Как Google персонализирует сниппеты и заголовки в выдаче на основе истории поиска и интересов пользователя

Термины и определения

Snippet (Сниппет)

Экстракт текста из документа, отображаемый в результатах поиска. В контексте патента включает Title (заголовок), sub-title (подзаголовок) и description (описание).

User Interest Engine (Механизм определения интересов пользователя)

Компонент поисковой системы, который анализирует хранимые данные пользователя для определения его интересов.

User Interest Data Store (Хранилище данных об интересах пользователя)

База данных, содержащая информацию об интересах пользователя (поисковые запросы, демографические данные, социальные данные), используемая с согласия пользователя.

Entity (Сущность)

Идентифицируемый объект (место, организация, персона, концепция). Система распознает сущности в контенте и определяет близость (affinity) пользователя к ним.

Callout (Выноска / Всплывающее окно)

Элемент пользовательского интерфейса, используемый для отображения дополнительной информации, например, персонализированного сниппета при наведении курсора.

Default Title (Заголовок по умолчанию)

Заголовок, указанный владельцем сайта в HTML-коде (например, тег <title>).

Non-default Title / Alternate Title (Альтернативный заголовок)

Заголовок, сгенерированный системой на основе другого контента на странице (например, заголовков Hn) или анкорного текста ссылок (link text), указывающих на страницу.

First Snippet

В контексте патента — персонализированный сниппет, сгенерированный на основе интереса пользователя.

Second Snippet

В контексте патента может означать стандартный сниппет (на основе запроса) или уточненный сниппет (на основе анализа сущностей).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации персонализированного сниппета.

1. Система получает документ, релевантный запросу пользователя.
2. Определяется интерес пользователя на основе сохраненных данных. Ключевое уточнение: интерес определяется на основе истории поиска (search history), ограниченной предопределенным периодом времени от момента запроса (т.е. недавний контекст).
3. Определяется, что часть документа связана с этим интересом.
4. Генерируется первый сниппет (first snippet) для документа на основе этой части.
5. Первый сниппет предоставляется как часть списка результатов.

Claim 3 и 4 (Зависимые): Описывают механизм уточнения и ранжирования сниппетов с использованием сущностей.

1. Анализируется текст документа для идентификации сущностей (entities), связанных с интересом пользователя.
2. Эти сущности сравниваются с первым сниппетом, и на основе сравнения генерируется второй сниппет (уточненный).
3. Первый и второй сниппеты ранжируются, в том числе с использованием сущностей в документе, связанных с предыдущим запросом пользователя (Claim 4).

Claim 5 и 6 (Зависимые): Описывают сосуществование персонализированного и стандартного сниппетов.

1. Генерируется второй сниппет на основе текущего запроса пользователя (стандартный сниппет).
2. Он предоставляется в дополнение к первому (персонализированному) сниппету.
3. Предоставляется элемент управления (control), позволяющий пользователю переключаться (toggle) между первым и вторым сниппетами (Claim 6).

Claim 9 и 10 (Зависимые): Определяют механизм скоринга сниппетов.

• Оценка (scoring) сниппета производится путем взвешивания степени пересечения (amount of overlap) между запросом пользователя и сниппетом (Claim 9) И взвешивания степени пересечения между интересом пользователя и сниппетом (Claim 10).

Claim 11 (Независимый пункт): Описывает альтернативный способ отображения.

Метод аналогичен Claim 1, но уточняет способ предоставления: первый сниппет предоставляется в формате для отображения в callout при обнаружении наведения курсора (cursor hover) на определенную часть списка результатов.

Где и как применяется

Изобретение применяется на финальных стадиях обработки поискового запроса, модифицируя представление результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система предварительно анализирует документы. Это включает сканирование и индексирование заголовков (headers) и подзаголовков (sub-headers) для генерации потенциальных non-default titles. Также происходит идентификация сущностей (entities) на странице. Эти данные индексируются офлайн (offline, pre-search) для быстрого доступа.

RANKING – Ранжирование
Происходит стандартный отбор и ранжирование документов по запросу. Патент не фокусируется на изменении этого этапа.

RERANKING / Presentation Layer (Уровень представления)
Основное применение патента. После основного ранжирования User Interest Engine активируется:

1. Анализ интересов: Система получает доступ к профилю интересов пользователя и его недавней истории поиска.
2. Сопоставление: Анализируются индексированные данные о ранжированных документах (заголовки, сущности) на предмет совпадения с интересами пользователя.
3. Генерация и Скоринг: Генерируются и оцениваются альтернативные сниппеты с использованием весов для совпадения с запросом и интересами.
4. Выбор и Отображение: Выбирается сниппет с наивысшей оценкой для отображения в SERP.

Входные данные:

• Текущий запрос пользователя.
• Набор ранжированных документов.
• Данные об интересах пользователя (история поиска, демография, социальные связи, известные сущности).
• Индексированные данные документа (извлеченные сущности, заголовки, подзаголовки, Default Title).

