Как Google рассчитывает «сигнал конкурентоспособности» (Competition Signal) страниц на основе анализа кликов, показов и времени взаимодействия

Термины и определения

Adjustment Factor (AF) (Корректирующий фактор)

Множитель, рассчитываемый на основе соотношения First Value (X) и Second Value (Y). Используется для корректировки оценки ранжирования ресурса.

Click Length (Длительность клика / Dwell Time)

Период времени, который пользователь провел на ресурсе после клика по результату поиска, до возврата к SERP или перехода на другой ресурс.

Co-clicked (Совместно кликнутые)

Ситуация, когда в рамках одной поисковой сессии (Search Session) пользователь выбирает более одного результата поиска.

Competition Signal (Сигнал конкурентоспособности)

Сигнал ранжирования, измеряющий качество ресурса на основе его производительности относительно других ресурсов в SERP.

Domain Adjustment Factor (Корректирующий фактор домена)

Фактор, рассчитанный на основе агрегированных значений X и Y всех URL домена. Используется как резервный механизм, если данных по URL недостаточно.

First Value (X / Wins) (Первое значение / Победы)

Метрика, отражающая количество «побед» ресурса.

• Модель Click Length: Время клика на этот URL дольше, чем на другой co-clicked URL.
• Модель Impression/Click: Этот URL выбран, а другие URL показаны, но не выбраны.

Impression (Показ)

Отображение результата поиска пользователю. Патент обсуждает разные модели определения показа (например, показ засчитывается только для результатов выше последнего кликнутого результата).

Positional Bias (Позиционное смещение)

Влияние позиции результата в SERP на вероятность его просмотра и клика. Учитывается в Модели Impression/Click для определения правил учета побед и поражений.

Second Value (Y / Losses) (Второе значение / Поражения)

Метрика, отражающая количество «поражений» ресурса.

• Модель Click Length: Время клика на этот URL короче, чем на другой co-clicked URL.
• Модель Impression/Click: Этот URL показан, но не выбран, а другие URL выбраны.

Ключевые утверждения (Анализ Claims)

Патент является продолжением (Continuation-in-part) и описывает два основных воплощения (embodiments) для оценки конкуренции. Описание (Description) и фигуры (FIG. 2A, 2B) детально раскрывают Модель Click Length. Формула изобретения (Claims 1-20) фокусируется на Модели Impression/Click.

Claim 1 (Независимый пункт): Описывает Модель Impression/Click.

1. Для URL генерируется First Value (Победы): подсчет случаев, когда в ответ на запрос (query) данный URL был выбран, а другие URL были показаны (displayed), но не выбраны.
2. Генерируется Second Value (Поражения): подсчет случаев, когда в ответ на тот же запрос данный URL был показан, но не выбран, а другие URL были выбраны.
3. Генерируется Adjustment Factor для этого URL для данного запроса (for the search query) на основе разницы между X и Y.

Claim 1 защищает механизм корректировки ранжирования на основе относительного CTR, который рассчитывается специфично для каждого запроса (Query-Dependent).

Claims 2, 3 и 4 (Зависимые): Вводят учет позиционного смещения (Positional Bias).

• Claim 2 (Определение показа): Ресурс считается показанным, только если был выбран другой ресурс на более низкой позиции. (Предполагается, что пользователь просмотрел все выше).
• Claim 3 (Определение Победы): First Value учитывает только невыбранные URL, которые располагались на позициях ВЫШЕ, чем выбранный URL. (Клик на Поз. 5 — победа над Поз. 1-4).
• Claim 4 (Определение Поражения): Second Value учитывает только случаи, когда был выбран другой URL, расположенный на позиции НИЖЕ, чем данный (невыбранный) URL. (Пропуск Поз. 2 и клик на Поз. 5 — поражение для Поз. 2). Это прямой сигнал Pogo-sticking.

Claim 8 и 9 (Зависимые): Описывают агрегацию на уровне домена и резервный механизм.

• Значения X и Y агрегируются на уровне домена для расчета Domain Adjustment Factor (Claim 8).
• Если данных по URL недостаточно (X+Y ниже порога), но достаточно по домену, используется Domain Adjustment Factor (Claim 9).

Claim 10 (Зависимый): Детализирует метод расчета Adjustment Factor.

Определяется отношение: (X-Y) / Max(X, Y). Adjustment Factor определяется как константа в степени этого отношения.

Где и как применяется

Изобретение затрагивает этапы индексирования (для предварительных расчетов) и ранжирования (для применения факторов).

INDEXING – Индексирование и извлечение признаков
На этом этапе система обрабатывает Query Logs и Click Logs в офлайн-режиме. Вычисляются значения X, Y и Adjustment Factors для URL и доменов (с использованием обеих моделей). Эти данные сохраняются для использования в реальном времени.

RANKING – Ранжирование / RERANKING – Переранжирование
Во время обработки запроса система извлекает предварительно рассчитанные Adjustment Factors для кандидатов, проверяет пороги достаточности данных (Thresholds) и применяет фактор к базовой оценке (например, IR score) для получения скорректированной оценки ранжирования.

