Как Google понижает вес уточняющих слов при последовательных запросах в рамках одной сессии

Термины и определения

Search Session (Поисковая сессия)

Последовательность запросов от пользователя за определенный период. Может определяться тайм-аутом между запросами (например, 5-10 минут), логином пользователя или тематической связью между запросами.

Ordered Sequence (Упорядоченная последовательность)

Последовательность поисковых терминов в запросе в том порядке, в котором они были введены.

Predicate Subsequence (Предикатная подпоследовательность)

Часть текущего запроса (префикс), которая точно соответствует упорядоченной последовательности терминов из предыдущего запроса, выполненного в той же сессии. Это "ядро" или исходный интент.

Subsequent Search Term (Последующий поисковый термин)

Термин(ы) в текущем запросе, которые следуют сразу после Predicate Subsequence. Это уточнение или модификация исходного интента.

Search Term Attribute (Атрибут поискового термина)

Характеристика термина, влияющая на его обработку поисковой системой. Примеры: вес (weight), обязательность (optionalization) и варианты (variants).

Weight Adjustment (Корректировка веса)

Метод понижения значимости последующего термина путем присвоения ему более низкого веса по сравнению с терминами в предикатной подпоследовательности.

Optionalization (Опционализация)

Метод, при котором последующий термин становится необязательным для включения в результаты поиска. Он используется для ранжирования, но не для первичного отбора.

Variant Adjustment (Корректировка вариантов)

Метод замены или дополнения последующего термина его вариантами (синонимами, статистически связанными терминами из Term Cluster).

Ключевые утверждения (Анализ Claims)

Claim 1 и Claim 8 (Независимые пункты): Описывают основной метод контекстуальной обработки запросов.

1. Система получает первый запрос (Q1) от устройства пользователя во время поисковой сессии.
2. Система получает второй запрос (Q2) от того же устройства позже в той же сессии.
3. Проводится сравнение Q2 и Q1. Определяется, что Q2 содержит predicate subsequence, которая является Q1, и что после этой подпоследовательности в Q2 есть дополнительные термины (subsequent search terms).
4. В ответ на это определение система корректирует атрибут (search term attribute) последующих терминов для изменения относительной важности.
5. Ключевое уточнение (в обоих Claims): Корректировка включает снижение веса (reducing a weight), связанного с последующим термином, относительно веса, связанного с предикатной подпоследовательностью.

Ядром изобретения является автоматическое распознавание уточнения запроса и реакция на это путем понижения веса добавленных терминов для сохранения фокуса на исходном интенте.

Claims 2 и 9 (Зависимые): Уточняют, что корректировка может включать опционализацию (optionalizing) последующего термина.

Claims 4 и 11 (Зависимые): Уточняют, что корректировка может включать идентификацию варианта (variation) последующего термина и модификацию запроса для включения этого варианта или замены им исходного термина.

Где и как применяется

Изобретение применяется на этапе интерпретации запроса, до основного процесса ранжирования.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения. Система (Contextual Search Term Evaluator или Query Analysis Module) анализирует входящий запрос в контексте текущей поисковой сессии. Используя журнал сессии (Session Log), система определяет, нужно ли модифицировать запрос (перевзвешивание, опционализация, добавление вариантов).

RANKING – Ранжирование
На этот этап поступает уже модифицированное представление запроса. Алгоритмы ранжирования используют скорректированные веса для расчета релевантности (например, при вычислении IR scores). Если термин был опционализирован, он может не участвовать в первичном отборе кандидатов (L1), но использоваться на последующих этапах (L2/L3).

Входные данные:

• Текущий поисковый запрос (Q2).
• Журнал сессии (Session Log), содержащий предыдущие запросы (Q1).
• Данные о вариантах (Variant Data), включая синонимы и кластеры терминов.

Выходные данные:

• Модифицированное представление запроса Q2 с скорректированными атрибутами терминов (веса, обязательность, добавленные варианты).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на информационные, исследовательские и коммерческие запросы, где пользователи часто итеративно уточняют свои намерения (например, добавляя бренд, цвет, локацию, характеристику).
• Long-Tail запросы: Влияет на интерпретацию длиннохвостых запросов. Система определяет, какие части запроса являются ключевыми (ядро), а какие — второстепенными (уточнения), основываясь на истории сессии.

Когда применяется

Алгоритм применяется при выполнении строгих условий в реальном времени:

• Условие активации: Текущий запрос должен быть отправлен в рамках активной поисковой сессии, в которой уже были другие запросы.
• Триггер: Текущий запрос (Q2) должен содержать точную упорядоченную последовательность (Ordered Sequence) терминов, которая полностью совпадает с одним из предыдущих запросов (Q1), и за этой последовательностью должны следовать дополнительные термины (X). Т.е. Q2 = Q1 + X.
• Исключения: Если порядок слов изменен, использованы синонимы вместо точного повторения Q1, или слова добавлены в начало/середину, описанный в патенте механизм не активируется.

Пошаговый алгоритм

Процесс контекстуальной оценки поисковых терминов:

1. Получение запроса: Система получает новый поисковый запрос (Q2) во время активной поисковой сессии.
2. Анализ контекста сессии: Система обращается к истории запросов (Session Log).
3. Поиск предикатной подпоследовательности: Q2 сравнивается с предыдущими запросами (Q1, ...). Проверяется, содержит ли Q2 точное упорядоченное повторение одного из предыдущих запросов в качестве своего начала.
4. Принятие решения:
   • Если предикатная подпоследовательность НЕ найдена: Запрос обрабатывается стандартным образом.
   • Если найдена: Перейти к шагу 5.
5. Идентификация последующих терминов: Все термины в Q2, следующие за найденной подпоследовательностью, идентифицируются как subsequent search terms (уточнения).
6. Корректировка атрибутов: Система корректирует атрибуты последующих терминов для понижения их значимости. Применяется один или несколько методов:
   • Weight Adjustment: Уменьшение веса (например, с 1.0 до 0.5).
   • Optionalization: Пометка терминов как необязательных.
   • Variant Adjustment: Модификация запроса для включения синонимов или связанных терминов.
7. Обработка запроса: Модифицированный запрос передается в систему ранжирования.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании контекста сессии для модификации запроса.