Выходные данные:

• Сформированная страница результатов поиска (SERP) с потенциально персонализированными сниппетами (заголовками и/или описаниями).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие или неоднозначные запросы (например, "LA hotels"), где контекст пользователя ("beachfront" или "Italian food") помогает уточнить интент и выделить релевантный аспект результата.
• Конкретные типы контента: Влияет на страницы с разнообразным контентом, охватывающим несколько подтем или сущностей (например, новостные порталы, большие статьи, страницы категорий e-commerce).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Согласие пользователя и наличие данных: Система использует персональные данные только в том случае, если пользователь дал согласие на их использование (consents to the use of such data) и данных достаточно для определения интересов.
• Идентификация интереса: Система может определить релевантный интерес, используя долгосрочные данные или краткосрочный контекст (например, историю поиска за ограниченный период времени, как указано в Claim 1).
• Совпадение контента и интереса: В контенте результата найден фрагмент (текст, заголовок, сущность), который соответствует этому интересу.

Пошаговый алгоритм

1. Получение запроса: Система получает запрос от пользователя.
2. Доступ к интересам: User Interest Engine определяет интересы пользователя, обращаясь к User Interest Data Store (включая недавнюю историю поиска и долгосрочную модель интересов).
3. Выбор результатов: Стандартный механизм ранжирования выбирает набор документов, релевантных запросу.
4. Анализ контента результатов: Система анализирует контент на страницах результатов для идентификации частей, релевантных интересам пользователя. Анализ фокусируется на заголовках, подзаголовках и распознанных сущностях.
5. Генерация кандидатов в сниппеты: Генерируются кандидаты: стандартные сниппеты (на основе запроса) и персонализированные сниппеты (на основе интересов), включая non-default titles.
6. Скоринг и ранжирование сниппетов: Кандидаты оцениваются. Скоринг учитывает взвешенное пересечение сниппета с ключевыми словами запроса И взвешенное пересечение с интересами пользователя (используя формулу).
7. Уточнение (Refinement) и выбор: Система может уточнять сниппеты, анализируя окружающий текст и сравнивая с ранжированием сущностей на странице. Выбирается сниппет с наивысшей оценкой.
8. Вывод результатов: Система выводит результаты поиска. Выбранный сниппет может быть показан по умолчанию, либо система может предоставить стандартный и персонализированный варианты с возможностью переключения или отображения в callout при наведении.

Какие данные и как использует

Данные на входе

Система использует широкий спектр данных для генерации сниппетов.

Контентные и Структурные факторы:

• Текст документа.
• Заголовки (Headers) и подзаголовки (Sub-headers) на странице (H1-H6). Это основной источник для генерации non-default titles и идентификации релевантных разделов.
• HTML <title> (Default Title).

Ссылочные факторы:

• Анкорный текст (Link text) ссылок, указывающих на страницу (упоминается как источник для генерации non-default titles).

Пользовательские, Поведенческие и Географические факторы (с согласия пользователя):

• История поиска (Search history), предыдущие запросы. В Claim 1 особо выделена история поиска за ограниченный период времени.
• Демографические данные.
• Местоположение пользователя (Location).
• Социальные данные: интересы социальных контактов пользователя (social media contacts, friends). Упоминается возможность использования отзывов или "лайков" друзей для генерации сниппета.

Какие метрики используются и как они считаются

• Идентификация сущностей (Entity Identification): Система распознает сущности в тексте документа (например, используя Knowledge Graph) и сопоставляет их с профилем интересов пользователя, определяя его близость (affinity) к ним.
• Keyword-overlap (Пересечение с запросом): Мера релевантности сниппета текущему запросу.
• Interest overlap (Пересечение с интересами): Мера релевантности сниппета интересам пользователя.
• Скоринг сниппетов (Snippet Scoring): Система использует скоринг для выбора наилучшего сниппета. В патенте приводится конкретная формула для максимизации оценки, которая взвешивает важность совпадения с запросом (keyword-overlap) и совпадения с интересами (interest_i):

$Score = c1 * keyword‐overlap + SUM(c2_i * interest_i)$

• Где c1 и c2_i — это константы (весовые коэффициенты), которые регулируют важность пересечения с ключевыми словами запроса и важность различных интересов пользователя соответственно.

