Как Google персонализирует Sitelinks и сниппеты, используя интересы пользователя и тренды для прямого перехода на нужные страницы

Термины и определения

Entity (Сущность)

Запись в графе знаний (Knowledge Graph), используемая для связи связанных частей контента. Может представлять конкретный предмет (например, модель товара "Grill X") или категорию (например, "Camping").

Navigational Intent (Навигационное намерение)

Намерение пользователя перейти на определенный веб-сайт. Запросы с таким намерением часто служат триггером для активации описанного механизма.

Recommended Content (Рекомендованный контент)

Набор сущностей, выбранных для отображения в поисковом сниппете. Является результатом пересечения сущностей ресурса и сущностей, интересующих пользователя или являющихся трендовыми. Отображается в виде цифрового контента (ссылки, миниатюры).

Recommended Content System (Система рекомендованного контента)

Компонент поисковой архитектуры, отвечающий за генерацию и предоставление персонализированных рекомендаций для интеграции в SERP.

Relevance Score (Оценка релевантности)

Метрика, указывающая на относительную важность или интересность конкретной сущности для пользователя или в контексте тренда. Используется для выбора лучших рекомендаций из возможного набора (super-set).

Set of Entities associated with the user (Набор сущностей, связанных с пользователем)

Сущности, которые были определены как потенциально релевантные для пользователя на основе его интересов, истории поиска (Historical Data), социальных связей и т.д.

Trending Entities (Трендовые сущности)

Сущности, которые в настоящее время популярны среди широкого круга пользователей (покупаются, обсуждаются, распространяются). Могут быть глобальными, локальными или специфичными для ресурса.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализации поисковой выдачи.

1. Система получает поисковый запрос от первого пользователя.
2. Получает результат поиска, релевантный запросу.
3. Получает набор сущностей, связанных с ресурсом результата (E_R).
4. Получает первый набор сущностей, связанных с интересами первого пользователя (E_U1).
5. Определяет соответствие (пересечение) между E_R и E_U1.
6. В ответ на это соответствие предоставляет первый набор Recommended Content.
7. Генерирует первую страницу результатов поиска (SERP), включающую результат поиска и цифровой контент, представляющий Recommended Content (с прямыми ссылками).
8. Передает первую SERP первому пользователю.

Claim 2 (Зависимый от 1): Добавляет использование трендовых сущностей.

1. Система получает набор трендовых сущностей (E_T).
2. Определяет соответствие (пересечение) между сущностями ресурса (E_R) и трендовыми сущностями (E_T).
3. Включает эти пересекающиеся трендовые сущности в первый набор Recommended Content.

Claim 3 и 4 (Зависимые от 1): Демонстрируют механизм персонализации путем сравнения.

Описывается тот же процесс для второго пользователя (E_U2). Для того же запроса и того же результата поиска система генерирует второй набор Recommended Content, основанный на интересах второго пользователя. Этот второй набор отличается от первого набора.

Claim 6 (Зависимый от 1): Определяет условие активации механизма.

Система определяет, что намерение пользователя является навигационным (navigational intent) на основе запроса. В ответ на это система активирует механизм рекомендаций (запрашивает сущности ресурса и пользователя).

Claim 7 и 8 (Зависимые от 1): Описывают механизм отбора рекомендаций.

Recommended Content предоставляется как подмножество (sub-set) из более крупного набора потенциальных рекомендаций (super-set). Отбор в подмножество происходит на основе соответствующих оценок релевантности (Relevance Scores).

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи, используя данные, собранные на этапах индексирования и понимания пользователя.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна проиндексировать ресурсы и извлечь связанные с ними сущности (продукты, категории, темы). Эти данные (Resource Data) необходимы для формирования набора E_R. Использование Knowledge Graph критично для этого процесса.

QUNDERSTANDING – Понимание Запросов
Система анализирует запрос для определения намерения. В частности, она определяет, является ли интент навигационным (navigational intent), что может служить триггером для активации системы рекомендаций.

(Вне стандартных этапов) – Понимание пользователя и Трендов
Система постоянно анализирует поведение пользователей для формирования профиля интересов (E_U) и выявления трендовых сущностей (E_T). Эти данные хранятся в Recommended Content Data.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основное применение патента. После стандартного ранжирования:

1. Взаимодействие: Search System взаимодействует с Recommended Content System.
2. Сопоставление: Система рекомендаций сравнивает E_R с E_U и E_T.
3. Смешивание: Результаты поиска обогащаются (дополняются) рекомендованным контентом (например, динамическими Sitelinks, миниатюрами).

