Как Google передает данные об интересах пользователя сторонним сайтам для персонализации контента после клика

Термины и определения

Classifier (Классификатор)

Компонент системы, анализирующий User Information для определения вероятности интереса пользователя к различным темам (Topics). Может использовать машинное обучение (например, нейронные сети).

External Website (Внешний веб-сайт / Сторонний сайт)

Сайт третьей стороны, на который ведет ссылка из поисковой выдачи. Получает информацию об интересах пользователя для адаптации контента.

ID Token / Unique Identifier (Токен идентификатора / Уникальный идентификатор)

Идентификатор, закодированный в URL. Сторонний сайт может использовать его для запроса у поисковой системы информации об интересах пользователя. Может быть временным и уникальным для каждой сессии/сайта для обеспечения приватности.

Likelihood of Interest (Вероятность интереса)

Числовая оценка, указывающая на степень заинтересованности пользователя в определенной теме (например, от 0 до 1.0).

Privacy Manager (Менеджер приватности)

Компонент, который гарантирует, что классификация пользователя и передача его данных авторизованы пользователем. Фильтрует данные до или после классификатора.

Topic Information (Информация о темах)

Набор данных, включающий определенную тему (Topic) и соответствующую ей Likelihood of Interest.

Trust Requirements (Требования к доверию)

Критерии, которым должен соответствовать сторонний сайт, прежде чем поисковая система предоставит ему информацию об интересах пользователя.

User Activity Info (Информация об активности пользователя)

Данные, собираемые сторонним сайтом о действиях пользователя (клики, покупки, время пребывания) и передаваемые обратно поисковой системе.

User Information Database (База данных информации о пользователях)

Хранилище данных о поведении пользователей (история запросов, кликов, покупок, социальные данные), используемое классификатором.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс передачи информации об интересах.

1. Поисковая система получает от Classifier информацию о том, что пользователь заинтересован в наборе тем (set of topics).
2. Поисковая система получает поисковый запрос.
3. Поисковая система идентифицирует подмножество (subset) этих тем, которые соответствуют терминам в поисковом запросе (фильтрация релевантности).
4. Генерируется страница результатов поиска (SERP), включающая ссылку на ресурс.
5. Эта ссылка закодирована (encoded) с информацией о выбранном подмножестве тем интересов пользователя.

Ядро изобретения — это фильтрация общих интересов пользователя до интересов, релевантных текущему запросу, и кодирование этой информации в ссылке на выдаче для передачи стороннему сайту.

Claim 2 (Зависимый): Уточняет формат данных. Информация об интересах включает вероятность (likelihood) заинтересованности. Закодированная в ссылке информация также содержит эти вероятности (например, dogs=0.9).

Claim 4 (Зависимый): Описывает механизм контроля использования данных (Utilization Feedback Loop). Система определяет, использовал ли сторонний сайт предоставленную информацию об интересах. Предоставление информации в будущем зависит от того, использует ли ее сайт.

Claim 5 и 6 (Зависимые): Описывают механизм обратной связи по активности (Activity Feedback Loop).

1. Система получает информацию о взаимодействии пользователя с ресурсом (например, linger time, user selection, transaction completed).
2. Информация о пользователе (User Information) обновляется на основе этого взаимодействия.

Claim 8 (Зависимый): Вводит аспект безопасности и доверия. Информация об интересах пользователя включается в ссылку только в том случае, если ресурс удовлетворяет требованиям доверия (trust requirements).

Где и как применяется

Изобретение связывает данные профиля пользователя с генерацией SERP и пост-клик активностью.

CRAWLING / INDEXING (Сбор и хранение данных о пользователе)
На этом этапе система собирает и хранит User Information (история поиска, клики, покупки, социальные данные), которые затем используются Classifier для профилирования интересов.

QUNDERSTANDING – Понимание Запросов
Система анализирует запрос, чтобы определить, какие из интересов пользователя (Topics) релевантны этому запросу (Claim 1). Это этап фильтрации набора интересов до релевантного подмножества (subset).

RANKING – Ранжирование
На этом этапе определяются ресурсы, релевантные запросу. Патент не указывает, что информация об интересах используется для изменения порядка ранжирования.

RERANKING / METASEARCH (Генерация и Модификация SERP)
Основное применение патента. После того как результаты отсортированы, система генерирует финальную SERP. На этом этапе происходит кодирование информации об интересах пользователя в URL ссылок (references), если выполнены условия (разрешение пользователя, доверие к сайту).

Входные данные:

• User Information (используется классификатором).
• Поисковый запрос пользователя.
• Topic Information от Classifier (список интересов пользователя с оценками).
• Набор ресурсов, релевантных запросу.

