Как Google использует исторические паттерны CTR для предсказания сезонных и циклических изменений интента пользователя

Термины и определения

Click Log (Лог кликов)

Хранилище данных, фиксирующее количество показов и кликов, которые получили контентные элементы (результаты поиска) в ответ на запросы.

Click-fraction (Доля кликов / Коэффициент кликов)

Ключевая метрика в патенте. Представляет собой соотношение CTR одного контентного элемента к CTR другого контентного элемента за определенный период времени. Используется для измерения относительной популярности результатов.

Click-through Rate (CTR) (Показатель кликабельности)

Метрика эффективности, рассчитываемая как отношение числа кликов на контентный элемент к числу его показов.

CTR Engine (Механизм расчета CTR)

Компонент системы, который обрабатывает Query Log и Click Log для генерации Historical CTR Data.

Historical CTR Data (Исторические данные CTR)

Агрегированные данные о CTR контентных элементов за прошедшие периоды времени. Могут быть детализированы по часам, дням, неделям, регионам и т.д.

Minimum Change Threshold (Минимальный порог изменения)

Пороговое значение, которое должно превысить изменение в Click-fraction, чтобы оно было классифицировано как Temporal Change. Может рассчитываться как стандартное отклонение Click-fractions.

Query Log (Лог запросов)

Хранилище данных, содержащее ключевые слова, использованные в прошлых запросах.

Temporal Analyzer Engine (Механизм временного анализа)

Компонент системы, который анализирует Historical CTR Data для выявления Temporal Changes.

Temporal Change (Временное изменение)

Идентифицированное значительное изменение в историческом CTR одного контентного элемента относительно другого за определенный период времени. Указывает на изменение предпочтений пользователей.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования на основе времени.

1. Система определяет исторические CTR за несколько периодов времени для первого и второго результатов поиска, отвечающих на запрос.
2. Вычисляются click-fractions для этих периодов времени на основе исторических CTR первого и второго результатов.
3. Определяется, что конкретный click-fraction в первом периоде времени превышает minimum change threshold.
4. Получаются результаты поиска в ответ на запрос во втором периоде времени (который хронологически следует за первым).
5. Ранжирование первого результата поиска в полученных результатах корректируется в течение второго периода времени.

Claim 2 (Зависимый от 1): Уточняет степень корректировки.

Корректировка ранжирования первого результата пропорциональна величине изменения его исторического CTR относительно изменения исторического CTR второго результата в течение первого периода времени. Чем сильнее было историческое изменение в поведении пользователей, тем агрессивнее будет корректировка ранжирования.

Claim 3 (Зависимый от 1): Описывает альтернативный метод применения (Query Augmentation).

Система идентифицирует ключевое слово, связанное с первым результатом поиска, и добавляет это ключевое слово к запросу, когда он отправляется в поисковую систему в течение второго периода времени. Это механизм уточнения запроса на основе предсказанного интента.

Claim 6 (Зависимый от 1): Дает определение метрики.

Click-fraction определяется как отношение исторического CTR первого результата поиска к историческому CTR второго результата поиска за определенный период времени.

Claim 8 (Зависимый от 1): Определяет связь между периодами времени.

Первый (исторический) и второй (текущий) периоды времени являются соответствующими периодами, например: один и тот же день недели, одни и те же ежегодные праздники, одни и те же недели месяца или года, одни и те же месяцы года или одни и те же сезоны года.

Claim 9 (Зависимый от 1): Определяет порог срабатывания.

Minimum change threshold определяется как стандартное отклонение вычисленных click-fractions. Это статистический метод для определения значимости изменения.

Где и как применяется

Изобретение применяется на нескольких этапах поиска, используя офлайн-анализ данных для влияния на онлайн-ранжирование.

INDEXING / QUNDERSTANDING (Офлайн-анализ)
Основная работа по анализу данных происходит офлайн. CTR Engine и Temporal Analyzer Engine обрабатывают Query Logs и Click Logs для создания базы данных Historical CTR Data и идентификации паттернов (Temporal Changes). Это позволяет системе понять, как интент для конкретных запросов меняется с течением времени.

RANKING / RERANKING (Онлайн-обработка)
В момент получения запроса система определяет текущий временной контекст (время, дата, сезон). Если текущий контекст соответствует историческому периоду, для которого идентифицировано Temporal Change, система активирует корректировку ранжирования. Это может быть реализовано либо внутри основного механизма ранжирования (Search Engine), либо как пост-процессинг через Ranking Filter (переранжирование).

Входные данные:

• Исторические логи запросов (Query Log).
• Исторические логи кликов (Click Log).
• Текущий запрос пользователя.
• Временная метка текущего запроса.