Входные данные:

• Поисковый запрос и идентификатор пользователя.
• Результаты поиска (идентификаторы ресурсов).
• Наборы сущностей E_R, E_U, E_T.
• Relevance scores для сущностей.

Выходные данные:

• Страница результатов поиска (SERP) с персонализированными сниппетами.

На что влияет

• Специфические запросы: В первую очередь влияет на навигационные запросы (поиск по бренду, названию сайта). Может применяться и к общим запросам (например, "футбол"), если система может персонализировать результат на основе известных интересов (например, любимая команда).
• Конкретные типы контента и ниши: Наибольшее влияние оказывается на сайты с большим количеством четко определенных сущностей: E-commerce (товары и категории), новостные порталы (темы, персоны), сайты с обзорами (фильмы, игры).
• Географические факторы: Тренды могут зависеть от местоположения. Система может учитывать локацию при генерации рекомендаций (например, не рекомендовать зимнюю одежду в теплых регионах).

Когда применяется

• Триггеры активации: Патент явно указывает на определение навигационного намерения (navigational intent) пользователя как на ключевой триггер.
• Условия работы алгоритма: Алгоритм применяется, когда система имеет достаточно данных о пользователе (E_U) ИЛИ о трендах (E_T), И когда целевой ресурс содержит сущности (E_R), пересекающиеся с этими данными.
• Исключения: Если пересечений не найдено или у системы недостаточно данных о пользователе или ресурсе, рекомендации не будут показаны.

Пошаговый алгоритм

Процесс обработки запроса и генерации SERP

1. Получение запроса: Система получает поисковый запрос от пользователя.
2. Определение интента (Опционально): Система анализирует запрос на наличие Navigational Intent. Если интент навигационный, вероятность активации механизма повышается.
3. Получение стандартных результатов: Система определяет ресурсы, релевантные запросу.
4. Получение наборов сущностей: Для топовых результатов система получает E_R (сущности ресурса), E_U (интересы пользователя) и E_T (трендовые сущности).
5. Вычисление пересечений (Intersection): Система определяет совпадения: Пересечение пользователя (I_U = E_R ∩ E_U) и Пересечение трендов (I_T = E_R ∩ E_T).
6. Формирование супер-набора: Система объединяет найденные пересечения (I_U ∪ I_T) для формирования super-set потенциальных рекомендаций.
7. Фильтрация и ранжирование рекомендаций: Из super-set выбирается подмножество (sub-set) для отображения. Выбор основывается на Relevance Scores каждой сущности. Может использоваться комбинация пользовательских и трендовых рекомендаций.
8. Генерация SERP: Система генерирует страницу результатов. Сниппет целевого ресурса дополняется цифровым контентом (миниатюры, текст, ссылки), представляющим выбранный Recommended Content.
9. Предоставление пользователю: Персонализированная SERP отправляется пользователю.

Какие данные и как использует

Данные на входе

Система использует комбинацию данных о контенте, пользователях и агрегированном поведении.

• Контентные и Структурные факторы (для E_R): Данные с веб-сайта (текст страниц, структура сайта, микроразметка), которые позволяют системе извлекать и идентифицировать сущности на ресурсе.
• Пользовательские и Поведенческие факторы (для E_U):
  • История поисковых запросов пользователя (Historical Data).
  • Данные из социальных сетей (публичные рекомендации, упоминания событий, информация профиля о хобби и интересах).
  • Явно указанные пользователем интересы.
• Временные и Поведенческие факторы (для E_T):
  • Агрегированные данные о покупках.
  • Обсуждения и упоминания в социальных сетях и на форумах.
  • Данные о распространении контента (sharing).
  • Агрегированная активность пользователей в поиске.
• Географические факторы: Местоположение пользователя используется для фильтрации интересов и определения локальных трендов.

Какие метрики используются и как они считаются

• Идентификация сущностей: Используются методы NLP и Knowledge Graph для идентификации и связи сущностей.
• Relevance Score (Оценка релевантности): Метрика, присваиваемая каждой сущности в наборах E_U и E_T. Указывает на степень интереса пользователя к сущности или на силу тренда. Патент не детализирует формулу расчета, но указывает, что эти оценки используются для выбора наиболее важных рекомендаций из super-set.
• Intersection (Пересечение): Основной математический механизм патента. Система вычисляет пересечение множеств E_R с E_U и E_T.