Входные данные:

• Логи поисковых сессий: Запросы, показанные URL, позиции URL, выбранные URL, время кликов (Click Length).
• Базовые оценки ранжирования (IR Scores).

Выходные данные:

• Adjustment Factors для URL и доменов (офлайн).
• Скорректированные оценки ранжирования (онлайн).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с высокой конкуренцией и частотностью, где накоплено достаточно данных, а также на запросы, где интент неоднозначен и пользователи активно сравнивают результаты (например, общие информационные или коммерческие запросы).
• Конкурентные ниши: В тематиках, где базовые сигналы релевантности схожи, Competition Signal может стать решающим фактором для определения топа выдачи.

Когда применяется

• Условия применения: Алгоритм применяется во время ранжирования результатов поиска.
• Триггеры активации и пороговые значения: Корректировка применяется только в том случае, если общее количество наблюдений (сумма X + Y) для URL или его домена превышает установленный порог (Threshold Value). Это гарантирует статистическую значимость данных. Если данных по URL недостаточно, используется резервный механизм домена.

Пошаговый алгоритм

Патент описывает два параллельных процесса: офлайн-генерацию факторов и онлайн-применение.

Процесс А: Офлайн-генерация Adjustment Factors

1. Сбор данных: Сбор логов поисковых сессий (запросы, показы, клики, Click Length).
2. Обработка взаимодействий: Анализ сессий для определения конкурентных пар по двум моделям.
3. Вычисление Побед (X) и Поражений (Y): Для каждого URL (и, возможно, для каждого запроса):
   • Модель Click Length: Сравнение времени клика для co-clicked результатов.
   • Модель Impression/Click: Подсчет относительных выборов с учетом правил позиционного смещения (Claims 3, 4).
4. Агрегация на уровне домена: Суммирование X и Y значений для получения доменных значений (Claim 8).
5. Расчет Adjustment Factor (AF): Применение нормализующей формулы для URL и доменов (Claim 10).
6. Хранение: Сохранение вычисленных факторов в индексе.

Процесс Б: Онлайн-применение при ранжировании

1. Получение запроса и результатов: Система идентифицирует релевантные ресурсы с базовыми оценками (IR scores).
2. Извлечение данных: Для каждого URL извлекаются AF, X и Y.
3. Проверка порогов (Threshold Check): Система проверяет, превышает ли сумма X+Y пороговое значение.
4. Обработка недостатка данных: Если порог для URL не достигнут, система проверяет порог для домена и может использовать Domain Adjustment Factor (Claim 9).
5. Корректировка оценки: Если пороги пройдены, базовая оценка ресурса корректируется с помощью AF (например, путем умножения).
6. Ранжирование: Результаты ранжируются на основе скорректированных оценок.

Какие данные и как использует

Данные на входе

Система полагается исключительно на поведенческие факторы, собранные из логов взаимодействия пользователей с поисковой выдачей.

• Поведенческие факторы:
  • Клики (Selections): Данные о том, какие результаты были выбраны.
  • Показы (Impressions): Данные о том, какие результаты были показаны (с учетом моделей определения показа).
  • Время клика (Click Length / Dwell Time): Продолжительность взаимодействия с ресурсом после клика (используется в Модели Click Length).
  • Позиции в SERP (Ordinal Positions): Относительное расположение результатов (используется для учета позиционного смещения в Модели Impression/Click).
  • Данные сессии (Session Data): Группировка действий пользователя для определения co-clicks.

Какие метрики используются и как они считаются

• First Value (X) и Second Value (Y): Метрики побед и поражений, рассчитываемые по одной из двух моделей.
• Threshold Value (Пороговое значение): Минимальное количество наблюдений (X+Y), необходимое для применения корректировки.
• Adjustment Factor (AF): Основная вычисляемая метрика. Патент предлагает конкретные формулы:

Формула 1 (Базовая):

$AF=C^{(-(X-Y)/max(X, Y))}$

Где C — константа (например, 0.6). Эта формула ограничивает диапазон корректировки и нормализует результат относительно общего числа наблюдений.

Формула 2 (Усиленная):

$AF=C^{(( -B * (X-Y))/max(X, Y))}$

Где B — дополнительная константа для усиления влияния. Может применяться, если начальная оценка релевантности (IR score) ресурса уже высока.

