Как Google динамически обновляет выдачу в реальном времени, если пользователь не кликает на результаты

Термины и определения

User Feedback Model (Модель обратной связи пользователя)

Статистическая модель, оценивающая, сколько топовых результатов поиска пользователь просматривает за определенный промежуток времени. Модель строится на основе исторических данных (Query Log) и зависит от количества терминов в запросе.

Rejected Search Results (Отвергнутые результаты поиска)

Результаты поиска, которые, по оценке системы, были просмотрены пользователем, но не были выбраны (кликнуты). Являются источником имплицитной отрицательной обратной связи.

Rejected Resources (Отвергнутые ресурсы)

Веб-страницы или документы, на которые ссылаются Rejected Search Results. Их контент анализируется для уточнения запроса.

Key Term (Ключевой термин)

Термин в контенте ресурса, имеющий показатель $TF-IDF$ (term frequency-inverse document frequency) выше определенного порога.

Query Revision (Пересмотр запроса)

Процесс автоматического изменения исходного запроса. Может включать замену терминов или корректировку весов (Weight Adjustment) связанных терминов и синонимов.

Scrolling Behavior (Поведение при скроллинге)

Данные о прокрутке страницы пользователем. Используются как альтернативный или дополнительный метод определения того, какие результаты были просмотрены.

T1 (First point in time) и T2 (Second point in time)

T1 — момент предоставления первого набора результатов. T2 — момент после T1, когда система обнаруживает отсутствие выбора результатов и активирует механизм уточнения.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод динамического обновления результатов с конкретным механизмом пересмотра запроса.

1. Система предоставляет первый набор упорядоченных результатов на клиентское устройство в момент T1 в ответ на первый запрос.
2. В момент T2 система обнаруживает, что пользователь не выбрал ни один из первых результатов.
3. В ответ на это система:
   • Идентифицирует Rejected Search Results (результаты, считающиеся просмотренными между T1 и T2).
   • Идентифицирует первый поисковый термин в запросе на основе этих отвергнутых результатов.
   • Пересматривает первый запрос путем замены этого первого термина на второй, отличный от него термин.
   • Автоматически получает и предоставляет второй набор результатов на странице выдачи до того, как пользователь выберет что-либо из первого набора.

Ядром Claim 1 является использование отсутствия кликов как триггера для немедленного и автоматического пересмотра запроса (конкретно путем замены термина) и динамического обновления SERP.

Claim 2 и 3 (Зависимые): Детализируют механизм определения момента активации T2.

Момент времени T2 выбирается на основе общего количества терминов в первом запросе. Это базируется на исторических данных (historical user activity data), показывающих зависимость между длиной запроса и временем до выбора результата пользователем.

Claim 5 (Зависимый): Уточняет способ предоставления новых результатов.

Второй набор результатов может либо заменить отклоненные результаты, либо дополнить (supplementing) первый набор результатов.

Claim 6 (Зависимый): Описывает альтернативный метод определения просмотренных результатов.

Помимо времени, система может использовать данные о скроллинге (scrolling data) от клиентского устройства для определения того, какие результаты были просмотрены.

Claim 9 и 10 (Зависимые): Описывают альтернативный метод уточнения запроса (также подробно описанный в тексте патента).

Уточнение может происходить путем корректировки весов (Weight Adjustment) терминов исходного запроса или его расширенной версии (включая синонимы). Вес термина корректируется (уменьшается или увеличивается) в зависимости от его присутствия в контенте отвергнутых ресурсов. Поисковая система использует эти скорректированные веса для генерации второго набора результатов.

Где и как применяется

Изобретение применяется в реальном времени во время взаимодействия пользователя с поисковой выдачей.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно рассчитывать метрики, такие как $TF-IDF$, для быстрого определения Key Terms.

QUNDERSTANDING – Понимание Запросов
Офлайн: Система анализирует Query Logs для построения User Feedback Model.
Онлайн: Происходит пересмотр запроса (Query Revision) в реальном времени, если триггер срабатывает, для динамического уточнения интента.

RANKING – Ранжирование
Система выполняет ранжирование дважды: сначала для исходного запроса, а затем для пересмотренного запроса (с новыми терминами или весами).

RERANKING – Переранжирование (и взаимодействие с клиентом)
Основной этап применения. Система отслеживает поведение пользователя на клиенте (время, скроллинг, отсутствие кликов). User Feedback Model используется для интерпретации этого поведения. При срабатывании триггера система динамически обновляет SERP.

Входные данные:

• Исходный запрос и его длина.
• Первый набор результатов поиска.
• Данные о поведении пользователя в реальном времени (время, скроллинг).
• User Feedback Model (предварительно рассчитанная).
• Контент (и Key Terms) топовых ресурсов.

