Как Google определяет и ранжирует вертикали поиска (Web, Images, News, Local) на основе интента запроса и профиля пользователя

Термины и определения

Category-directed result set (Набор результатов, ориентированный на категорию)

Набор поисковых результатов, полученных из определенного корпуса или индекса (например, Веб-индекс, Индекс Картинок, Индекс Новостей). Синоним термина "Вертикаль поиска".

Information Provider (Поставщик информации)

Система, которая принимает запросы, обрабатывает их и предоставляет результаты (например, Google).

Likelihood Value (Оценка Вероятности)

Вычисляемая метрика, которая представляет вероятность того, что конкретный набор результатов (категория) является релевантным для полученного запроса и пользователя.

Local Search (Локальный поиск)

Категория поиска, ориентированная на результаты в определенной географической области.

One Box

Специальный формат отображения результатов, часто представляющий собой сводку фактической информации, отвечающей на запрос (например, погода, расписание фильмов, локальные компании), отображаемый отдельно от стандартных списков результатов.

Profile Database / Profile Manager (База данных профилей / Менеджер профилей)

Компоненты, отвечающие за хранение и управление профилями пользователей (User Profiles). Профиль содержит историю взаимодействия пользователя с разными категориями поиска.

Relevance Filter / Relevance Data (Фильтр релевантности / Данные о релевантности)

Компонент, хранящий агрегированные данные о корреляции между запросами и категориями информации, основанные на поведении множества пользователей (а не одного конкретного).

Response Formatter (Форматтер ответов)

Компонент системы, который определяет порядок категорий на основе Likelihood Value и форматирует итоговую выдачу для отображения на устройстве пользователя.

Weighting Factors (Весовые коэффициенты)

Значения, используемые для определения относительного влияния данных из профиля пользователя и агрегированных данных при расчете Likelihood Value.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления упорядоченных результатов поиска.

1. Система получает поисковый запрос от удаленного устройства.
2. Генерируется несколько различных наборов результатов, ориентированных на категории (category-directed result sets).
3. Определяется порядок для этих наборов результатов на основе поискового запроса.
4. Наборы результатов передаются на удаленное устройство для отображения в определенном порядке.

Claim 3 (Зависимый от 1): Детализирует механизм определения порядка, вводя понятие профиля пользователя.

1. Определение порядка включает вычисление Likelihood Value для каждого набора результатов.
2. Это вычисление включает получение профиля, связанного с удаленным устройством.
3. Профиль содержит распределение ранее определенных корреляций между прошлыми запросами с этого устройства и различными категориями информации.
4. Это распределение учитывается при расчете Likelihood Value.

Claim 4 (Зависимый от 1): Детализирует механизм определения порядка, вводя понятие агрегированных данных.

1. Вычисление Likelihood Value включает получение данных, связанных с другими запросами от других устройств, которые похожи на текущий запрос.
2. Эти данные включают распределение корреляций между этими похожими запросами и категориями информации.
3. Это распределение учитывается при расчете Likelihood Value.

Claim 6 (Зависимый от 1): Описывает комбинирование профиля и агрегированных данных.

1. Расчет Likelihood Value включает:
• Первый расчет на основе профиля пользователя (Результат 1).
• Второй расчет на основе агрегированных данных по запросу (Результат 2).
• Третий расчет, основанный на взвешенном вкладе (weighted contribution) Результата 1 и Результата 2.

Claim 12 (Независимый пункт): Описывает систему, реализующую метод.

• Система включает search query processor (для приема и обработки запроса), search engine (для генерации результатов по категориям) и results ranker (для упорядочивания категорий).

Где и как применяется

Изобретение является ключевым компонентом этапа формирования финальной поисковой выдачи, определяя, какие вертикали поиска будут показаны пользователю и в каком порядке.

QUNDERSTANDING – Понимание Запросов
На этом этапе система анализирует запрос для определения его интента и потенциальной связи с различными категориями. Здесь могут применяться механизмы машинного обучения (упомянутые в патенте) и анализ исторических данных (Relevance Filter) для предсказания релевантности категорий.

RANKING – Ранжирование
Система параллельно запускает поиск в различных индексах (Web, Images, News, Local), чтобы сгенерировать category-directed result sets.

