Как Google генерирует блок "Похожие вопросы" (People Also Ask) на основе анализа кликов и поведения пользователей

Термины и определения

Best Variant (Лучший вариант)

Среди группы эквивалентных вопросов — тот, который наиболее часто отправлялся в поисковую систему. Используется для отображения наиболее популярной формулировки.

Common Selected Resources (Общие выбранные ресурсы)

Ресурсы, на которые пользователи кликали после ввода двух разных вопросов. Используются для определения эквивалентности вопросов.

Equivalent Questions (Эквивалентные вопросы)

Вопросы, имеющие эквивалентное значение. В контексте патента эквивалентность определяется поведенчески: это вопросы, которые имеют пороговое количество Common Selected Resources.

Qualified Search Query (Квалифицированный поисковый запрос)

Ранее отправленный поисковый запрос, который привел к тому, что пользователь выбрал (кликнул) результат, идентифицирующий конкретный ресурс.

Question Database (База данных вопросов)

База данных, включающая ранее отправленные поисковые запросы, которые были определены как имеющие форму вопроса. Может также включать вопросы из других источников (например, Q&A сайты).

Question Graph (Граф вопросов)

Структура данных, построенная офлайн и используемая для дедупликации. Узлы представляют вопросы, а связи (ребра) соединяют Equivalent Questions.

Topic Sets / Topic Queries (Тематические наборы / Тематические запросы)

Ключевой термин. Набор запросов, связанных с конкретным ресурсом. Это наиболее высокоранжированные Qualified Search Queries для данного ресурса. Они отражают интенты, которые удовлетворяет данный ресурс, согласно истории кликов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс генерации связанных вопросов.

1. Система получает поисковый запрос.
2. Получает результаты поиска, каждый из которых идентифицирует ресурс.
3. Для каждого ресурса выбираются один или несколько topic queries (тематических запросов) из базы данных. Критерий: это должны быть предыдущие запросы, которые привели к выбору пользователями этого ресурса.
4. Выбираются связанные вопросы из Question Database. Критерий: каждый выбранный вопрос должен быть в форме вопроса и соответствовать хотя бы одному из topic queries.
5. Данные, идентифицирующие связанные вопросы, передаются пользователю.

Ядро изобретения — использование результатов поиска как посредника между исходным запросом и связанными вопросами, при этом связь устанавливается через исторические данные о кликах (topic queries).

Claim 2 (Зависимый от 1): Детализирует процесс выбора topic queries.

1. Идентифицируются qualified search queries для ресурса (запросы, которые привели к клику на него).
2. Эти запросы ранжируются. Критерии ранжирования: (i) частота отправки запроса ИЛИ (ii) частота кликов на ресурс после отправки этого запроса.
3. Один или несколько самых высокоранжированных запросов выбираются как topic queries.

Популярность (объем запросов или количество кликов) определяет, какие исторические запросы лучше всего представляют интент, ведущий на URL.

Claim 3 (Зависимый от 1): Детализирует процесс выбора и фильтрации связанных вопросов.

1. Вопросы, соответствующие topic queries, ранжируются.
2. Для каждого вопроса проверяется, есть ли эквивалентный ему вопрос выше в рейтинге. Если да, текущий вопрос удаляется из рейтинга (дедупликация).
3. Один или несколько оставшихся вопросов выбираются как связанные вопросы.

Система активно обеспечивает разнообразие интентов, удаляя дубликаты.

Claim 5 (Зависимый от 3): Описывает офлайн-процесс определения эквивалентности вопросов с помощью Question Graph.

1. Генерируется граф, где каждый узел — это вопрос из Question Database.
2. Для каждого вопроса идентифицируются selected resources (ресурсы, на которые кликали пользователи после ввода этого вопроса).
3. Идентифицируются пары запросов, имеющие пороговое количество common selected resources. Они считаются эквивалентными.
4. Узлы, представляющие эти пары, соединяются ребром в графе.

