Как Google автоматически распознает новые линейки продуктов и связывает их с брендами на основе анализа поисковых запросов

Описание

Какую задачу решает

Патент решает проблему своевременного распознавания новых продуктовых линеек в поисковых запросах пользователей. Продуктовые линейки часто меняются: компании запускают новые и прекращают поддержку старых. Поисковым системам необходимо быстро адаптироваться к этим изменениям, чтобы точно понимать намерение пользователя в shopping-related search queries и предоставлять релевантные результаты и фильтры. Патент предлагает автоматизированный метод обнаружения этих линеек и их связи с соответствующими брендами напрямую из анализа запросов.

Что запатентовано

Запатентована система и метод для автоматического определения новых продуктовых линеек на основе анализа поисковых запросов. Система анализирует структуру запроса, идентифицирует известные бренды и атрибуты, а затем оценивает неизвестные термины. Если эти неизвестные термины часто встречаются рядом с определенным брендом, редко встречаются с другими брендами и соответствуют типичным шаблонам названий продуктовых линеек, система классифицирует их как новую линейку (new product line) этого бренда.

Как это работает

Система работает по следующему алгоритму:

• Классификация запроса: Поступивший запрос (Product Query) классифицируется для определения категории товара (например, «Жесткие диски»).
• Идентификация известных элементов: Система использует словари (Product Brand Dictionary и Category Attribute Dictionary) для распознавания известного бренда [B] и известных атрибутов [A] в запросе.
• Выделение неизвестных терминов: Термины, которые не были распознаны, помечаются как потенциальная продуктовая линейка [PL].
• Анализ структуры и шаблонов: Проверяется, соответствует ли запрос типичной структуре (например, [B] [PL] [A]) и соответствуют ли термины [PL] ожидаемым формам названий линеек.
• Вычисление метрики связи: Рассчитывается метрика (Metric), показывающая силу связи между [PL] и [B]. Метрика учитывает частоту совместного появления [PL] и [B], общее количество запросов с [PL] и эксклюзивность (как редко [PL] появляется с другими брендами).
• Принятие решения: Если метрика превышает пороговое значение (Pairing threshold), [PL] признается новой продуктовой линейкой бренда [B].

Актуальность для SEO

Высокая. Для E-commerce и Google Shopping точное понимание запросов о товарах, включая бренды и конкретные линейки, критически важно для ранжирования и пользовательского опыта (например, для работы фасетной навигации). Автоматическое и быстрое обучение системы новым линейкам продуктов остается актуальной задачей в динамичном рынке ритейла.

Важность для SEO

Патент имеет высокое значение для SEO в сфере E-commerce (оценка 85/100). Он раскрывает механизм, с помощью которого Google структурирует знания о товарах напрямую из поискового поведения пользователей. Это влияет на то, как продукты категоризируются, как интерпретируются запросы и как формируются фильтры в выдаче. Понимание этого механизма критично для оптимизации товарных фидов, структуры сайтов и стратегий запуска новых продуктов, подчеркивая важность консистентности и четкости в нейминге продуктовых линеек.

Детальный разбор

Термины и определения

Category Attribute Dictionary (Словарь атрибутов категорий)

База данных, содержащая известные атрибуты (например, «1TB», «SATA») для различных категорий товаров и/или брендов.

Metric (for brand to product line pairing) (Метрика связи бренда и продуктовой линейки)

Вычисляемый показатель, который указывает, насколько вероятно неизвестные термины соответствуют реальной продуктовой линейке конкретного бренда. Учитывает частоту, структуру запросов и эксклюзивность связи.

Pairing threshold (Порог связи)

Заданное пороговое значение для Metric. Если метрика превышает порог, связь между брендом и потенциальной линейкой считается подтвержденной.

Product Brand Dictionary (Словарь брендов товаров)

База данных, содержащая список известных брендов в различных категориях товаров.

Product Line Resolution Module (Модуль определения продуктовой линейки)

Основной компонент системы, отвечающий за анализ запросов, идентификацию неизвестных терминов и вычисление метрики для связи их с брендами.

Product line templates/forms (Шаблоны/формы продуктовых линеек)

Обобщенные правила или паттерны, которым обычно следуют названия продуктовых линеек (например, начинаются с буквы, содержат мало цифр). Могут быть специфичными для категории или бренда.

Product Query (Запрос о товаре)

Поисковый запрос, введенный пользователем с намерением найти или купить товар.

Query Classifier (Классификатор запросов)

Компонент, который автоматически определяет категорию товара на основе текста поискового запроса.

Unknown product line terms [PL] (Неизвестные термины продуктовой линейки)

Термины в запросе, которые не были идентифицированы как известный бренд или известный атрибут, и являются кандидатами на роль названия продуктовой линейки.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения новых продуктовых линеек из неизвестных поисковых терминов.

