Как Google решает, показывать ли прямой ответ, анализируя частоту использования естественного языка в исторических запросах о факте

Термины и определения

Fact-Seeking Query (Запрос на поиск факта)

Запрос, целью которого является получение конкретного факта. В патенте определяется как запрос, для которого фактический ответ может быть отображен в специальной области ответов.

Factual Answer (Фактический ответ)

Прямой ответ на запрос, содержащий искомый факт. Предоставляется в виде Structured Search Result.

Fact-Seeking Score (Оценка поиска факта / Likelihood)

Вероятность или оценка, указывающая, насколько вероятно, что запросы, связанные с определенным фактом, являются fact-seeking queries. Рассчитывается на основе сравнения количества NL запросов с общим количеством запросов для данного факта.

Fact Index (Индекс фактов)

База данных известных фактов. Хранит для каждого факта сам ответ и его Fact-Seeking Score.

Natural Language (NL) Query Pattern (Паттерн запроса на естественном языке)

Форма запроса, которую пользователь использовал бы при разговоре с другим человеком (например, «какая высота у X?»).

Non-Natural Language (NNL) Query Pattern (Паттерн запроса не на естественном языке)

Форма запроса, которая обычно не используется в разговоре, часто набор ключевых слов (например, «X высота»).

Query Log (Лог запросов)

Хранилище исторических поисковых запросов, используемое для анализа паттернов.

Structured Search Result (Структурированный результат поиска)

Специальный формат представления результата, например, Featured Snippet, содержащий Factual Answer.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод вычисления вероятности поиска факта (офлайн).

1. Поисковая система получает набор query patterns, связанных с поиском конкретного факта. Набор включает подмножества NL и NNL паттернов.
2. Система определяет: (i) первую величину (общее количество паттернов/запросов, связанных с фактом) и (ii) вторую величину (количество NL паттернов/запросов).
3. Система определяет вероятность (likelihood) того, что конкретный запрос является fact-seeking query, основываясь на сравнении этих двух величин.
4. Система использует эту вероятность как сигнал для ранжирования результатов поиска.

Claim 9 (Независимый пункт): Описывает применение метода в реальном времени для ответа на запрос (онлайн).

1. Система получает запрос.
2. Определяется конкретный факт, связанный с запросом.
3. На основе факта получается вероятность (Fact-Seeking Score) того, что запрос является fact-seeking query (рассчитанная, как в Claim 1).
4. Если вероятность удовлетворяет пороговому значению (threshold), система добавляет Factual Answer к набору результатов поиска.
5. Система предоставляет набор результатов.

Claim 6 (Зависимый от 1): Уточняет метод расчета вероятности.

Вероятность (Fact-Seeking Score) соответствует соотношению (ratio) второй величины (NL) к первой величине (Общее количество).

Claim 11 (Зависимый от 9): Уточняет использование вероятности при ранжировании.

Factual Answer ранжируется вместе с другими результатами поиска, используя рассчитанную вероятность (Fact-Seeking Score) и оценки ранжирования (ranking scores) других результатов. Итоговая выдача упорядочивается согласно этому ранжированию.

Claims 12 и 13 (Зависимые от 9): Уточняют контекст применения.

Подсчеты (количества запросов) и пороговые значения могут рассчитываться и применяться отдельно для голосовых запросов (voice queries) и текстовых запросов (textual queries). Это важно, так как голосовые запросы чаще имеют NL форму, и пороги для них могут отличаться (быть выше).

Где и как применяется

Изобретение связывает анализ поведения пользователей (офлайн) с формированием выдачи в реальном времени.

INDEXING – Индексирование и извлечение признаков
На этом этапе система индексирует известные факты и сохраняет их в Fact Index.

QUNDERSTANDING – Понимание Запросов (Офлайн / Пакетная обработка)
Основная часть вычислений происходит здесь (выполняется Fact-Seeking Score Engine):

• Анализ Query Log для идентификации исторических запросов.
• Группировка запросов по конкретным фактам (используя Query Grouping Module).
• Классификация паттернов запросов как NL или NNL (используя Query Pattern Classifier).
• Расчет Fact-Seeking Score для каждого факта (используя Fact Scoring Engine) и сохранение его в Fact Index.

QUNDERSTANDING – Понимание Запросов (Онлайн)
Во время обработки входящего запроса система (Fact Identification Module) определяет, связан ли запрос с фактом из Fact Index, и извлекает его Fact-Seeking Score.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Здесь принимается решение о формировании выдачи:

• Триггеринг: Система использует Fact-Seeking Score, чтобы решить, нужно ли генерировать Factual Answer (сравнение с порогом).
• Ранжирование и Смешивание: Ranking Engine использует Fact-Seeking Score как сигнал для определения позиции Factual Answer (Structured Search Result) среди других результатов поиска.

Входные данные:

• Логи исторических запросов (Query Log) (офлайн).
• Индекс фактов (Fact Index).
• Входящий запрос пользователя (текстовый или голосовой).
• Стандартные результаты поиска и их Ranking Scores.

