Как Google использует историю браузера пользователя для персонализации и переранжирования результатов поиска

Термины и определения

Browser Assistant (Браузерный помощник)

Программное обеспечение (например, плагин, тулбар, DLL или часть браузера), работающее на клиентском устройстве. Оно отслеживает активность пользователя, индексирует её в History Database и модифицирует результаты поиска.

History Database (База данных истории)

Локальное хранилище данных, содержащее индексированную информацию о документах, ранее просмотренных пользователем. Включает контент документа и метаданные о взаимодействии (время, частота, продолжительность).

Explicit History Search (Явный поиск по истории)

Режим поиска, при котором пользователь намеренно ищет информацию только в своей локальной History Database.

Implicit History Search (Неявный поиск по истории)

Процесс, при котором система автоматически ищет в History Database во время стандартного веб-поиска и использует результаты для модификации (персонализации) поисковой выдачи.

First Search Results (Первые результаты поиска)

Стандартные результаты, полученные от внешней поисковой системы (например, Google Search).

Second Search Results / History Results (Вторые результаты поиска / Результаты истории)

Результаты, полученные путем поиска по локальной History Database.

User Liking (Предпочтение пользователя)

Метрика, используемая для ранжирования результатов в истории, основанная на поведенческих факторах (частота визитов, продолжительность, рейтинг).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает метод персонализации поисковой выдачи на основе истории пользователя (Implicit Search).

1. Система получает поисковый запрос от пользователя.
2. Система получает First Search Results (стандартная веб-выдача) в ответ на запрос.
3. Система выполняет поиск по History Database (содержащей ранее посещенные документы), используя тот же запрос, и получает Second Search Results (результаты истории).
4. Система сравнивает первые и вторые результаты для определения совпадений.
5. Действие 1 (Добавление): Если результат из истории отсутствует в веб-выдаче, он добавляется к ней.
6. Действие 2 (Модификация/Перемещение): Если результат из истории присутствует в веб-выдаче, его позиция модифицируется путем перемещения на определенное количество позиций (particular number of positions) к вершине выдачи.
7. Система выводит модифицированную выдачу.

Claim 6 (Зависимый): Детализирует методы ранжирования результатов из History Database. Ранжирование может основываться на: дате предыдущего доступа, релевантности, пользовательских рейтингах (User Ratings), частоте доступа (Frequency) или продолжительности доступа (Amount of time spent).

Claim 25 и 26 (Зависимые): Уточняют, как определяется «определенное количество позиций» для перемещения результата. Оно может основываться на количестве раз, когда документ был посещен (Claim 25), или на количестве времени, проведенном на документе (Claim 26).

Где и как применяется

Изобретение описывает механизм персонализации, который работает преимущественно на стороне клиента (Client-Side Reranking), но взаимодействует с результатами, полученными от центральной поисковой системы.

INDEXING (Локальное индексирование)
Browser Assistant выполняет функции локального краулера и индексатора. Он отслеживает документы (веб-страницы, локальные файлы), к которым обращается пользователь, извлекает контент и поведенческие признаки (время просмотра, частота) и сохраняет их в локальной History Database.

RANKING (Взаимодействие)
Центральная поисковая система выполняет стандартное ранжирование и генерирует First Search Results. Описанный механизм не влияет на этот этап.

RERANKING (Персонализация на стороне клиента)
Основное применение патента. Browser Assistant активируется после получения результатов от поисковой системы.

1. Перехват: Система перехватывает First Search Results.
2. Параллельный поиск: Одновременно выполняется Implicit History Search в локальной History Database для генерации Second Search Results.
3. Сравнение и Модификация: Система сравнивает два набора и модифицирует First Search Results путем добавления, удаления или переранжирования (перемещения) результатов на основе истории пользователя.

Входные данные:

• Поисковый запрос пользователя.
• First Search Results (стандартная SERP) от поисковой системы.
• Локальная History Database (индекс просмотренных документов и поведенческих данных).

Выходные данные:

• Модифицированная (персонализированная) поисковая выдача.

На что влияет

• Все типы контента и запросов: Механизм потенциально влияет на любые запросы, если у пользователя есть релевантная история посещений. Наибольшее влияние наблюдается по запросам, связанным с темами, которые пользователь часто изучает или к которым часто возвращается (информационные, повторяющиеся навигационные).
• Локальные документы: Патент явно указывает на возможность индексации и поиска локальных файлов (e-mail, изображения, документы приложений), что позволяет интегрировать их в общую поисковую выдачу.

