Как Google использует длительность кликов, Pogo-Sticking и уточнение запросов для оценки качества поиска (Click Profiles)

Термины и определения

Interaction Profile / Click Profile (Профиль взаимодействия / Кликовый профиль)

Агрегированные данные, характеризующие взаимодействие пользователей с определенным объектом. Включает гистограмму типов и длительности взаимодействий.

Object (Объект)

Предмет анализа. Может быть отдельным результатом поиска (URL), набором результатов, доменом, алгоритмом ранжирования или классом запросов.

Metrics (Метрики)

Параметры измерения, указывающие на уровень удовлетворенности (level of satisfaction) пользователя.

Click Duration (Длительность клика)

Время между кликом на результат и возвратом пользователя к поисковой выдаче (Dwell Time).

Short Click (Короткий клик)

Клик, после которого пользователь быстро возвращается к выдаче. В патенте упоминается порог <80 секунд. Часто указывает на неудовлетворенность.

Medium Click (Средний клик)

Клик с умеренной длительностью. В патенте упоминается диапазон 80-200 секунд.

Long Click (Длинный клик)

Клик, после которого пользователь возвращается спустя значительное время. В патенте упоминается порог >200 секунд. Указывает на высокую удовлетворенность.

Last Click (Последний клик)

Клик, после которого пользователь не вернулся к результатам поиска. Часто указывает на удовлетворенность.

Click Sequence (Последовательность кликов)

Порядок и количество кликов в рамках одной сессии. Включает Single Click (один клик за сессию) и Multiple Clicks (несколько кликов за сессию, pogo-sticking).

Query Refinement (Уточнение запроса)

Отправка пользователем нового запроса, похожего на предыдущий, в рамках той же сессии. Указывает на неудовлетворенность исходной выдачей.

Manipulated Article / Spam (Манипулируемый документ / Спам)

Документ, модифицированный для обмана поисковой системы или пользователя (например, оптимизация сниппета для максимизации CTR без предоставления ценности).

P(good|observation) (Вероятность качества при наблюдении)

Рассчитанная вероятность того, что результат является "хорошим" (качественным), учитывая наблюдаемое поведение пользователя. Модель обучается на основе оценок асессоров.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает метод сравнения двух алгоритмов ранжирования (Scoring Algorithms).

1. Система получает первый профиль (Profile 1) для Алгоритма 1 и второй профиль (Profile 2) для Алгоритма 2. Профили характеризуют историческое взаимодействие пользователей с результатами, отранжированными этими алгоритмами.
2. Система определяет, указывают ли метрики взаимодействия в Profile 1 на более высокий уровень удовлетворенности пользователей (higher level of user satisfaction), чем метрики в Profile 2.
3. Если да, система выводит индикацию, что Алгоритм 1 лучше Алгоритма 2.
4. Ключевое определение метрик и удовлетворенности: Метрики включают "общее количество соответствующих выборов" (т.е. общее количество кликов). Более высокий уровень удовлетворенности определяется МЕНЬШИМ общим количеством кликов в Profile 1 по сравнению с Profile 2.

Техническая интерпретация: Лучший алгоритм позволяет пользователю найти ответ с меньшим количеством кликов.

Claim 2 (Зависимый от 1): Дополняет метрики.

1. Метрики также включают "количество уточнений поисковых запросов" (number of refinements).
2. Более высокий уровень удовлетворенности определяется МЕНЬШИМ количеством уточнений запросов.

Claim 3 (Зависимый от 1): Дополняет метрики.

1. Метрики также включают "соотношение выборов с большой длительностью к выборам с короткой длительностью".
2. Более высокий уровень удовлетворенности определяется БОЛЬШИМ значением этого соотношения (больше длинных кликов по сравнению с короткими).

Claim 4 (Зависимый от 1): Уточняет область применения.

1. Сравнение профилей и определение лучшего алгоритма производится для определенной категории (класса) поисковых запросов.

Где и как применяется

Изобретение применяется для оценки качества поиска и влияет на несколько этапов архитектуры.

ОФЛАЙН-АНАЛИЗ И ОЦЕНКА СИСТЕМЫ (System Evaluation)
Основное применение патента.

• A/B Тестирование: Сравнение эффективности различных версий алгоритмов ранжирования (как описано в Claims 1-3 и FIG. 5).
• Обучение моделей: Обучение вероятностных моделей P(good|observation) путем сравнения данных о кликах с оценками асессоров (FIG. 3, Table 1).
• Обнаружение спама: Выявление Manipulated Articles путем сравнения их профилей взаимодействия с эталонным профилем спама (FIG. 4).

INDEXING – Индексирование и извлечение признаков
На этом этапе (или в ходе офлайн-процессов) могут рассчитываться и сохраняться оценки качества (например, P(good)) для конкретных URL и доменов на основе агрегированных Interaction Profiles.