Выходные данные:

• SERP с модифицированными ссылками, содержащими закодированную информацию о релевантных интересах (явно или через ID Token).
• (Пост-фактум) User Activity Info, полученная от стороннего сайта для обновления профиля.

На что влияет

• Конкретные ниши: Наибольшее влияние на E-commerce, сервисы бронирования (рестораны, отели, билеты), стриминговые сервисы и медиа. Это ниши, где персонализация контента или товаров значительно улучшает UX и конверсию.
• Специфические запросы: Влияет на общие запросы, где у пользователя могут быть долгосрочные предпочтения, не выраженные в запросе (например, запрос [pet food] у владельца собаки; запрос [movies] у любителя триллеров).

Когда применяется

• Триггеры активации:
  • Пользователь авторизовал сбор и использование его данных (контролируется Privacy Manager).
  • Classifier определил наличие у пользователя выраженных интересов (Topics).
  • Эти интересы релевантны текущему поисковому запросу (Claim 1).
  • Сайт в выдаче соответствует Trust Requirements (Claim 8).
  • (Опционально) Сайт ранее демонстрировал, что использует предоставляемую информацию (Claim 4).

Пошаговый алгоритм

Процесс А: Профилирование пользователя (Фоновый режим)

1. Сбор данных: Сбор User Information и сохранение в User Information Database.
2. Классификация интересов: Classifier (проверив разрешения через Privacy Manager) анализирует данные и определяет набор Topics с оценками Likelihood of Interest.

Процесс Б: Обработка запроса (Реальное время)

1. Получение запроса и интересов: Поисковая система получает запрос и актуальную Topic Information пользователя.
2. Идентификация ресурсов: Определение набора ресурсов, релевантных запросу.
3. Фильтрация интересов (Subset Selection): Выбор подмножества интересов, релевантных запросу И/ИЛИ конкретному ресурсу в выдаче.
4. Проверка доверия: Проверка, соответствует ли сторонний сайт Trust Requirements.
5. Генерация SERP и Кодирование ссылок: Модификация ссылок для подходящих ресурсов:
   • Вариант 1 (Явное кодирование): Добавление параметров в URL (например, ?cats=0.7&dogs=0.9).
   • Вариант 2 (Неявное кодирование): Добавление уникального ID Token в URL (например, ?userid=537180).
6. Предоставление SERP пользователю.

Процесс В: Пост-клик активность и обратная связь

1. Переход пользователя и получение данных сайтом:
   • Вариант 1: Сторонний сайт парсит параметры из URL.
   • Вариант 2: Сторонний сайт получает ID Token и запрашивает у поисковой системы информацию об интересах.
2. Адаптация контента: Сторонний сайт генерирует персонализированную страницу.
3. Сбор и передача обратной связи: Сторонний сайт отслеживает User Activity и передает User Activity Info обратно поисковой системе.
4. Обновление профиля: Поисковая система обновляет User Information на основе обратной связи.
5. Оценка использования (Опционально): Поисковая система оценивает, использовал ли сайт данные (Claim 4), и может ограничить доступ в будущем, если нет.

Какие данные и как использует

Данные на входе

Система использует комплексные данные для классификации интересов пользователя:

• Поведенческие факторы: Предыдущие поисковые запросы пользователя (previous search queries), предыдущие клики по результатам поиска (previous selections).
• Пользовательские факторы (Контекст): Информация, связанная с социальной сетью пользователя (information related to a social network).
• Транзакционные факторы: Информация, описывающая прошлые покупки (information describing past purchases).

Данные, используемые в механизме обратной связи (User Activity Info):

• Поведенческие факторы (на стороннем сайте): Время пребывания (linger time/dwell time), выбор пользователя (user selection), история навигации (navigation history), введенный пользователем запрос на сайте.
• Транзакционные факторы: Завершенная транзакция (transaction completed by the user).

Какие метрики используются и как они считаются

• Likelihood of Interest (Вероятность интереса): Ключевая метрика, определяющая степень заинтересованности в теме. Рассчитывается Classifier. В патенте приведены примеры, предполагающие шкалу от 0 до 1 (например, CATS=0.7, DOGS=0.9).
• Методы машинного обучения: Упоминается, что Classifier может быть основан на машинном обучении, например, на тренированных нейронных сетях (neural network) или регрессионном анализе (regression analysis), для расчета вероятности интереса на основе User Information.
• Trust Requirements (Требования доверия): Критерии для оценки надежности стороннего сайта. Детали расчета не приводятся.

