзор Смартфона X" (общий), "Камера Смартфона X примеры фото" (специфический), "Смартфон X время работы батареи" (специфический).
2. Создание визуальных кластеров:
   • Кластер 1 (Дизайн): Фотографии корпуса, экрана, расположения кнопок. Размещаются в начале обзора.
   • Кластер 2 (Камера): Фотографии модуля камеры крупным планом и примеры снимков в разных условиях (день, ночь, портрет). Размещаются в разделе о камере.
   • Кластер 3 (Интерфейс/Батарея): Скриншоты интерфейса и графики тестирования батареи.
3. Оптимизация: Все изображения статические, высокого качества, размещены на видных местах в соответствующих разделах. Контекст (заголовки разделов, подписи) четко определяет тему кластеров.
4. Ожидаемый результат:
   • По запросу "Обзор Смартфона X" Google показывает Animation Snippet из Кластера 1 (Дизайн).
   • По запросу "Камера Смартфона X примеры фото" Google определяет высокую Relevance Measure для Кластера 2 и показывает Animation Snippet с примерами фотографий.