1. Персонализация на уровне представления (Presentation Layer): Патент описывает механизм глубокой персонализации того, как результаты поиска выглядят (Title и Description), который работает после основного ранжирования. Это означает, что разные пользователи могут видеть разные сниппеты для одного и того же результата.
2. Динамическая генерация заголовков (Dynamic Titles / Title Rewriting): Система активно ищет альтернативы стандартному HTML <title>. Она может генерировать non-default titles из заголовков (Hn), подзаголовков или анкорного текста, если они лучше соответствуют запросу и интересам конкретного пользователя.
3. Критичность структурированного контента: Для эффективной работы механизма необходимо, чтобы система могла легко идентифицировать различные разделы страницы. Четкая структура заголовков (Hn) позволяет системе находить и использовать их для генерации персонализированных сниппетов.
4. Роль сущностей (Entities): Система полагается на распознавание сущностей на странице и сопоставление их с моделью интересов пользователя. Контент, богатый сущностями, имеет больше возможностей для персонализации сниппетов.
5. Баланс Релевантности (Запрос vs Интерес): Система не жертвует релевантностью запросу ради персонализации. Используется формула скоринга, которая явно учитывает как пересечение с ключевыми словами запроса (keyword-overlap), так и пересечение с интересами пользователя (interest_i).
6. Учет краткосрочного контекста: Патент явно подчеркивает (Claim 1) использование недавней истории поиска (ограниченной по времени) как важного сигнала для персонализации сниппетов в рамках текущей сессии.

Best practices (это мы делаем)

• Внедрение четкой и логичной структуры контента (H1-H6): Это критически важно. Используйте ясные, описательные и релевантные заголовки для всех разделов и подразделов страницы. Это увеличивает пул кандидатов для non-default titles и позволяет системе выбрать наиболее подходящий заголовок или фрагмент текста, если он совпадет с интересами пользователя.
• Насыщение контента распознаваемыми сущностями (Entity Optimization): Убедитесь, что контент содержит и явно упоминает сущности (продукты, локации, организации, персоны), связанные с темой. Система использует профиль интересов, основанный на сущностях, для персонализации.
• Охват смежных интентов и интересов (Topical Breadth): На страницах старайтесь охватывать различные аспекты темы, которые могут интересовать разные сегменты аудитории. Если страница охватывает несколько подтем, система сможет генерировать разные сниппеты для разных групп пользователей, повышая общий CTR.
• Оптимизация под сессионный поиск: Понимайте, как пользователи могут перемещаться по вашей тематике в рамках одной сессии. Обеспечьте наличие контента, который отвечает на смежные или уточняющие запросы, так как недавняя история поиска является сильным сигналом интереса (Claim 1).

Worst practices (это делать не надо)

• Использование неинформативных или кликбейтных внутренних заголовков (Hn): Если заголовки внутри страницы не отражают содержание разделов, они не будут эффективно использоваться системой для генерации персонализированных сниппетов или могут привести к генерации нерелевантных сниппетов.
• Создание неструктурированного контента ("Стена текста"): Отсутствие четкой структуры и подзаголовков затрудняет системе идентификацию конкретных фрагментов контента, которые могли бы быть релевантны специфическим интересам пользователя.
• Игнорирование разнообразия интересов аудитории: Фокусировка контента только на основном интенте без учета смежных интересов снижает потенциал для активации персонализации сниппетов и улучшения CTR у разных сегментов пользователей.

Стратегическое значение

Патент подтверждает стратегию Google по переходу от универсальной выдачи к глубоко персонализированному пользовательскому опыту. Для SEO это означает, что оптимизация одного "идеального" сниппета или Title для всех пользователей становится менее эффективной. Стратегия должна фокусироваться на создании качественного, семантически богатого и хорошо структурированного контента. Это позволяет алгоритмам Google динамически выбирать и формировать наилучшее представление результата для каждого конкретного пользователя в зависимости от его контекста и интересов.

Практические примеры

Сценарий 1: Оптимизация страницы категории E-commerce "Кроссовки для бега"

1. Анализ интересов аудитории: Определяем, что пользователей интересуют разные аспекты: тип поверхности (асфальт, трейл), технологии амортизации, экологичность материалов.
2. Структурирование контента: Создаем на странице категории четкие разделы с описательными заголовками (H2/H3): "Лучшие кроссовки для бега по асфальту", "Трейловые кроссовки с максимальным сцеплением", "Экологичные модели беговых кроссовок".
3. Ожидаемый результат:
   • Пользователю, который недавно искал "экологичная спортивная одежда" (Interest), система может изменить Title в выдаче на "Экологичные модели беговых кроссовок" и показать сниппет из соответствующего раздела.
   • Пользователю, который искал "подготовка к марафону по шоссе" (Context), будет показан сниппет, акцентирующий внимание на моделях для асфальта.

Сценарий 2: Оптимизация страницы "Отели в Лос-Анджелесе" (Пример из патента, FIG. 2F)

1. Действие: На странице создаются разделы или используются четкие описания: "Отели у пляжа (Beachfront)", "Лучшие итальянские рестораны (Best Italian food)".
2. Результат: Пользователю, который недавно искал "beach vacations" (пляжный отдых), система покажет сниппет, содержащий "Beachfront". Пользователю с известным интересом к итальянской кухне будет показан сниппет "Best Italian food".