1. Глубокая персонализация SERP-фич: Патент описывает механизм персонализации не только ранжирования, но и внешнего вида сниппетов (например, Sitelinks). Для одного и того же запроса разные пользователи получат разные прямые ссылки в зависимости от их интересов и трендов.
2. Критичность Entity SEO и Knowledge Graph: Способность системы генерировать эти рекомендации напрямую зависит от того, насколько хорошо она понимает сущности на сайте (E_R). Это подчеркивает стратегическую важность четкой таксономии и использования структурированных данных для связи контента с Knowledge Graph.
3. Навигационные запросы как точка входа: Патент явно указывает Navigational Intent как основной триггер. Google стремится ускорить доступ к контенту по брендовым запросам, направляя пользователей минуя главную страницу.
4. Интеграция данных о трендах: Система использует Trending Entities для обогащения сниппетов актуальным контентом, даже если у пользователя нет явной истории взаимодействия с темой или данных о пользователе недостаточно.
5. Ранжирование рекомендаций: Система не показывает все совпадения. Она использует Relevance Scores для выбора наилучших рекомендаций из всех возможных совпадений (super-set).

Best practices (это мы делаем)

• Внедрение подхода "Entity-First" и структурированных данных: Критически важно использовать разметку Schema.org (Product, Article, Category и т.д.) для четкого определения всех ключевых сущностей на сайте. Это позволит Google сформировать полный набор сущностей ресурса (E_R), необходимый для работы механизма.
• Развитие четкой таксономии и архитектуры сайта: Структура категорий, тегов и внутренняя перелинковка должны быть логичны. Это помогает поисковой системе идентифицировать сущности и категории, которые могут быть использованы в качестве рекомендаций, и облегчает формирование прямых ссылок (Deep Linking).
• Оптимизация товарных фидов (для E-commerce): Предоставление полных и точных данных через Google Merchant Center является эффективным способом сообщить Google о доступных сущностях (товарах), что увеличивает вероятность их попадания в персонализированные рекомендации.
• Оптимизация под сущности (Entity SEO): Убедитесь, что ключевые продукты, услуги и темы четко представлены как сущности и связаны с соответствующими узлами в Knowledge Graph (например, через sameAs).
• Мониторинг и оптимизация трендового контента: Отслеживайте актуальные тренды (E_T) в вашей нише и оперативно создавайте или оптимизируйте соответствующие страницы. Это увеличит вероятность попадания в блок Recommended Content на основе трендов.

Worst practices (это делать не надо)

• Игнорирование микроразметки: Отсутствие структурированных данных затрудняет Google идентификацию сущностей на сайте, что снижает шансы на получение обогащенных персонализированных сниппетов.
• Запутанная структура сайта и навигация: Если структура сайта нелогична или контент сложно найти, Google не сможет эффективно выделить категории и важные страницы для рекомендаций.
• Фокус только на ключевых словах: Оптимизация страниц без учета их связи с сущностями в Knowledge Graph не позволит использовать описанный механизм персонализации.
• Зависимость только от главной страницы: Стратегия направления всего трафика на главную противоречит логике патента. Google стремится обойти главную страницу, если знает конкретную цель пользователя.

Стратегическое значение

Патент подтверждает стратегию Google по переходу к семантическому поиску, основанному на сущностях и глубокой персонализации. Для SEO это означает, что долгосрочная стратегия должна фокусироваться на построении семантически связанного контента и обеспечении максимальной понятности структуры сайта для поисковых систем. Способность сайта "разговаривать" с Google на языке сущностей напрямую влияет на его представление в SERP, CTR и распределение трафика внутри сайта, особенно по брендовым запросам.

Практические примеры

Сценарий: Персонализация сниппета интернет-магазина для разных пользователей

Запрос: Пользователь А и Пользователь Б вводят навигационный запрос "[Название Магазина]".

Пользователь А (Интересы: Кемпинг, Грили):

1. Контекст: Пользователь А недавно искал "палатки для кемпинга" и "обзоры грилей". Google добавил эти сущности в его профиль (E_U_A).
2. Сопоставление: Система находит пересечение между сущностями магазина (E_R) и E_U_A.
3. Результат: Сниппет магазина для Пользователя А содержит персонализированные Sitelinks: "Палатки", "Грили", "Аксессуары для кемпинга".

Пользователь Б (Интересы: Лыжи, Одежда):

1. Контекст: Пользователь Б недавно искал "горные лыжи" и "зимние куртки" (E_U_Б).
2. Сопоставление: Система находит пересечение между E_R и E_U_Б.
3. Результат: Сниппет магазина для Пользователя Б содержит другие Sitelinks: "Горные лыжи", "Зимняя одежда", "Ботинки".

Вывод: Один и тот же запрос ведет к разному представлению сайта в выдаче, оптимизируя путь пользователя к конверсии.