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Это основной этап применения патента. Response Formatter (или Results Ranker) выполняет следующие действия:

1. Собирает результаты от разных движков ранжирования.
2. Получает данные из Profile Manager и Relevance Filter.
3. Вычисляет Likelihood Value для каждой категории, используя взвешенную комбинацию данных.
4. Определяет финальный порядок отображения категорий (например, порядок вкладок или вертикальное расположение блоков).
5. Форматирует выдачу, возможно, включая One Box результаты для высокорелевантных категорий.

Входные данные:

• Поисковый запрос.
• Идентификатор пользователя или устройства (для получения профиля).
• Контекст запроса (например, тип устройства – мобильное/десктоп, местоположение, время суток).
• Наборы результатов (category-directed result sets) от различных поисковых движков.

Выходные данные:

• Упорядоченный набор категорий результатов, отформатированный для отображения на устройстве пользователя.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с неоднозначным интентом или запросы, где интент сильно зависит от контекста (например, "Starbucks" может означать локальный поиск, новости или акции).
• Мобильные устройства: Патент особо подчеркивает важность механизма для мобильных устройств, где пользователи чаще ищут локальную информацию и где ограничения интерфейса требуют точного предсказания интента.
• Локальные запросы: Патент описывает специальные механизмы для определения локального интента, включая использование белых и черных списков запросов (whitelists/blacklists).
• Все типы контента: Влияет на видимость всех категорий контента, включая веб-страницы, изображения, видео, новости, карты, товары, блоги и книги.

Когда применяется

Алгоритм применяется при обработке большинства поисковых запросов, для которых доступно более одной категории результатов.

• Условия работы: Активируется, когда система определяет, что запрос может быть релевантен нескольким вертикалям поиска.
• Триггеры: Интент запроса. Например, если запрос идентифицирован как имеющий сильный локальный интент (наличие локационных индикаторов или нахождение в белом списке локальных запросов), локальная категория получит приоритет.
• Исключения: Если для запроса существует только одна релевантная категория или если качество результатов в определенной категории слишком низкое, эта категория может быть исключена из выдачи.

Пошаговый алгоритм

Основной процесс обработки запроса (Упорядочивание категорий)

1. Получение запроса: Пользователь генерирует и отправляет запрос с устройства.
2. Выполнение поиска: Поисковая система получает запрос и выполняет его параллельно по нескольким индексам (Web, Images, News и т.д.).
3. Сбор результатов: Response Formatter получает несколько наборов результатов (category-directed result sets).
4. Получение профиля пользователя: Response Formatter запрашивает и получает профиль пользователя у Profile Manager. Профиль содержит историю предпочтений категорий этим пользователем.
5. Получение данных о релевантности: Response Formatter запрашивает и получает агрегированные данные у Relevance Filter. Эти данные содержат корреляции между текущим запросом (или похожими) и различными категориями на основе поведения всех пользователей.
6. Расчет Оценки Вероятности (Likelihood Value): Для каждой категории вычисляется Likelihood Value. Расчет представляет собой взвешенную сумму данных из профиля пользователя и агрегированных данных о релевантности. Могут учитываться дополнительные факторы, такие как тип устройства (мобильное/десктоп).
7. Упорядочивание результатов: Наборы результатов сортируются на основе рассчитанных Likelihood Values. Категория с наивысшей оценкой ставится первой.
8. Фильтрация (Опционально): Категории с очень низким Likelihood Value или низким качеством результатов могут быть исключены.
9. Форматирование: Результаты форматируются для отображения на устройстве (например, в виде вкладок, модулей или One Box).
10. Передача и отображение: Упорядоченные и отформатированные результаты передаются на устройство пользователя.