Выходные данные:

• Второй (динамический) набор результатов поиска, основанный на пересмотренном запросе.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные (ambiguous) или широкие запросы, где существует несколько возможных интерпретаций интента. Если доминирующая интерпретация не подходит пользователю, система может быстро переключиться на альтернативную.
• Длина запроса: Механизм напрямую зависит от длины запроса, так как она используется в User Feedback Model для определения порога времени ожидания (T2).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Триггер активации: Пользователь не выбрал ни один из результатов поиска в течение определенного времени (достигнут момент T2).
• Пороговые значения (T2): Время T2 динамическое. Оно зависит от User Feedback Model и количества терминов в запросе. В патенте упоминаются примеры порогов от 2 до 10 секунд.
• Дополнительные условия: Система может использовать данные о скроллинге как подтверждение того, что пользователь активно просматривает выдачу.
• Персонализация: Модель может быть скорректирована для конкретного пользователя, если он систематически просматривает результаты быстрее или медленнее среднего (на основе данных текущей сессии).

Пошаговый алгоритм

Процесс А: Построение User Feedback Model (Офлайн)

1. Сбор данных: Анализ Query Logs для сбора данных о времени между отправкой запроса и кликом, а также о позиции клика.
2. Сегментация: Группировка данных по количеству терминов в запросе (1-term, 2-term, N-terms).
3. Построение модели: Генерация функций, которые связывают прошедшее время с количеством просмотренных результатов для запросов разной длины.

Процесс Б: Обработка запроса (Реальное время)

1. Предоставление результатов: Система получает запрос и предоставляет первый набор результатов (Момент T1).
2. Мониторинг взаимодействия: Система отслеживает время и действия пользователя (скроллинг, клики).
3. Обнаружение бездействия: В момент T2 (определяется на основе длины запроса и User Feedback Model) система фиксирует отсутствие кликов.
4. Идентификация отвергнутых результатов: Система определяет, какие топовые результаты были просмотрены между T1 и T2 (используя модель или данные скроллинга). Они помечаются как Rejected Search Results.
5. Анализ отвергнутых ресурсов: Система анализирует контент этих ресурсов и идентифицирует Key Terms (например, используя $TF-IDF$).
6. Пересмотр запроса (Query Revision): Система модифицирует запрос.
   • Вариант А (Замена термина, Claim 1): Идентифицируется термин в запросе, связанный с отвергнутыми результатами, и заменяется на другой.
   • Вариант Б (Корректировка весов, Claim 9/10 и Описание): Веса терминов запроса (и синонимов) уменьшаются, если они являются Key Terms в отвергнутых ресурсах. В описании также упоминается возможность использования негативных весов для Key Terms, отсутствующих в запросе.
   • Вариант В (Переранжирование, Описание): Система может переупорядочить существующие результаты, понижая те, которые содержат много Key Terms из отвергнутых ресурсов.
7. Генерация новых результатов: Система выполняет поиск по пересмотренному запросу (для вариантов А и Б) или применяет новое ранжирование (для варианта В).
8. Динамическое предоставление: Второй набор результатов автоматически предоставляется пользователю на SERP (заменяя или дополняя первый набор).

Какие данные и как использует

Данные на входе

• Поведенческие факторы (User Behavior): Ключевые данные для патента.
  • Время взаимодействия (Dwell Time on SERP): Время (T2-T1), прошедшее с момента предоставления результатов.
  • Клики (Clicks): Отсутствие кликов является триггером.
  • Скроллинг (Scrolling behavior): Данные о прокрутке используются для определения просмотренных результатов.
  • Исторические данные (Query Logs): Используются офлайн для построения User Feedback Model.
  • Данные сессии: Текущая активность пользователя может использоваться для персонализации модели (например, если пользователь сканирует быстрее среднего).
• Контентные факторы:
  • Текст ресурсов: Содержимое топовых результатов анализируется для выявления Key Terms.
• Факторы запроса:
  • Длина запроса (Number of terms): Используется для определения ожидаемого времени взаимодействия (T2).
  • Термины и синонимы: Используются в процессе Query Revision и Weight Adjustment.

Какие метрики используются и как они считаются

• User Feedback Model Function: Функция, связывающая время, длину запроса и позицию просмотренного/выбранного результата. Рассчитывается путем усреднения исторических данных из Query Logs.
• $TF-IDF$ (Term Frequency-Inverse Document Frequency): Упоминается как метод для определения Key Terms в отвергнутых ресурсах. Термины с $TF-IDF$ выше порога считаются ключевыми.
• Веса терминов (Term Weights): Метрики, определяющие важность термина в запросе. Они корректируются в процессе работы алгоритма: вес уменьшается, если термин связан с отвергнутыми результатами.