• Поведенческие факторы: История запросов пользователя в рамках текущей сессии (Session Log). Это ключевой источник данных для идентификации predicate subsequence.
• Структурные факторы (запроса): Порядок слов в запросе (Ordered Sequence) критически важен для идентификации точного совпадения.
• Лингвистические данные (косвенно): Базы данных синонимов и кластеры терминов (Term Clusters), используемые для Variant Adjustment. Эти данные генерируются офлайн путем анализа общих логов запросов (например, с помощью k-means clustering).

Какие метрики используются и как они считаются

• Weight (Вес термина): Числовая метрика, определяющая важность термина. Система уменьшает вес subsequent search terms. В патенте приведен пример нормализации, где терминам предикатной подпоследовательности присваивается вес 1.0, а последующему термину — 0.5. Упоминается возможность использования и масштабирования весов на основе TF-IDF.
• Boolean Logic (Булева логика): Используется для реализации Optionalization, изменяя требования к наличию термина в документе.
• Statistical Relation (Статистическая связь): Метрики близости терминов в кластерах, используемые для выбора вариантов при Variant Adjustment.

1. Приоритет базового интента над уточнением: Google интерпретирует итеративные уточнения (добавление слов в конец) как сигнал о важности исходного запроса. Система предполагает, что повторяющиеся термины (predicate subsequence) отражают основной интент и должны иметь приоритет над добавленными уточнениями (subsequent search terms).
2. Активное снижение веса уточнений: Система использует конкретные механизмы для снижения влияния уточняющих слов: прямое снижение веса (Weight Adjustment), опционализацию (Optionalization) или расширение синонимами (Variant Adjustment).
3. Зависимость от контекста сессии: Интерпретация запроса динамична. Один и тот же текст запроса может быть обработан по-разному в зависимости от того, является ли он первым в сессии или продолжением предыдущего.
4. Ограничения механизма (по патенту): Описанный механизм основан на точном совпадении строк и порядка слов. Он не учитывает семантическую близость или более сложные модификации запроса (изменение порядка слов, вставка в середину). Это указывает на его возраст (2008 год).

Best practices (это мы делаем)

• Оптимизация под "ядро" интента (Head/Torso Queries): Это ключевая стратегия. Убедитесь, что ваши страницы отлично оптимизированы под базовые запросы, которые пользователи вводят в начале сессии. Поскольку вес уточняющих слов может быть снижен, релевантность базовому интенту (predicate subsequence) становится критически важной для ранжирования по всему кластеру связанных запросов.
• Использование синонимов и LSI для уточнений: Поскольку Google может применять Variant Adjustment к уточняющим словам, важно насыщать контент естественными синонимами и связанными терминами. Это повышает вероятность соответствия расширенной интерпретации запроса.
• Проектирование структуры сайта по пути пользователя (User Journey): Структурируйте контент и навигацию так, чтобы они соответствовали естественному пути уточнения информации (от общего к частному). В E-commerce это подтверждает важность качественной реализации фасетной навигации и фильтров, которые соответствуют логике уточнения базовой категории.

Worst practices (это делать не надо)

• Фокус исключительно на Long-Tail без проработки ядра: Стратегия, основанная на создании множества страниц под очень специфические запросы, может быть менее эффективной. Если пользователь придет к этому запросу итеративно, система может понизить вес уточняющих слов и отдать предпочтение странице, лучше отвечающей на базовый запрос.
• Игнорирование релевантности базовому запросу: Создание контента, который релевантен только уточняющим словам, но слабо соответствует базовому интенту. Например, страница, оптимизированная под "цена", но не релевантная "замена экрана iPhone", может плохо ранжироваться по запросу "замена экрана iPhone цена", если вес слова "цена" будет снижен.

Стратегическое значение

Патент подчеркивает, что Google рассматривает поиск не как набор изолированных запросов, а как непрерывный процесс (User Journey). Стратегически это подтверждает важность построения Тематического Авторитета (Topical Authority) вокруг ключевых концепций. SEO-стратегия должна учитывать иерархию интентов. Приоритет должен отдаваться качественному покрытию базовых тем, что создаст фундамент для ранжирования по уточняющим запросам.

Практические примеры

Сценарий: Уточнение коммерческого запроса в E-commerce

1. Первый запрос (Q1): Пользователь вводит "Кроссовки Nike Air Max". Система обрабатывает запрос стандартно.
2. Второй запрос (Q2): Пользователь уточняет: "Кроссовки Nike Air Max черные".
3. Анализ системы:
   • Predicate Subsequence: "Кроссовки Nike Air Max" (точное совпадение с Q1).
   • Subsequent Search Term: "черные".
4. Корректировка: Система применяет Weight Adjustment и/или Optionalization.
   • Вес терминов предиката остается высоким (например, 1.0).
   • Вес термина "черные" понижается (например, 0.5) или он становится опциональным.
5. Результат: Поисковая система будет искать результаты, которые строго релевантны "Кроссовки Nike Air Max". Наличие черного цвета станет важным, но второстепенным фактором ранжирования. Страница категории "Кроссовки Nike Air Max" с возможностью фильтрации по цвету имеет преимущество, так как она хорошо отвечает на взвешенный запрос.