Выходные данные:

• База данных идентифицированных временных изменений (Temporal Changes) и связанных с ними корректировок.
• Скорректированный набор результатов поиска (Ranked Results), где ранжирование изменено с учетом временного контекста.
• (Опционально) Дополненный запрос (Query Augmentation) или предложенные альтернативные запросы.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы (ambiguous queries), где существует несколько возможных интерпретаций, популярность которых меняется со временем.
• Конкретные ниши или тематики: Сильное влияние на сезонные тематики (праздники, подарки, путешествия), события с фиксированным расписанием (спортивные сезоны, телешоу, выборы) и тематики, зависящие от времени суток (например, завтраки утром).
• Языковые и географические ограничения: Патент предусматривает возможность анализа CTR для разных географических регионов и часовых поясов, так как временные изменения могут быть локальными (например, разные даты Дня Благодарения в США и Канаде).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Наличие данных: Для запроса существует достаточный объем Historical CTR Data для анализа.
• Идентификация паттерна: В исторических данных было обнаружено статистически значимое Temporal Change (изменение Click-fraction превысило Minimum Change Threshold).
• Соответствие времени: Текущий запрос получен в период времени, который связан (например, тот же месяц, тот же день недели) с историческим периодом, где наблюдалось Temporal Change.

Пошаговый алгоритм

Процесс состоит из двух частей: офлайн-анализ для выявления паттернов и онлайн-применение для корректировки ранжирования.

Процесс А: Офлайн-анализ и выявление временных изменений

1. Сбор и агрегация данных: CTR Engine анализирует Query Logs и Click Logs.
2. Выбор периода анализа: Определяются временные интервалы для анализа (например, понедельно за год).
3. Расчет исторических CTR: Для выбранного запроса определяются CTR первого и второго конкурирующих контентных элементов (или групп элементов) для каждого временного интервала.
4. Расчет Click-fractions: Для каждого интервала вычисляется соотношение CTR первого элемента к CTR второго (Click-fraction).
5. Определение порога: Вычисляется среднее значение Click-fraction и Minimum Change Threshold (например, стандартное отклонение).
6. Идентификация Temporal Change: Определяются временные интервалы, в которых отклонение Click-fraction от среднего значения превышает Minimum Change Threshold.
7. Сохранение паттерна: Информация о запросе, временном периоде и характере изменения сохраняется для использования в реальном времени.

Процесс Б: Онлайн-обработка запроса и корректировка ранжирования

1. Получение запроса: Поисковая система получает запрос от пользователя.
2. Проверка временного контекста: Система определяет текущее время и проверяет, соответствует ли оно периоду, для которого офлайн-процесс идентифицировал Temporal Change для данного запроса.
3. Получение стандартных результатов: Генерируется стандартный набор результатов поиска.
4. Корректировка ранжирования (если паттерн активен):
   • Вариант 1 (Re-ranking): Ranking Filter или Search Engine корректирует оценки ранжирования результатов. Элементы, которые исторически предпочитались в этот период, получают повышение (boost). Степень повышения пропорциональна величине исторического Temporal Change.
   • Вариант 2 (Query Augmentation): Система может дополнить исходный запрос ключевыми словами, связанными с доминирующим интентом для данного периода, и выполнить поиск заново.
5. Выдача результатов: Скорректированные результаты предоставляются пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на поведенческих и временных данных. Он не описывает использование контентных, ссылочных или технических факторов для этого механизма.

• Поведенческие факторы:
  • Query Logs: Тексты запросов, введенных пользователями.
  • Click Logs: Данные о показах результатов и кликах на них (используются для расчета CTR).
• Временные факторы:
  • Временные метки запросов и кликов. Используются для агрегации данных по периодам (часы, дни, недели, месяцы, сезоны, праздники).
• Географические факторы:
  • (Опционально) Регион пользователя и часовой пояс. Упоминается, что Historical CTR Data могут храниться для разных географических регионов.

Какие метрики используются и как они считаются

• Click-through Rate (CTR): Рассчитывается стандартным способом (Клики / Показы) для конкретного результата по конкретному запросу за определенный период времени.
• Click-fraction: Ключевая метрика для сравнения. Рассчитывается как CTR(Результат А) / CTR(Результат Б).
• Average Click-fraction: Среднее значение Click-fraction за длительный период (например, год). Используется как базовый уровень (baseline).
• Minimum Change Threshold: Порог для определения значимости изменения. В патенте предлагается использовать стандартное отклонение (standard deviation) от Average Click-fraction.
• Temporal Change: Фиксируется, если |Текущий Click-fraction - Average Click-fraction| > Minimum Change Threshold.