RANKING / RERANKING – Ранжирование и Переранжирование
Оценки качества, полученные из профилей, могут использоваться как сигналы ранжирования для корректировки позиций документов. Также используется для пессимизации выявленного спама.

Входные данные:

• Логи поисковой системы: запросы, показанные результаты и их позиции, клики пользователей, временные метки, идентификаторы пользователей (IP/Cookies).
• (Для обучения) Оценки качества результатов от асессоров.

Выходные данные:

• Interaction Profiles для объектов.
• Результаты сравнения алгоритмов ранжирования.
• Оценки вероятности качества результата (P(good)).
• Идентификация потенциального спама.

На что влияет

• Специфические запросы: Влияет на все типы, но патент отмечает различия в поведении. Навигационные запросы имеют высокий процент одиночных кликов и низкий уровень уточнений. Информационные и коммерческие запросы чаще требуют анализа длительности и последовательности кликов для оценки качества.
• Конкретные ниши: Сильное влияние в нишах, подверженных кликбейту или спаму, где высокий CTR часто не коррелирует с удовлетворенностью.

Когда применяется

• Сбор данных: Происходит непрерывно при каждом взаимодействии пользователя с поиском.
• Анализ и генерация профилей: Выполняется периодически в офлайн-режиме для обработки накопленных логов, тестирования алгоритмов и обновления моделей выявления спама.

Пошаговый алгоритм

Процесс А: Получение Профиля Взаимодействия (на основе FIG. 2)

1. Сортировка данных: Данные из логов сортируются и группируются по пользователям.
2. Идентификация сессии и запроса: Определяется начало сессии и первый поисковый запрос.
3. Определение набора результатов: Фиксируется набор результатов, показанный пользователю.
4. Анализ действий в сессии: Система последовательно анализирует действия пользователя:
   • Если Клик: Идентифицируется результат. Фиксируется время возврата пользователя на выдачу. Вычисляется длительность клика (Duration). Определяется последовательность (Sequence).
   • Если Новый запрос: Определяется, является ли он уточнением (Refinement).
5. Агрегация сырых данных: Собранные метрики сохраняются (например, в формате (s,q,r) – сессия, запрос, результат).
6. Построение профиля: Выбирается объект интереса (например, URL или Алгоритм). Все релевантные сырые данные агрегируются для создания итогового Interaction Profile.

Процесс Б: Оценка качества объекта (на основе FIG. 3 и Table 1)

1. Обучение модели вероятности (Офлайн): Определение начальных оценок вероятности P(good|observation) путем сравнения поведения пользователей с ручными оценками качества (асессорами).
2. Выбор объекта и получение профиля: Извлечение Interaction Profile для анализируемого объекта.
3. Оценка качества: Расчет ожидаемого качества объекта (Expected Goodness) путем усреднения вероятностей P(good) по всем наблюдениям в профиле.

Какие данные и как использует

Данные на входе

Патент сосредоточен исключительно на поведенческих данных, извлеченных из логов поисковой системы.

• Поведенческие факторы: Клики на результаты поиска, временные метки (timestamps) взаимодействий (для расчета длительности), последовательность кликов внутри сессии, текст исходных и уточненных запросов.
• Пользовательские факторы: Идентификаторы пользователей (IP-адреса, Cookies) для группировки взаимодействий в сессии.
• Системные данные: Позиция результата в выдаче (используется для учета позиционного смещения при анализе).

Какие метрики используются и как они считаются

• Click Duration (Длительность клика): Рассчитывается как разница во времени между кликом и возвратом на SERP. Патент предлагает пороговые значения, изученные эмпирически:
  • Short Click: < 80 секунд.
  • Medium Click: 80-200 секунд.
  • Long Click: > 200 секунд.
• Click Sequence (Последовательность кликов): Классификация кликов как Single (единственный в сессии) или Multiple (один из нескольких).
• Total Number of Clicks (Общее количество кликов): Подсчет кликов за сессию или агрегировано (используется в Claim 1).
• Number of Query Refinements (Количество уточнений запроса): Подсчет случаев изменения запроса в сессии (используется в Claim 2).
• Ratios (Соотношения):
  • Соотношение Длинных к Коротким кликам (используется в Claim 3).
  • Соотношение Одиночных к Множественным кликам.
• P(good|observation) (Вероятность качества): Рассчитывается с использованием моделей, обученных на данных асессоров. Пример из патента (Table 1): Single + Long Click имеет вероятность 0.9 быть "хорошим"; Multiple + Short Click имеет вероятность 0.2-0.299.