Выходные данные:

• Fact-Seeking Score для конкретных фактов (офлайн).
• Решение о показе Factual Answer (онлайн).
• Финальная SERP с возможным включением и ранжированием Factual Answer.

На что влияет

• Специфические запросы: Влияет в первую очередь на информационные запросы, которые могут быть интерпретированы как поиск конкретного факта (запросы типа «кто», «что», «когда», «где», «сколько»).
• Конкретные типы контента: Влияет на видимость контента, который может быть извлечен для формирования Factual Answer (определения, списки, таблицы данных).
• Голосовой поиск: Оказывает значительное влияние, поскольку голосовые запросы чаще формулируются на естественном языке. Патент предусматривает отдельную логику для них.
• Языковые и географические ограничения: Патент упоминает, что Fact-Seeking Scores, рассчитанные для одного языка, могут быть использованы для оценки запросов на другом языке, если они относятся к тому же факту. Также возможно применение отдельных расчетов для разных стран.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Триггер активации: Когда входящий запрос идентифицирован как связанный с конкретным фактом, хранящимся в Fact Index.
• Условие показа ответа: Когда Fact-Seeking Score для этого факта удовлетворяет определенному пороговому значению (threshold).
• Контекстуальные пороги: Пороги могут отличаться для текстовых и голосовых запросов. Порог для голосовых запросов может быть выше, чтобы компенсировать их естественную склонность к NL формулировкам.

Пошаговый алгоритм

Процесс А: Офлайн-расчет Fact-Seeking Score

1. Сбор данных: Получение набора исторических запросов из Query Log.
2. Группировка запросов: Query Grouping Module группирует запросы, относящиеся к одному и тому же конкретному факту (например, «Рост Знаменитости X»).
3. Идентификация паттернов: Определение различных query patterns, используемых для поиска этого факта.
4. Классификация паттернов: Query Pattern Classifier определяет, какие из этих паттернов являются Natural Language (NL), а какие нет (NNL). Классификация может быть ручной (асессоры) или автоматической (классификатор).
5. Подсчет: Для факта вычисляется общее количество запросов (Total Count) и количество запросов, использующих NL паттерны (NL Count). Это может делаться отдельно для текстовых и голосовых запросов.
6. Расчет оценки: Fact Scoring Engine вычисляет Fact-Seeking Score, обычно как соотношение NL Count к Total Count.
7. Сохранение: Fact-Seeking Score сохраняется в Fact Index вместе с фактом.

Процесс Б: Обработка запроса в реальном времени

1. Получение запроса: Система получает запрос от пользователя и определяет его тип (текстовый или голосовой).
2. Идентификация результатов: Search Engine идентифицирует стандартные результаты поиска.
3. Идентификация факта: Fact Identification Module определяет, связан ли запрос с конкретным фактом из Fact Index.
4. Получение оценки: Если факт идентифицирован, система получает его предварительно рассчитанный Fact-Seeking Score (соответствующий типу запроса).
5. Проверка порога: Система сравнивает Fact-Seeking Score с соответствующим пороговым значением.
6. Генерация ответа (Условно): Если порог удовлетворен, система генерирует Factual Answer (Structured Search Result).
7. Ранжирование и предоставление: Ranking Engine использует Fact-Seeking Score как сигнал для ранжирования Factual Answer вместе с другими результатами и предоставляет финальную выдачу.

Какие данные и как использует

Данные на входе

Патент фокусируется на анализе запросов и не описывает факторы, связанные с контентом или ссылками.

• Поведенческие факторы: Критически важные данные. Используются исторические логи запросов (Query Log) для анализа того, как пользователи формулируют свои запросы. Анализируется частота использования естественного языка (NL) против не-естественного (NNL).
• Пользовательские факторы: Тип ввода запроса (текстовый или голосовой) используется для применения различных пороговых значений и расчетов. Также упоминается возможность учета типа устройства, языка и страны.
• Контекстные данные (Discourse context data): Упоминается использование контекста диалога для определения факта, к которому относится запрос (например, понимание местоимений в серии запросов).

Какие метрики используются и как они считаются

• Natural Language Query Count (NL Count): Количество полученных запросов, связанных с фактом, которые имеют паттерн, классифицированный как естественный язык.
• Total Query Count: Общее количество полученных запросов, связанных с фактом.
• Fact-Seeking Score (Likelihood): Основная метрика патента. Рассчитывается путем сравнения NL Count и Total Count. В предпочтительном варианте это соотношение (Ratio): $\text{Fact-Seeking Score} = \frac{\text{NL Count}}{\text{Total Count}}$
• Threshold (Порог): Значение, с которым сравнивается Fact-Seeking Score для принятия решения о показе Factual Answer. Пороги могут быть разными для текста и голоса.
• Ranking Score (для Factual Answer): Упоминается, что Fact-Seeking Score может быть нормализован (normalized version) или масштабирован (scaled), чтобы его можно было использовать для ранжирования структурированного ответа вместе с обычными результатами, имеющими свои ranking scores.