Вспомогательный процесс определения Локального Интента

1. Анализ запроса на наличие локации: Система проверяет, содержит ли запрос явные индикаторы местоположения (название города, почтовый индекс).
2. Проверка наличия локации по умолчанию: Если явных индикаторов нет, система проверяет, сохранена ли локация по умолчанию для данного пользователя/устройства.
3. Генерация индикатора локальности: Система определяет, насколько запрос коррелирует с локальным поиском. Для этого используются:
   • Белые списки (Whitelist): Запросы, часто используемые для локального поиска.
   • Черные списки (Blacklist): Запросы, редко используемые для локального поиска.
4. Определение порядка отображения: Индикатор локальности используется для определения позиции локальных результатов относительно других категорий. При высокой корреляции локальные результаты могут быть показаны первыми, возможно, в формате One Box.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Индивидуальные): История поисковых запросов пользователя и его взаимодействие с различными категориями результатов (User Profile). Учитывается, какие категории пользователь выбирал в прошлом.
• Поведенческие факторы (Агрегированные): Журналы запросов (Query Logs) от множества пользователей. Анализируется, как пользователи реагируют на результаты по схожим запросам — например, если пользователи часто переключаются на вкладку "Картинки" после ввода определенного запроса (Relevance Data).
• Контентные/Лингвистические факторы: Термины в запросе. Они используются для поиска в индексах и для сопоставления с данными в Relevance Filter, а также с белыми и черными списками для локального поиска.
• Географические факторы: Явные индикаторы местоположения в запросе (город, индекс), местоположение пользователя по умолчанию или предполагаемое местоположение устройства.
• Пользовательские факторы (Контекст): Тип устройства (мобильное или нет). В патенте указано, что могут поддерживаться отдельные распределения релевантности для мобильных и немобильных устройств. Также может учитываться время суток.

Какие метрики используются и как они считаются

• Likelihood Value (Оценка Вероятности): Ключевая метрика патента. Она рассчитывается для каждой категории (INFOTYPE) для данного пользователя (USER) и запроса (QUERY).
• Формула расчета (Описательная): Патент предлагает формулу (Equation 1), которая является взвешенной суммой трех компонентов:

  LIKELIHOOD = (Вес Профиля * Данные Профиля) + (Вес Не-мобильного Распределения * Данные Не-мобильного Распределения) + (Вес Мобильного Распределения * Данные Мобильного Распределения)

  • Данные Профиля (PROFILE): Частота, с которой пользователь обращается к данной категории.
  • Данные Распределения (NMDIST/MDIST): Частота, с которой данный запрос глобально коррелирует с данной категорией для не-мобильных/мобильных устройств.
  • Веса (WEIGHT): Константы, определяющие влияние каждого компонента.
• Машинное обучение: Патент упоминает, что предсказание может быть сделано с использованием правил, сгенерированных системой машинного обучения, обученной на исторических данных поиска. Система анализирует признаки (features) запроса (термины, язык, локация) и генерирует правила для ранжирования категорий.
• Локальный Индикатор (Location Indicia): Метрика, определяющая степень корреляции запроса с локальным поиском. Может быть дискретной (например, основанной на попадании в Whitelist/Blacklist) или непрерывной.
• Качество результатов: Упоминается, что порядок может также зависеть от качества фактических результатов в категории. Если качество низкое, категория может быть понижена или исключена.

1. Приоритет интента над ключевыми словами: Патент подтверждает, что Google стремится понять намерение пользователя и предоставить наиболее подходящий *формат* контента (категорию), а не только текстовую релевантность. Система активно решает, какая вертикаль должна доминировать в выдаче.
2. Ранжирование вертикалей: Существует отдельный слой ранжирования, который оценивает не документы, а целые категории (Web, Images, News, Local). Этот слой использует Likelihood Value для сортировки вертикалей.
3. Персонализация и агрегация: Определение релевантности категории — это гибридный процесс. Он учитывает как общие тенденции (что ищут все пользователи по этому запросу), так и индивидуальное поведение (что обычно ищет этот конкретный пользователь). Система использует веса для балансировки этих факторов.
4. Важность контекста (Мобильность и Локальность): Контекст пользователя, особенно использование мобильного устройства и географическое положение, играет значительную роль в определении приоритета категорий. Локальный поиск имеет специальные механизмы определения интента (Whitelists/Blacklists).
5. Качество как фильтр: Даже если категория признана релевантной интенту, она может быть понижена или скрыта, если качество результатов в ней низкое.