Когда применяется

• Условия применения: Алгоритм активируется, когда пользователь выполняет поиск через интерфейс, контролируемый Browser Assistant (например, браузер с установленным тулбаром или плагином).
• Триггеры модификации: Модификация выдачи происходит, если поиск по History Database возвращает релевантные результаты.
• Пороговые значения: Патент упоминает возможность установки порогов. Например, документ может быть проиндексирован или включен в результаты, только если пользователь провел на нем более X секунд или посетил его более Y раз.

Пошаговый алгоритм

Процесс А: Пассивная индексация истории (Фоновый процесс)

1. Обнаружение доступа к документу: Browser Assistant обнаруживает, что пользователь открыл новый документ.
2. Сбор информации о документе: Система собирает данные о контенте (текст, HTML, изображения, заголовок).
3. Сбор информации о взаимодействии: Система записывает поведенческие данные: дату/время доступа, продолжительность просмотра, действия пользователя (печать, сохранение, оценка).
4. Проверка порогов хранения (Опционально): Система проверяет, удовлетворяет ли сессия пороговым значениям (например, продолжительность > 15 секунд).
5. Индексация и хранение: Информация индексируется и сохраняется в локальной History Database.

Процесс Б: Неявный поиск по истории (Implicit History Search) и Персонализация

1. Получение запроса и отправка в поисковую систему: Пользователь вводит запрос, который отправляется на внешний поисковый движок.
2. Перехват результатов: Browser Assistant перехватывает First Search Results, возвращенные поисковой системой.
3. Определение поисковых терминов: Система определяет термины, использованные в запросе.
4. Поиск в History Database: Система выполняет параллельный поиск по локальной History Database и получает Second Search Results (History Results).
5. Ранжирование результатов истории: History Results ранжируются на основе даты, релевантности и метрик предпочтения пользователя (User Liking: частота, продолжительность, рейтинг).
6. Сравнение результатов: Система сравнивает History Results с First Search Results.
7. Модификация поисковой выдачи: Система модифицирует First Search Results:
   • Добавление: Если History Result отсутствует в First Search Results, он может быть добавлен (например, в начало выдачи).
   • Переранжирование (Moving/Reweighting): Если History Result присутствует, его позиция перемещается вверх на определенное количество позиций или пересчитывается с использованием формулы взвешивания.
   • Выделение (Highlighting): Совпадающие результаты могут быть визуально выделены.
   • Удаление (Deleting): Результаты, которые пользователь ранее оценил негативно, могут быть удалены.
8. Представление результатов: Модифицированная поисковая выдача отображается пользователю.

Какие данные и как использует

Данные на входе

Система использует обширный набор данных, собираемых локально на устройстве пользователя.

Контентные факторы (индексируемые из просмотренных документов):

• Текст документа, HTML, заголовок (Title), изображения.

Поведенческие факторы (User Engagement):

• Частота доступа (Frequency): Количество раз, когда пользователь обращался к документу.
• Продолжительность доступа (Duration/Dwell Time): Количество времени, которое пользователь провел на документе.
• Пользовательский рейтинг (User Rating): Явные оценки документа пользователем (упоминаются voting buttons).
• Действия пользователя: Информация о том, был ли документ распечатан, добавлен в закладки (bookmarked) или сохранен.

Временные факторы:

• Дата и время первого/последнего доступа.

Системные данные:

• search_engine_score: Оценки ранжирования, полученные от внешней поисковой системы.

Какие метрики используются и как они считаются

Метрики ранжирования истории (History Ranking):

• User Liking (Предпочтение пользователя): Агрегированная метрика, основанная на поведенческих факторах (частота, продолжительность, рейтинги).
• Relevancy (Релевантность): Соответствие текста документа запросу.
• Date (Дата): Свежесть последнего доступа.

Метрики модификации выдачи (SERP Modification):

• Particular number of positions (Определенное количество позиций): Значение, на которое перемещается вверх результат, найденный в истории. Может быть фиксированным, настраиваемым пользователем или вычисляться на основе User Liking.
• Weighting Scheme (Схема взвешивания): Пересчет итоговой оценки ранжирования. Патент предлагает две формулы:
  • Аддитивная: $new\_score = search\_engine\_score + history\_weight * history\_score$
  • Мультипликативная: $new\_score = search\_engine\_score * (1 + history\_weight * history\_score)$