Это критически важный механизм: эквивалентность определяется поведенчески (общность кликов), а не только семантически.

Где и как применяется

Изобретение задействует данные, собранные в ходе офлайн-процессов анализа поведения пользователей, и применяется на финальных этапах формирования выдачи.

INDEXING / Анализ Логов (Офлайн-процессы)
Система агрегирует исторические поведенческие данные: какие запросы (Qualified Search Queries) приводят к кликам на какие ресурсы. Эта информация необходима для последующего определения Topic Sets. Также происходит построение Question Graph путем анализа Common Selected Resources.

QUNDERSTANDING – Понимание Запросов (Офлайн-процессы)
Система анализирует логи запросов для идентификации запросов в форме вопросов и наполнения Question Database.

RANKING – Ранжирование
Основная система ранжирования генерирует первоначальный набор результатов для исходного запроса. Топовые результаты этого этапа используются как входные данные для Question Engine.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. Question Engine активируется для генерации блока связанных вопросов (PAA).

1. Анализируются топовые ресурсы из этапа RANKING.
2. Для них определяются Topic Sets на основе исторических данных.
3. Находятся, ранжируются и дедуплицируются связанные вопросы.
4. Сгенерированный блок смешивается с основными результатами поиска.

Входные данные:

• Исходный запрос пользователя.
• Топовые результаты поиска (ресурсы).
• Исторические данные о кликах (Связь: Запрос -> Клик на Ресурс).
• Question Database.
• Question Graph.

Выходные данные:

• Список ранжированных и дедуплицированных связанных вопросов (Блок PAA).

На что влияет

• Специфические запросы: Наибольшее влияние на широкие информационные и исследовательские запросы, где пользователь находится на стадии изучения темы и ему требуется помощь в навигации по связанным аспектам.
• Конкретные типы контента: Влияет на видимость контента, который четко отвечает на конкретные вопросы (статьи, гайды, FAQ).
• Конкретные ниши: Сильно влияет на сложные тематики, включая YMYL, где пользователям требуется изучение различных аспектов для принятия решения.

Когда применяется

• Условия применения: Алгоритм применяется, когда для топовых результатов поиска существуют значимые исторические данные о кликах, позволяющие определить Topic Sets, и когда в Question Database существуют популярные вопросы, соответствующие этим Topic Sets.
• Триггеры активации: Активируется как часть процесса формирования универсальной выдачи (Universal Search) в ответ на запрос пользователя.

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени

1. Получение запроса и результатов: Система получает запрос и генерирует набор результатов поиска.
2. Выбор ресурсов: Выбирается один или несколько топовых ресурсов (например, предопределенное количество).
3. Определение Topic Sets (Детализация в Процессе Б): Для каждого выбранного ресурса определяются Topic Sets.
4. Выбор связанных вопросов (Детализация в Процессе В): Используя агрегированные Topic Sets, система выбирает связанные вопросы.
5. Передача данных: Данные о связанных вопросах передаются для отображения пользователю.

Процесс Б: Определение Topic Sets для ресурса

1. Идентификация квалифицированных запросов: Для данного ресурса находятся все Qualified Search Queries — предыдущие запросы, которые привели к клику на этот ресурс.
2. Ранжирование запросов: Эти запросы ранжируются на основе частоты их отправки ИЛИ частоты кликов на ресурс после их отправки.
3. Выбор Topic Sets: Один или несколько самых высокоранжированных запросов выбираются как Topic Sets для этого ресурса.