1. Имплицитная обратная связь в реальном времени: Патент подтверждает, что Google активно использует поведение пользователя на SERP (pre-click behavior) как сигнал для ранжирования. Просмотр результатов без клика интерпретируется как имплицитная отрицательная обратная связь (Implicit Negative Feedback).
2. Моделирование ожидаемого поведения: Google не просто ждет кликов, а активно моделирует скорость взаимодействия с выдачей. User Feedback Model определяет ожидания в зависимости от длины запроса и может адаптироваться к конкретному пользователю.
3. Динамический характер SERP и уточнение интента: Поисковая выдача не статична. Система способна в реальном времени анализировать просмотренный (и отвергнутый) контент и динамически изменять SERP, не дожидаясь ручного уточнения запроса.
4. Негативное ранжирование на основе отвергнутого контента: Система анализирует контент, который пользователь отклонил (используя Key Terms и $TF-IDF$), и использует его для снижения веса соответствующих терминов в запросе или замены терминов.
5. Критичность CTR и вовлечения на SERP: Для SEO это означает, что результат должен немедленно захватить внимание и точно соответствовать интенту, чтобы избежать классификации как Rejected Search Result.

Best practices (это мы делаем)

• Оптимизация Заголовков и Сниппетов для немедленного подтверждения интента: Title и Description должны максимально точно и быстро доносить ценность страницы. Необходимо стимулировать быстрый клик. Если пользователь просмотрит сниппет и проигнорирует его, система может посчитать результат отвергнутым.
• Анализ CTR по позициям: Тщательно анализируйте запросы в GSC, по которым страница имеет высокие позиции, но низкий CTR. Это прямые кандидаты на активацию данного механизма. Необходимо понять, почему пользователи «отвергают» результат, и скорректировать сниппет.
• Работа с неоднозначными запросами: Если страница ранжируется по запросам с несколькими интентами, убедитесь, что ваш сниппет четко позиционирует, на какой именно интент вы отвечаете. Это снижает вероятность игнорирования результата.
• Улучшение поведенческих факторов на SERP: Используйте микроразметку и расширенные сниппеты (Structured Data) для повышения привлекательности и информативности результата, чтобы ускорить принятие решения пользователем о клике.

Worst practices (это делать не надо)

• Неоднозначные или кликбейтные заголовки: Если заголовок привлекает внимание, но описание (сниппет) не подтверждает релевантность или раскрывает кликбейт, это приведет к просмотру без клика. Это активирует механизм динамического уточнения.
• Игнорирование качества сниппета: Отношение к мета-описанию как к формальности. В условиях работы этого алгоритма сниппет является основным элементом принятия решения. Плохой сниппет ведет к «отвержению» результата.
• Игнорирование интента пользователя: Создание контента, формально релевантного ключевым словам, но не отвечающего на намерение пользователя, приведет к высокому проценту «отвергнутых результатов».

Стратегическое значение

Патент подчеркивает стратегический фокус Google на удовлетворенности пользователей и поведенческих факторах (Behavioral SEO), причем еще до совершения клика. Он демонстрирует, что ранжирование не является статичным процессом и продолжается во время взаимодействия пользователя с выдачей. Для SEO-стратегии это означает переход от фокуса исключительно на позициях к фокусу на вовлечении: необходимо не просто ранжироваться высоко, но и быстро конвертировать показы в клики.

Практические примеры

Сценарий: Динамическое уточнение неоднозначного запроса

1. Исходный запрос: Пользователь вводит неоднозначный запрос, например, "Ягуар".
2. Исходная выдача (SERP 1): Топ-3 результата посвящены автомобилям Jaguar (сайт бренда, обзоры, дилеры).
3. Поведение пользователя: Пользователь ищет информацию о животном. Он быстро сканирует Топ-3, понимает, что это не то, и не кликает. Проходит время T2 (например, 3 секунды).
4. Активация механизма: Система определяет, что Топ-3 были просмотрены и отвергнуты (Rejected Search Results).
5. Анализ и пересмотр: Система анализирует Key Terms отвергнутых ресурсов (например, "автомобиль", "модель", "цена"). Она понижает вес этих терминов или пересматривает запрос (например, "Ягуар -автомобиль" или меняет фокус на альтернативный интент).
6. Динамическое обновление (SERP 2): Страница выдачи автоматически обновляется (или появляется дополнительный блок, как на FIG. 3B), где представлены результаты о животном (Википедия, National Geographic).
7. Результат: Пользователь видит релевантные результаты без необходимости вручную уточнять запрос.