1. Относительное предпочтение пользователя как прямой сигнал качества: Google использует данные о поведении пользователей на SERP для прямой корректировки ранжирования. Качество ресурса определяется его способностью «побеждать» конкурентов в глазах пользователя.
2. Два механизма измерения конкуренции: Система использует два разных подхода: сравнение времени клика (Dwell Time) при совместных кликах (Модель Click Length) и сравнение показов и кликов (относительный CTR) для конкретной выдачи (Модель Impression/Click).
3. Учет позиционного смещения и Pogo-Sticking: В модели Impression/Click явно учитывается позиция результатов (Claims 3, 4). «Поражение» ресурса, когда пользователь пропускает его и кликает на результат ниже, является сильным сигналом неудовлетворенности (pogo-sticking) и ведет к понижению.
4. Query-Dependent корректировки: Механизм позволяет рассчитывать Adjustment Factor специфично для каждого запроса (Claim 1). Конкурентоспособность ресурса может различаться в зависимости от контекста запроса.
5. Агрегация на уровне домена и пороги надежности: Система агрегирует поведенческие сигналы на уровне домена, что позволяет применять корректировки даже к новым страницам, если домен в целом имеет достаточно данных (Domain Adjustment Factor). Использование порогов гарантирует статистическую значимость.
6. Математическая нормализация: Предложена конкретная нелинейная формула для расчета Adjustment Factor, которая нормализует влияние и ограничивает максимальный буст или деградацию.

Best practices (это мы делаем)

• Максимизация удовлетворенности и времени взаимодействия (Модель Click Length): Сосредоточьтесь на качестве контента, UX и скорости загрузки. Цель — полностью удовлетворить интент пользователя, чтобы он провел на странице достаточно времени и не вернулся на выдачу для клика по конкурентам (минимизация Pogo-sticking). Это увеличивает «Победы» (X).
• Оптимизация сниппетов для выигрыша клика (Модель Impression/Click): Работайте над Title и Description, чтобы они были максимально привлекательными и релевантными. Цель — убедить пользователя выбрать ваш результат среди конкурентов, особенно если вы находитесь ниже (Claim 3), увеличивая «Победы» (X).
• Анализ конкурентов на SERP с точки зрения UX: Изучайте, почему пользователи предпочитают одни результаты другим. Понимание того, как конкуренты удовлетворяют интент, позволяет скорректировать стратегию для улучшения собственных метрик X и Y.
• Построение авторитетности и качества всего сайта (Domain Factor): Поскольку данные агрегируются на уровне домена, важно поддерживать высокое качество всех страниц сайта. Успешные страницы улучшают общие метрики домена, что помогает ранжироваться страницам с недостаточной статистикой (Claim 9).

Worst practices (это делать не надо)

• Кликбейт и обман ожиданий: Использование заголовков, которые привлекают клик, но не соответствуют содержанию. Это приведет к коротким кликам и возврату на выдачу. В Модели Click Length это генерирует «Поражения» (Y) и ведет к понижению.
• Игнорирование UX и технических проблем: Медленная загрузка, навязчивая реклама, сложная навигация заставляют пользователей быстро покидать страницу, что негативно сказывается на метриках конкуренции по времени взаимодействия.
• Создание поверхностного контента (Thin Content): Контент, который не удовлетворяет интент пользователя, неизбежно проиграет конкуренцию более качественным ресурсам в рамках одной поисковой сессии.

Стратегическое значение

Патент подтверждает стратегическую важность комплексного подхода к SEO, ориентированного на пользователя (User-Centric SEO). Он демонстрирует механизм, с помощью которого Google напрямую измеряет удовлетворенность пользователя в сравнении с конкурентами. Это усиливает значение принципов E-E-A-T и Helpful Content, так как именно они способствуют созданию контента, который выигрывает конкуренцию как на этапе выбора на SERP, так и на этапе взаимодействия с контентом. Долгосрочная стратегия должна фокусироваться на полном цикле пользовательского пути.

Практические примеры

Сценарий 1: Оптимизация статьи для увеличения Click Length (Модель Click Length)

1. Ситуация: Информационная статья на Позиции 5. Пользователи часто кликают на нее, но быстро возвращаются и переходят на Позицию 6 (конкурент).
2. Действие по патенту: Система фиксирует короткий клик для вашей статьи и длинный для конкурента. Ваша статья получает Loss (Y), конкурент — Win (X).
3. SEO-действие: Проанализировать и доработать статью: добавить резюме (Summary) в начало, улучшить структуру, добавить инфографику и полезные инструменты (например, калькулятор), чтобы удержать внимание и увеличить время взаимодействия.
4. Результат: Увеличение Click Length. Система фиксирует Wins, Adjustment Factor улучшается, рейтинг статьи растет.

Сценарий 2: Борьба за позицию (Модель Impression/Click)

1. Ситуация: Ваша страница на Позиции 2, конкурент на Позиции 3. Пользователи часто игнорируют вашу страницу и кликают на конкурента.
2. Действие по патенту: Согласно Claim 4, ваша страница получает Loss (Y), так как выбранный URL (конкурент) находится ниже. Конкурент получает Win (X).
3. SEO-действие: Проанализировать и оптимизировать сниппет (Title/Description). Возможно, сниппет конкурента более привлекателен (содержит цены, рейтинг, более точный ответ). Внедрить микроразметку для обогащения сниппета.
4. Результат: Увеличение CTR вашей страницы. Снижение количества Losses, улучшение Adjustment Factor, защита позиции.