1. Историческое поведение пользователей предсказывает будущий интент: Google использует исторические данные CTR как сильный индикатор того, что пользователи захотят увидеть в будущем при схожих временных обстоятельствах. Система полагается на предсказуемость человеческого поведения.
2. Время как ключевой контекст для неоднозначных запросов: Для запросов с несколькими значениями (ambiguous queries) время (сезон, день недели, час) может быть решающим фактором для определения доминирующего интента.
3. Статистический подход к выявлению трендов: Система не просто реагирует на рост CTR. Она использует статистические методы (Click-fraction, стандартное отклонение как Minimum Change Threshold) для определения того, является ли изменение в поведении пользователей статистически значимым и, следовательно, требующим корректировки ранжирования.
4. Гибкость механизмов корректировки: Патент описывает два метода применения: корректировку оценок ранжирования (Re-ranking) и дополнение запроса (Query Augmentation). Это дает системе возможность выбора наиболее эффективного способа адаптации выдачи.
5. Глобальная и локальная адаптация: Механизм учитывает географические и временные зоны, позволяя адаптировать результаты к локальным событиям, праздникам и распорядку дня.

Best practices (это мы делаем)

• Анализ и прогнозирование сезонности: Необходимо глубоко понимать цикличность спроса в вашей нише. Используйте Google Trends и исторические данные аналитики для выявления не только годовых сезонов, но и недельных или суточных колебаний интереса к определенным темам.
• Предварительная оптимизация сезонного контента: Убедитесь, что контент, который будет актуален в пиковый период, полностью оптимизирован и проиндексирован заранее. Это позволит ему набрать необходимые сигналы к моменту, когда система начнет корректировать ранжирование в его пользу.
• Обеспечение высокого CTR в пиковые периоды: Поскольку механизм основан на исторических CTR, критически важно максимизировать CTR вашего контента во время пикового спроса (через оптимизацию сниппетов). Высокий CTR подтверждает для Google, что ваш контент соответствует временному интенту, и увеличивает вероятность его повышения в следующие циклы.
• Таргетинг на неоднозначные запросы в релевантное время: Если ваш контент отвечает на один из интентов неоднозначного запроса, сфокусируйте усилия по его продвижению именно в тот период, когда этот интент доминирует. Например, продвигать рецепты по запросу "turkey" имеет смысл в октябре-декабре.
• Создание контента под циклические события: Создавайте контент, привязанный к регулярным событиям (праздники, начало учебного года, спортивные сезоны), так как система активно ищет и продвигает такой контент в соответствующие периоды.

Worst practices (это делать не надо)

• Игнорирование временного контекста: Попытки ранжироваться по неоднозначному запросу в период, когда доминирует другой интент, будут неэффективны. Система будет активно понижать контент, не соответствующий текущему временному тренду.
• Запоздалый запуск сезонного контента: Публикация контента в разгар сезона снижает его шансы на успех, так как система уже скорректировала ранжирование на основе исторических данных и контента, который был доступен ранее.
• Низкий CTR в пиковый сезон: Если ваш сезонный контент имеет низкий CTR во время пика спроса, это может сигнализировать системе, что тренд ослабевает или ваш контент нерелевантен, что негативно скажется на ранжировании в будущих циклах.

Стратегическое значение

Этот патент подтверждает, что релевантность не является статической. Она динамична и сильно зависит от временного контекста. Стратегически это означает переход от простого соответствия ключевым словам к пониманию и прогнозированию интента пользователя в конкретный момент времени. Он также подчеркивает важность поведенческих факторов (CTR) как механизма обратной связи, который Google использует для обучения и адаптации своих алгоритмов ранжирования к изменениям в реальном мире.

Практические примеры

Сценарий 1: Сезонная оптимизация (Праздники)

1. Анализ: SEO-специалист интернет-магазина подарков знает, что запрос "gifts" неоднозначен большую часть года, но в декабре интент смещается в сторону рождественских подарков.
2. Действие: В сентябре-октябре готовятся и оптимизируются посадочные страницы под "Christmas gifts". Проводится работа над улучшением сниппетов для максимизации CTR.
3. Ожидаемый результат: Когда в декабре активируется Temporal Change, система, опираясь на исторические данные о росте CTR по рождественской тематике, повышает эти страницы в выдаче по общему запросу "gifts", даже если в течение года они ранжировались ниже.

Сценарий 2: Недельная цикличность (Развлечения)

1. Анализ: Владелец сайта с обзорами фильмов замечает, что интерес к запросам типа "что посмотреть" резко возрастает в пятницу и субботу вечером.
2. Действие: Сайт настраивает автоматическое обновление главной страницы и ключевых разделов в пятницу днем, выводя на передний план свежие подборки фильмов и оптимизируя сниппеты под вечерний интент.
3. Ожидаемый результат: Система фиксирует регулярный рост CTR этого сайта по пятницам. В последующие пятницы алгоритм проактивно повышает сайт в выдаче, предсказывая повторение этого паттерна поведения пользователей.