1. Система получает первый Product Query.
2. Запрос классифицируется для определения категории товара.
3. Идентифицируется Бренд [B] из списка известных брендов для этой категории.
4. Извлекается список известных атрибутов для этой категории.
5. В запросе идентифицируются неизвестные термины, которые НЕ соответствуют списку известных атрибутов.
6. Эти неизвестные термины классифицируются как unknown product line terms [PL] путем сравнения их с known product line templates (шаблонами, включающими известные линейки известных брендов).
7. Вычисляется Metric, указывающая на соответствие [PL] реальной продуктовой линейке бренда [B]. Вычисление метрики ОБЯЗАТЕЛЬНО включает определение общего количества других поисковых запросов, содержащих эти [PL] термины.
8. Определяется, превышает ли Metric заданный порог.
9. Если ДА, термины [PL] назначаются как new product line для бренда [B].
10. Выполняется поиск товаров для этой новой линейки.
11. Результаты поиска уточняются (refining) на основе новой продуктовой линейки.
12. Возвращаются результаты поиска.

Claim 2, 3, 11, 14 (Зависимые): Уточняют компоненты расчета Metric, связанные с частотой совместного появления (co-occurrence).

• Метрика учитывает частоту, с которой другие запросы содержат как термины [PL], так и термины, связанные с брендом [B] (Claims 3, 11).
• Метрика также учитывает частоту, с которой другие запросы содержат термины [PL] и термины, связанные с брендами, ОТЛИЧНЫМИ от [B] (Claims 2, 14). Это измеряет эксклюзивность связи.

Claim 4, 5, 6, 8, 12, 15, 16, 18 (Зависимые): Уточняют компоненты расчета Metric, связанные с шаблонами и схожестью.

• Метрика включает оценку схожести [PL] с уже известными продуктовыми линейками, ассоциированными с этим же брендом [B] (Claims 4, 6, 12, 15).
• Метрика включает оценку соответствия [PL] «типичным паттернам терминов продуктовых линеек» (typical product line term patterns) (Claims 5, 8, 16, 18).

Где и как применяется

Изобретение применяется преимущественно на этапе понимания запросов, специфичном для систем поиска товаров (например, Google Shopping).

QUNDERSTANDING – Понимание Запросов

Это основной этап применения патента. Система работает как часть процесса интерпретации Product Query в реальном времени, а также, вероятно, в офлайн-режиме для анализа логов запросов.

1. Классификация и Парсинг: Query Classifier определяет, что запрос относится к определенной категории товаров.
2. Извлечение Сущностей (NER): Система извлекает известные бренды и атрибуты, используя Product Brand Dictionary и Category Attribute Dictionary.
3. Динамическое Обучение: Product Line Resolution Module анализирует оставшиеся неизвестные термины [PL]. Он использует статистические данные (метрики ко-встречаемости) и структурные шаблоны для динамического выявления новых продуктовых линеек и их связи с брендами. Это процесс постоянного обновления знаний системы о товарном каталоге мира.

INDEXING – Индексирование и извлечение признаков

Результаты работы этого алгоритма (новые продуктовые линейки и их связь с брендами) сохраняются в Category Attribute Dictionary. Эти данные затем могут использоваться при индексации товарных фидов и веб-страниц для лучшего понимания и структурирования информации о товарах.

RANKING / METASEARCH – Ранжирование и Метапоиск

Точное определение бренда и продуктовой линейки из запроса позволяет Product Search Engine более точно отбирать кандидатов (Retrieval) и уточнять результаты поиска (Refinement). Также это позволяет формировать точные фильтры (фасеты) в результатах поиска (Attribute Selectors).

Входные данные:

• Product Query пользователя.
• Product Brand Dictionary.
• Category Attribute Dictionary.
• Product line templates (правила/паттерны).
• Данные из логов запросов (неявно, для расчета метрик частотности и ко-встречаемости).

Выходные данные:

• Структурированное понимание запроса (Бренд, Продуктовая линейка, Атрибуты).
• Новые пары Бренд-Продуктовая линейка (для обновления словарей).
• Уточненные результаты поиска товаров (Search Results).

На что влияет

• Специфические запросы: В первую очередь влияет на коммерческие запросы, направленные на поиск конкретных товаров (например, «Samson FireDrive 1TB SATA»).
• Конкретные ниши или тематики: Наибольшее влияние в E-commerce, особенно в категориях, где распространены четкие продуктовые линейки: электроника (ноутбуки, смартфоны, комплектующие), одежда и обувь, бытовая техника, автомобили.
• Типы контента: Влияет на ранжирование карточек товаров, листингов и контента в Google Shopping.