Процесс В: Выбор связанных вопросов

1. Идентификация совпадений: Система ищет вопросы в Question Database, которые соответствуют хотя бы одному из Topic Sets.
2. (Опционально) Генерация дополнительных вопросов: Система может генерировать новые вопросы, используя шаблоны (например, "Что такое [Topic Set]").
3. Ранжирование вопросов: Соответствующие вопросы ранжируются, в первую очередь, по количеству раз, когда они были отправлены в поисковую систему (популярность).
4. Удаление эквивалентных вопросов (Дедупликация): Используя Question Graph (Процесс Г), система проверяет каждый вопрос. Если существует эквивалентный вопрос выше в рейтинге, текущий вопрос удаляется.
5. Замена на Best Variant (Опционально): Для оставшихся вопросов система может найти Best Variant (наиболее популярную формулировку среди эквивалентных) и использовать ее.
6. Финальный выбор: Выбирается предопределенное количество самых высокоранжированных вопросов.

Процесс Г: Офлайн-генерация Графа Вопросов (Question Graph)

1. Создание узлов: Генерируется граф, где каждый узел представляет вопрос из Question Database.
2. Идентификация выбранных ресурсов: Для каждого вопроса определяются ресурсы, на которые пользователи кликали после его ввода (Selected Resources).
3. Поиск общих ресурсов: Идентифицируются пары вопросов, имеющие пороговое количество Common Selected Resources (например, 1 или 3 общих клика среди Топ-10 самых кликабельных ресурсов).
4. Соединение узлов: Узлы, представляющие такие пары (эквивалентные вопросы), соединяются ребром в графе.

Какие данные и как использует

Данные на входе

Патент в первую очередь полагается на поведенческие данные и логи запросов.

• Поведенческие факторы (Критически важные):
  • Исторические данные о кликах (Selection Data): Используются для определения Qualified Search Queries и Topic Sets. Это данные о том, какие запросы приводят к кликам на какие ресурсы.
  • Данные о кликах для эквивалентности: Используются для определения Common Selected Resources при построении Question Graph.
• Временные факторы:
  • Частота отправки запросов (Submission Frequency): Используется для ранжирования Topic Sets, ранжирования связанных вопросов и выбора Best Variant.
• Контентные факторы: Используются минимально. Содержимое ресурсов влияет на первичное ранжирование, которое определяет, какие ресурсы будут анализироваться. Также Question Database может включать вопросы, извлеченные с веб-сайтов.

Какие метрики используются и как они считаются

• Ранжирование Topic Sets: Основано на частоте отправки запроса ИЛИ частоте кликов на ресурс после этого запроса.
• Ранжирование связанных вопросов: Основано на общей частоте отправки вопроса в поисковую систему.
• Эквивалентность вопросов: Определяется по достижению порога Common Selected Resources.
  • Пороги: Упоминаются пороги для определения эквивалентности, например, 1 или 3 общих выбранных ресурса среди 3, 5 или 10 самых выбираемых ресурсов для каждого вопроса.
• (Опционально) Качество ответа: В описании патента упоминается, что ранжирование вопросов может учитывать, есть ли для вопроса заранее подготовленный ответ (answer box / formatted presentation) и качество этого ответа (например, на основе качества ресурса-источника).

1. Определение темы через поведение пользователей: Ключевой вывод состоит в том, что Google определяет тематику и релевантность документа (Topic Sets) на основе того, по каким запросам пользователи на него реально кликают (Qualified Search Queries), а не только путем анализа его контента.
2. Генерация PAA зависит от ТОПа выдачи: Блок связанных вопросов (PAA) генерируется как агрегация интентов (Topic Sets), которые удовлетворяют топовые страницы в выдаче. Если состав ТОПа меняется, меняется и блок PAA.
3. Эквивалентность основана на кликах, а не только семантике: Два вопроса считаются эквивалентными, если они ведут к кликам на одни и те же ресурсы (Common Selected Resources), даже если их формулировки сильно отличаются. Это поведенческое определение эквивалентности интента.
4. Приоритет популярных формулировок: Система предпочитает наиболее часто используемые формулировки вопросов (Best Variant). Это подчеркивает важность использования естественного языка и терминологии пользователей.
5. Комплексный контент выигрывает: Страницы, которые удовлетворяют множество связанных интентов, будут ассоциированы с большим количеством Topic Sets, что увеличивает их шансы влиять на генерацию PAA и появляться в качестве ответов.