1. Удовлетворенность пользователя измерима и приоритетнее CTR: Google активно измеряет поведение после клика для оценки реальной удовлетворенности (user satisfaction). Высокий CTR не является самоцелью и может быть негативным сигналом, если сопровождается плохим взаимодействием.
2. Формализация Dwell Time и Pogo-Sticking: Концепции времени пребывания на сайте и быстрого возврата к выдаче формализованы через метрики Click Duration (Short/Long) и Click Sequence (Multiple Clicks). Короткие клики и множественные клики часто указывают на низкое качество.
3. Ключевые индикаторы качества: Положительные сигналы – Long Clicks и Single Clicks. Отрицательные сигналы – Short Clicks, Multiple Clicks и Query Refinements.
4. Критерии "Хорошего" алгоритма (согласно Claims): Лучший алгоритм ранжирования – это тот, который приводит к: (1) Меньшему общему количеству кликов, (2) Меньшему количеству уточнений запроса и (3) Более высокому соотношению длинных кликов к коротким. Цель – минимизировать усилия пользователя.
5. Механизм обнаружения спама и кликбейта: Система выявляет Manipulated Articles путем анализа аномалий в их Interaction Profiles (например, аномально высокий процент коротких кликов).
6. Вероятностный подход к качеству: Качество результата оценивается вероятностно (P(good)) на основе моделей, обученных на человеческих оценках, что позволяет масштабировать оценку качества.

Best practices (это мы делаем)

• Фокус на полном удовлетворении интента (Оптимизация под Long Click): Создавайте контент, который исчерпывающе отвечает на запрос пользователя. Цель – стать последним кликом в сессии (Last Click) или обеспечить длительное взаимодействие (Long Click > 200 сек). Если пользователь возвращается на выдачу (pogo-sticking), это сигнал неудовлетворенности.
• Точность заголовков и сниппетов: Убедитесь, что Title и Meta Description точно отражают содержание страницы. Несоответствие ожиданиям приводит к Short Clicks, что является сильным негативным сигналом.
• Улучшение UX, скорости загрузки и читабельности: Плохой пользовательский опыт, медленная загрузка или агрессивная реклама провоцируют пользователя быстро покинуть сайт. Это интерпретируется как Short Click, даже если контент релевантен.
• Анализ контента по классам запросов: Понимайте разницу в поведении. Для информационных (исследовательских) запросов стремитесь к длительному вовлечению. Для запросов, подразумевающих быстрый ответ, убедитесь, что ответ легко найти и он исчерпывающий, чтобы пользователь не кликал на другие результаты.

Worst practices (это делать не надо)

• Использование кликбейта: Применение вводящих в заблуждение заголовков для искусственного повышения CTR. Система обнаружит высокий процент Short Clicks и может классифицировать контент как низкокачественный или манипулятивный.
• Создание поверхностного или тонкого контента (Thin Content): Контент, который не решает задачу пользователя, вынуждает его вернуться на выдачу и кликнуть на другой результат (Multiple Clicks) или уточнить запрос (Query Refinement).
• Игнорирование технических проблем и мобильной адаптации: Технические сбои или неудобство использования на мобильных устройствах приводят к быстрым отказам и генерации негативных Interaction Profiles.

Стратегическое значение

Этот патент является фундаментальным подтверждением того, что удовлетворенность пользователя (User Satisfaction) является ключевой метрикой качества для Google. Долгосрочная SEO-стратегия должна быть направлена на оптимизацию под решение задачи пользователя, а не только на привлечение трафика. Это подтверждает стратегическую важность интеграции UX, контент-стратегии и SEO, смещая фокус с традиционной оптимизации на качество взаимодействия после клика.

Практические примеры

Сценарий: Сравнение кликбейта и качественного контента

1. Запрос: "Лучшие смартфоны 2025 года".
2. Результат А (Кликбейт): Заголовок обещает шокирующий рейтинг. Пользователь кликает, видит поверхностный обзор и много рекламы, возвращается на выдачу через 25 секунд.
   • Метрика: Short Click. Вероятность P(good) низкая.
3. Результат Б (Качественный контент): Заголовок обещает детальное сравнение Топ-5 моделей. Пользователь кликает, изучает таблицы и текст 6 минут, затем закрывает вкладку.
   • Метрика: Long Click / Last Click. Вероятность P(good) высокая (например, 0.9).
4. Результат В (Неполный контент): Пользователь кликает, читает 90 секунд, не находит нужную модель, возвращается в выдачу и кликает на Результат Б.
   • Метрика: Multiple Click (not last), Medium Duration. Вероятность P(good) средняя (например, 0.646).
5. Итог: Система использует эти данные для оценки качества. Результат Б демонстрирует лучший Interaction Profile и, вероятно, будет ранжироваться выше. Результат А, несмотря на возможный высокий CTR, будет оценен как низкокачественный.