Когда применяется

• Условия работы: Алгоритм применяется при обработке запросов, классифицированных как Product Query.
• Триггеры активации: Активируется, когда в запросе присутствуют как известные элементы (бренд и/или атрибуты), так и неизвестные термины [PL], расположенные в структуре, предполагающей название продуктовой линейки. Система предназначена для постоянного мониторинга и обнаружения новинок.

Пошаговый алгоритм

Процесс обнаружения новой продуктовой линейки:

1. Получение и Классификация: Система получает Product Query и использует Query Classifier для определения категории товара.
2. Идентификация Известных Элементов: Система ищет в запросе известные бренды [B] с помощью Product Brand Dictionary и известные атрибуты [A] или категорийные термины [C] с помощью Category Attribute Dictionary.
3. Изоляция Неизвестных Терминов: Термины, которые не были распознаны, изолируются и помечаются как кандидаты на роль продуктовой линейки [PL].
4. Структурный Анализ: Проверяется расположение терминов в запросе. Предпочтение отдается структурам вида [B][PL], [B][PL][A], [B][PL][C] или гибридным вариантам.
5. Оценка по Шаблонам: Термины [PL] оцениваются на соответствие typical product line templates. Например, проверяется, начинаются ли они с буквы и содержат ли мало цифр (чтобы отличить от номеров моделей). Шаблоны могут быть специфичны для бренда или категории.
6. Идентификация Кандидата: Если структура и шаблоны подходят, [PL] становится кандидатом в продуктовую линейку для бренда [B].
7. Вычисление Метрики Связи (Metric Computation): Система вычисляет Metric для пары [PL]-[B]. Для этого анализируются данные по множеству запросов (вероятно, из логов):
   • Количество уникальных запросов и общий объем запросов, содержащих [PL] в нужной структуре и категории.
   • Частота совместного появления [PL] и [B].
   • Эксклюзивность (Доминирование [B]): как часто [PL] появляется с другими брендами по сравнению с [B].
   • Нормализация: доля запросов с правильной структурой от всех запросов, содержащих [PL].
8. Сравнение с Порогом: Вычисленная Metric сравнивается с pairing threshold.
9. Назначение и Обновление: Если порог превышен, [PL] признается новой продуктовой линейкой для [B]. Эта информация может быть добавлена в Category Attribute Dictionary.
10. Поиск и Уточнение: Product Search Engine использует запрос и новообретенное знание о паре [PL]-[B] для выполнения поиска и уточнения результатов.
11. Возврат Результатов: Пользователю возвращаются результаты поиска, которые могут включать Attribute Selectors (фильтры) с указанием новой продуктовой линейки.

Какие данные и как использует

Данные на входе

Патент фокусируется на анализе запросов и использовании предварительно составленных словарей.

• Контентные факторы (из запроса): Текст поискового запроса (Product Query) является основным источником данных. Анализируются как сами термины, так и их порядок (структура запроса).
• Поведенческие факторы (из логов): Для расчета метрик используются агрегированные данные о поисковых запросах. Анализируется частота запросов, количество уникальных запросов и статистика совместного появления терминов (брендов и потенциальных линеек).
• Системные данные (Словари и Правила):
  • Product Brand Dictionary: Списки известных брендов.
  • Category Attribute Dictionary: Списки известных атрибутов.
  • Product line templates: Правила и паттерны для идентификации названий линеек.

Какие метрики используются и как они считаются

• Metric (for brand to product line pairing): Комплексная оценка уверенности в том, что [PL] является линейкой [B]. Она рассчитывается как функция от нескольких переменных:
  • Частота и Объем: Общее количество и количество уникальных запросов, где [PL] появляется в контексте [B] и/или [A] в правильной структуре и категории.
  • Co-occurrence (Совместное появление): Частота появления [PL] рядом с [B].
  • Exclusivity/Dominance (Эксклюзивность/Доминирование): Степень, в которой [B] доминирует среди всех брендов, появляющихся рядом с [PL]. (Высокая частота с [B] и низкая с другими брендами увеличивает метрику).
  • Template Fit (Соответствие шаблону): Оценка того, насколько [PL] соответствует ожидаемым формам названий линеек.
  • Normalization (Нормализация): Доля запросов, в которых [PL] появляется в правильной структуре, по отношению ко всем появлениям [PL].
• Pairing threshold: Предопределенное статическое значение, используемое для валидации связи. Более высокий порог обеспечивает большую точность.