1. Персонализация как слой переранжирования: Патент четко описывает механизм персонализации, который применяется поверх стандартных результатов ранжирования. Это означает, что стандартная релевантность может быть перекрыта историей взаимодействия пользователя с сайтом.
2. Поведенческие факторы для персонализации: Система активно использует метрики вовлеченности (Dwell Time/продолжительность просмотра, частота посещений, явные рейтинги) для определения предпочтений пользователя (User Liking). Эти метрики напрямую влияют на history_score.
3. Агрессивное повышение предпочтительных сайтов: Механизмы модификации, такие как перемещение на N позиций вверх или использование мультипликативных формул взвешивания, позволяют агрессивно продвигать ранее посещенные сайты в персонализированной выдаче.
4. Локальное хранение и конфиденциальность: Ключевой особенностью является локальное хранение и обработка истории (на клиенте), что было направлено на решение проблем конфиденциальности. Это foundational-патент для клиентских приложений Google (Toolbar, Chrome).
5. Важность повторных визитов (Retention) для SEO: Для SEO это означает, что привлечение пользователя на сайт — это только первый шаг. Стимулирование повторных визитов и длительного взаимодействия критически важно для обеспечения высокой видимости сайта для этого пользователя в будущем.

Best practices (это мы делаем)

• Фокус на удержании пользователей и Dwell Time: Создавайте контент, который максимально вовлекает пользователя и стимулирует его проводить на сайте больше времени. Согласно патенту, продолжительность просмотра (amount of time spent accessing the document) является фактором, влияющим на history_score и величину бустинга (Claim 26).
• Стимулирование повторных визитов (Repeat Visits): Разрабатывайте стратегии для возвращения пользователей на сайт (email-рассылки, качественный обновляемый контент, формирование сообщества). Частота посещений (frequency at which the user accesses a document) используется для повышения сайта в персонализированной выдаче (Claim 25).
• Построение лояльности бренду: Работайте над узнаваемостью бренда. Если пользователь знаком с сайтом и регулярно его посещает, описанный механизм будет отдавать ему предпочтение перед незнакомыми сайтами при релевантных запросах.
• Поощрение позитивных действий: Стимулируйте пользователей добавлять сайт в закладки или сохранять страницы. Патент учитывает эти действия (bookmarked, saved) как сигналы предпочтения.

Worst practices (это делать не надо)

• Оптимизация под короткие клики и высокий Bounce Rate: Тактики кликбейта контрпродуктивны. Короткое время доступа (accessed the document only briefly) может привести к понижению или даже удалению сайта из персонализированной выдачи пользователя, так как сигнализирует о низком качестве.
• Игнорирование User Experience (UX): Плохой UX, медленная загрузка, навязчивая реклама заставляют пользователя быстро покинуть сайт. Это снижает поведенческие метрики, используемые для персонализации, и уменьшает вероятность повторных визитов.
• Фокус только на первичном привлечении трафика: Стратегии, игнорирующие удержание и лояльность, проигрывают в долгосрочной перспективе, так как сайт не будет получать преимуществ от механизмов персонализации.

Стратегическое значение

Этот патент подтверждает, что Google рассматривает историю посещений и поведенческие метрики взаимодействия как критически важные сигналы для персонализации поиска. Для долгосрочной SEO-стратегии это означает смещение фокуса с чисто технических факторов ранжирования на построение качественного взаимодействия с пользователем и формирование лояльности. В условиях растущей конкуренции, преимущество в персонализированной выдаче, основанное на предыдущем позитивном опыте пользователя, становится ключевым фактором удержания трафика.

Практические примеры

Сценарий: Повышение позиций интернет-магазина за счет лояльности клиента

1. Предыстория: Пользователь ищет "обзор смартфона Samsung S25". Он посещает несколько сайтов, но проводит больше всего времени (5 минут) на сайте TechReview.com, читая подробный обзор. Система записывает это в History Database с высоким history_score из-за длительного времени просмотра.
2. Новый запрос: Через неделю пользователь ищет "купить Samsung S25".
3. Стандартная выдача (First Search Results): В ТОП-3 находятся крупные маркетплейсы. Сайт TechReview.com (со страницей партнерских ссылок) находится на 8 позиции.
4. Персонализация (Implicit Search): Browser Assistant выполняет поиск в History Database и находит TechReview.com как высокорелевантный результат с высоким history_score.
5. Модификация: Система применяет механизм переранжирования. Она может переместить TechReview.com на 5 позиций вверх (с 8 на 3) или использовать формулу взвешивания, которая выводит его на 2 позицию для этого пользователя.
6. Результат: Пользователь видит TechReview.com в ТОП-3, что значительно повышает вероятность клика на знакомый и полезный ресурс.