Best practices (это мы делаем)

• Создание комплексного контента (Topic Hubs): Разрабатывайте страницы, которые полностью охватывают тему и отвечают на несколько связанных интентов. Это увеличивает вероятность того, что страница станет Qualified Search Resource для разнообразных запросов, тем самым ассоциируясь с большим количеством Topic Sets.
• Анализ GSC для идентификации Topic Sets: Регулярно анализируйте Google Search Console, чтобы увидеть, какие запросы приводят к кликам на ваши страницы. Это ваши фактические Topic Sets. Убедитесь, что контент полностью удовлетворяет эти запросы.
• Анализ PAA для исследования интентов: Активно анализируйте блоки PAA по вашим целевым запросам. Это дает понимание того, какие Topic Sets Google ассоциирует с топовыми результатами и какие следующие шаги пользователи предпринимают при исследовании темы.
• Оптимизация под "Best Variant": Используйте наиболее популярные и естественные формулировки вопросов в вашем контенте (заголовки, текст). Ориентируйтесь на ту терминологию, которую использует ваша аудитория, так как система предпочитает Best Variant.
• Обеспечение кликабельности и удовлетворенности (Intent Satisfaction): Убедитесь, что ваш контент действительно отвечает на запросы. Чтобы запрос стал Qualified Search Query для вашего ресурса, пользователь должен кликнуть на него и быть удовлетворен ответом.

Worst practices (это делать не надо)

• Узкая оптимизация (одна страница = один узкий запрос): Эта стратегия менее эффективна в контексте данного патента. Такие страницы будут ассоциированы с малым количеством Topic Sets и с меньшей вероятностью повлияют на PAA или будут выбраны в качестве ответа.
• Использование неестественного языка или жаргона: Если вы используете формулировки, отличные от тех, что популярны у пользователей, система предпочтет Best Variant, и ваш контент может не соответствовать ему.
• Игнорирование топовых конкурентов: Не анализировать, какие интенты удовлетворяют конкуренты в ТОПе. Патент показывает, что PAA формируется на основе их Topic Sets.

Стратегическое значение

Этот патент подтверждает стратегический приоритет Google на понимание пользовательских интентов и путей (User Journeys) через анализ поведения ("мудрость толпы"). Он демонстрирует, что релевантность — это не просто совпадение ключевых слов, а подтвержденная кликом связь между запросом и документом. Долгосрочная SEO-стратегия должна фокусироваться на создании авторитетных ресурсов, которые служат ответом на разнообразные, но связанные запросы в рамках одной темы.

Практические примеры

Сценарий: Оптимизация статьи о выборе кофемашины

1. Исходный запрос: "как выбрать кофемашину".
2. Анализ ТОП-3: SEO-специалист анализирует ТОП-3 результата.
3. Идентификация Topic Sets (Гипотеза/Данные): Специалист предполагает (или видит в GSC конкурентов, если доступно), что эти страницы также получают клики по запросам: "разница между рожковой и капсульной кофемашиной", "как чистить кофемашину", "лучшие бренды кофемашин". Это и есть Topic Sets.
4. Генерация PAA (Системой): Google использует эти Topic Sets для поиска в Question Database и генерирует PAA:
   • В чем разница между рожковой и капсульной кофеваркой?
   • Как часто нужно чистить кофемашину?
   • Какие бренды кофемашин самые надежные?
5. Действия SEO-специалиста: Чтобы конкурировать и попасть в PAA, специалист должен убедиться, что его статья комплексно покрывает эти темы, используя популярные формулировки (Best Variant). Он структурирует статью с подзаголовками, соответствующими этим вопросам, чтобы максимизировать шансы стать Qualified Search Resource для этих интентов.