Выводы

1. Динамическое обучение каталогу: Google активно использует анализ поисковых запросов пользователей для динамического изучения и обновления своего каталога товаров, в частности, для быстрого обнаружения новых продуктовых линеек.
2. Структура запроса имеет значение: Система полагается на типичные структуры запросов (Бренд -> Линейка -> Атрибуты) для выявления взаимосвязей. То, как пользователи формируют запросы, напрямую влияет на понимание Google.
3. Статистическая связь и эксклюзивность — ключ к идентификации: Ключевым механизмом является не просто частое упоминание терминов вместе, а статистически значимая и эксклюзивная связь. Если термин появляется с одним брендом часто, а с другими редко, это сильный сигнал, что это продуктовая линейка первого бренда.
4. Важность известных словарей: Система зависит от качества базовых словарей брендов и атрибутов. Распознавание неизвестных терминов возможно только после того, как известные были идентифицированы.
5. Использование шаблонов для валидации: Google использует обобщенные представления о том, как должны выглядеть названия продуктовых линеек (product line templates), чтобы отличать их от номеров моделей или случайных терминов.

Практика

Best practices (это мы делаем)

Рекомендации сфокусированы на E-commerce SEO и управлении продуктовым каталогом.

• Консистентность в Нейминге (для производителей и крупных ритейлеров): Используйте четкие, уникальные и последовательные названия для продуктовых линеек во всех каналах (сайт, фиды, маркетинг, PR). Это поможет системе быстрее сформировать эксклюзивную связь между вашим брендом и линейкой.
• Оптимизация структуры заголовков и описаний: Структурируйте названия товаров (Product Titles) и описания так, чтобы они отражали естественный порядок поиска пользователей (например, Бренд + Линейка + Ключевые Атрибуты). Это облегчает парсинг и помогает системе распознавать элементы.
• Стратегия запуска новых линеек: При запуске новой продуктовой линейки активно формируйте поисковый спрос, связывающий бренд и новое название. Маркетинговые активности должны стимулировать пользователей искать именно в формате [Бренд] [Новая Линейка].
• Обеспечение чистоты данных в фидах: Убедитесь, что бренды и атрибуты в ваших товарных фидах (Google Merchant Center) указаны корректно. Это позволит системе Google правильно идентифицировать известные элементы и сосредоточиться на анализе неизвестных (новых линеек).

Worst practices (это делать не надо)

• Использование неуникальных или общих названий для линеек: Избегайте названий продуктовых линеек, которые используются другими брендами в той же категории или являются общими терминами. Это нарушает принцип эксклюзивности и мешает системе установить четкую связь с вашим брендом.
• Частая смена названий линеек: Непоследовательность в нейминге или частый ребрендинг линеек мешает накоплению достаточной статистики для подтверждения связи [PL]-[B].
• Игнорирование структуры «Бренд-Линейка»: Представление товаров без четкого указания бренда или линейки (например, только по артикулу или общему описанию) затрудняет работу системы по структурированию каталога.

Стратегическое значение

Этот патент подчеркивает важность Query Understanding в E-commerce поиске. Для Google критически важно преобразовать неструктурированный запрос в набор структурированных интентов (Бренд, Линейка, Атрибут). Стратегически это означает, что видимость в поиске товаров зависит не только от контента на сайте, но и от того, как рынок (пользователи) именует и ищет ваши продукты. Управление поисковым поведением и неймингом становится важной частью долгосрочной SEO и маркетинговой стратегии для производителей.

Практические примеры

Сценарий: Запуск новой линейки кроссовок

Производитель обуви «RunnerX» запускает новую линейку «CloudFlow».

1. Задача: Обеспечить быстрое распознавание «CloudFlow» как линейки бренда «RunnerX» системой Google.
2. Действия:
   • На сайте и в фидах: Все товары именуются консистентно: «Кроссовки RunnerX CloudFlow [Цвет] [Размер]».
   • Маркетинг и PR: В пресс-релизах, обзорах у блогеров и рекламе акцентируется связь «RunnerX CloudFlow». Цель — стимулировать пользователей искать именно так.
3. Работа системы Google (по патенту):
   • Google видит всплеск запросов «RunnerX CloudFlow».
   • Система распознает «RunnerX» (Бренд) и цвета/размеры (Атрибуты).
   • «CloudFlow» помечается как неизвестный термин [PL].
   • Система анализирует логи: «CloudFlow» почти всегда появляется с «RunnerX» и редко с Nike или Adidas.
   • Metric эксклюзивности высока. Шаблон названия соответствует ожиданиям.
4. Ожидаемый результат: Google быстро идентифицирует «CloudFlow» как линейку «RunnerX». В результатах поиска по запросу «RunnerX CloudFlow» появляются точные результаты, а в фильтрах (фасетах) по запросу «Кроссовки RunnerX» появляется опция выбора линейки «CloudFlow».

Вопросы и ответы