1. Намерение поиска факта определяется историческим поведением: Google определяет вероятность того, что пользователи ищут факт, не столько по текущему запросу, сколько по агрегированным историческим данным. Если большинство пользователей спрашивает о факте на естественном языке, система считает намерение поиска факта сильным.
2. Fact-Seeking Score — ключевой сигнал для Блоков ответов: Рассчитанный Fact-Seeking Score используется для двух критически важных решений: (1) Триггеринг (показывать ли Factual Answer вообще) и (2) Ранжирование (насколько высоко его показывать).
3. Независимость от формулировки текущего запроса: Система может показать Factual Answer даже для запроса не на естественном языке (например, «значение пи»), если исторические данные показывают, что другие пользователи часто ищут этот же факт на естественном языке (например, «какое значение у числа пи»).
4. Раздельная обработка голосового и текстового поиска: Система учитывает разницу между текстом и голосом. Поскольку голосовые запросы чаще являются NL по своей природе, система может использовать более высокие пороги или отдельные расчеты Fact-Seeking Score для голосового ввода, чтобы избежать чрезмерного показа ответов.
5. Оценка на уровне факта: Fact-Seeking Score привязан к конкретному факту в Fact Index (например, «Высота Эйфелевой башни»), а не к конкретной формулировке запроса.
6. Трансфер оценок между языками: Упоминается возможность переноса Fact-Seeking Score с одного языка на другой для одного и того же факта, что позволяет масштабировать определение интента на международном уровне.

Best practices (это мы делаем)

• Оптимизация под извлечение фактов (Fact Extraction): Для тем, где пользователи очевидно ищут факты (что подтверждается высокой частотой вопросительных и NL запросов в нише), необходимо структурировать контент так, чтобы он был легко извлекаем для Factual Answer. Используйте четкие определения, таблицы и списки.
• Анализ паттернов запросов в нише: Изучайте, как пользователи ищут ключевые факты в вашей тематике. Используйте инструменты анализа ключевых слов и блоки «Люди также спрашивают» (PAA), чтобы понять преобладающие паттерны (NL vs NNL). Если преобладает NL, это сигнал о высоком Fact-Seeking Score и высокой вероятности появления Блока ответов.
• Оптимизация под голосовой поиск (VSO): Поскольку голосовой поиск тесно связан с NL-паттернами, оптимизация под него критически важна. Создавайте контент, который четко отвечает на распространенные вопросы в разговорной манере.
• Использование структурированных данных: Применение разметки Schema.org (например, FAQPage, QAPage) помогает поисковой системе идентифицировать факты на странице и связать их с запросами, которые Google классифицирует как fact-seeking.

Worst practices (это делать не надо)

• Игнорирование фактографического интента: Попытка ранжироваться по запросам с высоким Fact-Seeking Score с помощью длинного, неструктурированного контента, который не дает прямого ответа. Система предпочтет показать Factual Answer, и если ваш контент не подходит для извлечения, вы упустите видимость на первой позиции.
• Фокус только на NNL запросах (Keywordese): Оптимизация только под короткие ключевые фразы (неестественные паттерны) может быть неэффективной, если основная масса пользователей ищет информацию через NL запросы. Необходимо учитывать оба типа паттернов и соответствующий им интент.
• Нечеткие или размытые ответы: Предоставление двусмысленных ответов на прямые вопросы. Если система активировала показ Factual Answer, она ожидает найти четкую, фактическую информацию.

Стратегическое значение

Патент подчеркивает важность понимания поведения пользователей и намерения поиска на гранулярном уровне — уровне конкретных фактов. Он подтверждает, что решение Google о показе прямых ответов (Featured Snippets, Блоки ответов) основано на данных и направлено на удовлетворение потребностей пользователей, ищущих быструю информацию. Для SEO-стратегии это означает, что захват «нулевой позиции» требует не только релевантного контента, но и соответствия тому, как Google интерпретирует спрос на этот контент как на «факт».

Практические примеры

Сценарий 1: Высокий Fact-Seeking Score (Технический термин)

1. Анализ: SEO-специалист исследует термин (например, «LCP»). Он видит, что пользователи часто ищут «что такое LCP», «LCP это», «расшифровка LCP». Это указывает на высокую долю NL запросов.
2. Интерпретация: Fact-Seeking Score для факта «Определение LCP» высок. Google будет стремиться показать прямой ответ.
3. Действие: В начале статьи добавляется заголовок H2 «Что такое LCP?» и сразу после него четкое, краткое определение (40-60 слов).
4. Результат: Оптимизированное определение имеет высокие шансы быть извлеченным и показанным в Блоке ответов, даже если пользователь ввел запрос «LCP».

Сценарий 2: Низкий Fact-Seeking Score (Широкая тема)

1. Анализ: Специалист исследует тему (например, «Причины изменения климата»). Запросы разнообразны: «последствия изменения климата», «доказательства изменения климата», «новости об изменении климата». Прямых NL запросов, ищущих один факт, мало.
2. Интерпретация: Fact-Seeking Score для этой широкой темы низок. Пользователи заинтересованы в исследовании, а не в одном факте.
3. Действие: Фокус на создании авторитетного, глубокого контента (лонгрида или Pillar Page), оптимизированного под стандартное ранжирование, а не попытка дать один исчерпывающий ответ для захвата нулевой позиции по общему запросу.