Best practices (это мы делаем)

• Таргетирование интента через формат контента: Необходимо анализировать SERP по целевым запросам, чтобы понять, какие категории Google считает наиболее релевантными (имеющими наивысший Likelihood Value). Если доминируют изображения или видео, необходимо создавать и оптимизировать соответствующий контента для этих вертикалей.
• Комплексная оптимизация под Универсальный Поиск: Не фокусируйтесь только на веб-результатах. Обеспечьте присутствие бренда в релевантных вертикалях (Local/Maps, Images, Video, News), так как любая из них может быть показана первой в зависимости от контекста и профиля пользователя.
• Усиление локальных сигналов для мобильного трафика: Учитывая особое внимание патента к мобильному контексту и локальному поиску, необходимо тщательно прорабатывать локальные сигналы (Google Business Profile, локальные цитирования, контент с привязкой к местности), чтобы повысить шансы на отображение в локальной категории, особенно для пользователей мобильных устройств.
• Создание контента под "Белые списки" локальных запросов: Хотя мы не знаем точного содержания Whitelists, мы можем предполагать, что запросы, связанные с услугами, товарами повседневного спроса, ресторанами и т.д., имеют высокий локальный интент. Контент должен быть оптимизирован для быстрого предоставления локальной информации по таким запросам.

Worst practices (это делать не надо)

• Игнорирование доминирующей вертикали: Попытка ранжироваться в веб-поиске по запросу, для которого Google явно предпочитает другую категорию (например, пытаться продвинуть текстовую статью по запросу, где интент — это изображения или видео). Это приведет к низкой видимости, так как веб-категория будет иметь низкий Likelihood Value.
• Фокус только на десктопной выдаче: Игнорирование того факта, что система может использовать разные распределения (MDIST/NMDIST) и веса для мобильных и десктопных устройств. Оптимизация должна учитывать различия в поведении пользователей на разных устройствах.
• Манипуляции с локальным интентом: Создание контента, который пытается выглядеть локально релевантным для запросов из Blacklist (запросы, не связанные с локальным поиском), вероятно, будет неэффективным, так как система активно фильтрует такие случаи.

Стратегическое значение

Этот патент описывает архитектуру современного поиска, где классический "веб-поиск" — это лишь одна из многих категорий, конкурирующих за внимание пользователя. Стратегическое значение заключается в переходе от "оптимизации сайта" к "оптимизации присутствия в экосистеме поиска". SEO-стратегия должна быть мультиформатной и ориентированной на интент. Понимание того, как Google балансирует персонализацию и общие тенденции, помогает прогнозировать изменения в SERP и адаптировать контент-стратегию.

Практические примеры

Сценарий: Оптимизация для запроса с сильным визуальным интентом

1. Анализ запроса: SEO-специалист анализирует запрос "идеи дизайна гостиной".
2. Наблюдение SERP: В выдаче на первом месте (или в доминирующей позиции) отображается категория "Изображения". Это указывает на то, что Likelihood Value для категории Images выше, чем для Web или News.
3. Стратегическое решение: Вместо создания длинной текстовой статьи, основной фокус делается на создании галереи высококачественных, уникальных изображений.
4. Действия по оптимизации: Изображения оптимизируются (alt-текст, заголовки, окружающий текст, скорость загрузки, структурированные данные для изображений), чтобы повысить их шансы на ранжирование внутри вертикали Images.
5. Результат: Сайт получает видимость в доминирующей категории, что приводит к увеличению релевантного трафика, даже если веб-страница сама по себе не занимает ТОП-1 в вертикали Web.

Сценарий: Адаптация под мобильный локальный интент

1. Анализ запроса: Анализируется запрос "купить кроссовки Nike".
2. Наблюдение SERP (Десктоп vs Мобайл): На десктопе доминирует категория Web (сайты интернет-магазинов). На мобильных устройствах доминирует категория Local/Maps (One Box с ближайшими магазинами).
3. Интерпретация: Система использует разные веса и распределения (MDIST) для мобильных устройств, определяя сильный локальный интент.
4. Действия по оптимизации: Для ритейлера с физическими магазинами приоритетом становится оптимизация Google Business Profile, управление локальными запасами (Local Inventory Ads), и обеспечение актуальности адресов и часов работы.
5. Результат: Ритейлер получает приоритетное отображение на мобильных устройствах в тот момент, когда пользователь готов совершить покупку поблизости.