1. Google как брокер данных об интересах: Патент описывает инфраструктуру, где Google выступает централизованным интерпретатором пользовательских интересов и контролируемо передает эти данные сторонним сайтам для персонализации интернета за пределами SERP.
2. Детальное профилирование на основе поведения: Система строит детализированные профили (Topic Information) с вероятностными оценками (Likelihood of Interest), используя историю поиска, клики, покупки и социальные сигналы.
3. Персонализация Post-Click опыта: Основная цель — не ранжирование, а улучшение опыта пользователя после клика путем передачи контекста.
4. Контекстная фильтрация интересов: Система не передает весь профиль. Передается только подмножество (subset), релевантное текущему запросу или конкретному сайту в выдаче (Claim 1).
5. Условный обмен данными и Приватность: Передача данных строго регулируется согласием пользователя (Privacy Manager) и надежностью принимающего сайта (Trust Requirements).
6. Два механизма кодирования: Описаны явное кодирование в URL и использование токенов (ID Token). Токены обеспечивают большую приватность и контроль доступа.
7. Критические механизмы обратной связи (Feedback Loops): Патент подчеркивает важность сбора данных после клика.
   • Utilization Feedback (Claim 4): Google отслеживает, использует ли сайт данные для адаптации.
   • Activity Feedback (Claim 5): Google получает данные о действиях пользователя на сайте для уточнения его профиля.

Best practices (это мы делаем)

Патент имеет ограниченное прямое применение для ранжирования, но он критически важен для оптимизации пользовательского опыта (UX/CRO) органического трафика.

• Фокус на удовлетворении интересов пользователя (UX/CRO): Понимайте, что Google знает глубинные интересы пользователей, переходящих на ваш сайт. Стратегия UX должна быть направлена на максимальное удовлетворение этих интересов, даже если они не были явно выражены в запросе.
• Оптимизация лендингов под сегменты аудитории: Разрабатывайте лендинги с учетом различных потенциальных интересов. Поскольку пользователи, приходящие по одному запросу, могут иметь разные профили интересов, лендинги должны быть гибкими и обслуживать различные связанные потребности.
• Техническая готовность к персонализации: Убедитесь, что сайт корректно обрабатывает URL с дополнительными параметрами (которые могут содержать Topic Information или ID Token) и может использовать их для адаптации контента (например, изменения сортировки товаров, рекомендации статей).
• Повышение доверия (Trust): Работать над общим качеством и безопасностью сайта, чтобы соответствовать потенциальным Trust Requirements для доступа к подобным данным.

Worst practices (это делать не надо)

• Игнорирование разнообразия интентов на лендинге: Создание универсальных лендингов, которые не учитывают контекст и потенциальные интересы пользователя. Если система ожидает персонализации (Claim 4), а сайт ее не предоставляет, это может привести к потере доступа к данным.
• Низкое качество взаимодействия после клика: Патент описывает механизм (Activity Feedback), позволяющий сайтам отправлять данные о взаимодействии обратно в Google. Сигналы о плохом взаимодействии (низкие конверсии, короткое время) могут напрямую передаваться Google для уточнения профиля пользователя.
• Нарушение приватности: Попытки деанонимизировать пользователей на основе полученных токенов или использовать данные не по назначению. Это нарушает Trust Requirements.

Стратегическое значение

Патент демонстрирует интерес Google ко всему пути пользователя (User Journey), включая поведение на внешних сайтах после клика. Он подчеркивает переход к гиперперсонализации, основанной на глубоком поведенческом анализе. Стратегически это означает, что для Google важна способность сайта удовлетворить глубинные интересы пользователя. Механизмы обратной связи также укрепляют экосистему данных Google, превращая сторонние сайты в источники данных.

Практические примеры

Сценарий 1: E-commerce (Прямое кодирование)

1. Профиль пользователя: Google классифицировал пользователя как высоко заинтересованного в теме "DOGS" (0.9) и низко в "BIRDS" (0.2).
2. Запрос: Пользователь ищет [buy pet food online].
3. Генерация SERP: Google определяет, что интересы релевантны, и кодирует данные в URL магазина: www.pet-store.com/food?dogs=0.9&birds=0.2.
4. Адаптация лендинга: Магазин парсит параметры и динамически изменяет страницу категории "Food": блок с кормом для собак поднимается на первое место.
5. Результат: Улучшенный UX и конверсия.

Сценарий 2: Сервис бронирования (ID Token)

1. Профиль пользователя: Интерес "Тайская кухня" = 0.8.
2. Запрос: Пользователь ищет "рестораны рядом".
3. Генерация SERP: Google кодирует временный ID Token в ссылке на сервис бронирования: booking.com/nearby?token=A1B2C3.
4. Адаптация лендинга: Сайт делает фоновый API-запрос к Google с токеном A1B2C3. Google отвечает: {"thai_food": 0.8}. Сервис приоритизирует показ тайских ресторанов.
5. Обратная связь: Пользователь бронирует мексиканский ресторан. Сайт передает Activity Feedback в Google. Google обновляет профиль пользователя, добавляя интерес к мексиканской кухне.