Как Google использует атрибуты товаров и популярные запросы для показа альтернативных продуктов в результатах поиска

Описание

Какую задачу решает

Патент решает задачу улучшения пользовательского опыта при исследовании и сравнении товаров (comparison shopping) непосредственно на странице результатов поиска. Когда пользователь вводит запрос о конкретном продукте (бренд или модель), система не только предоставляет релевантные ссылки, но и активно предлагает альтернативные товары со схожими характеристиками. Это упрощает процесс выбора, позволяя пользователю быстро находить похожие товары других брендов или другие модели того же бренда.

Что запатентовано

Запатентована система для генерации и отображения предложений связанных продуктов (Related Suggested Products) в ответ на товарный запрос. Система использует комбинацию структурированных данных о продуктах (атрибуты, категории, бренды из Product Database) и данных о поведении пользователей (Query Logs, Popular Product Queries) для идентификации релевантных альтернатив. Ключевым механизмом является определение категории исходного продукта и подбор других популярных продуктов, чьи атрибуты соответствуют ключевым характеристикам этой категории.

Как это работает

Система работает следующим образом:

• Парсинг и Верификация: Система анализирует входящий запрос для идентификации бренда и/или модели. Идентифицированный продукт проверяется по базе данных популярных запросов (Popular Queries Database). Если указан только бренд, система может выбрать наиболее популярную модель этого бренда как основу для сравнения.
• Определение Категории и Атрибутов: Система определяет категорию продукта (например, «Цифровая камера») и ее ключевые атрибуты (Category Attributes, например, «Мегапиксели», «Зум»).
• Подбор Альтернатив: Система ищет другие бренды и модели в той же категории, чьи характеристики удовлетворяют ключевым атрибутам. Выбор также основывается на популярности альтернатив (клики, частота запросов) или наличии рекламных акций (promotion).
• Отображение: Предлагаемые продукты отображаются в отдельной области SERP (например, «Suggested Related Product Models») рядом с основными результатами поиска. Могут также отображаться цены и кнопки покупки или сравнения.

Актуальность для SEO

Высокая. Механизмы сравнения товаров, использование структурированных данных (Merchant Feeds) и интеграция продуктовых предложений в SERP являются центральными элементами современного поиска Google, особенно в контексте Google Shopping и Product Knowledge Panels. Этот патент (являющийся продолжением оригинальной заявки 2009 года) описывает фундаментальные методы, которые Google использует для понимания пространства продуктов и предоставления коммерческих рекомендаций.

Важность для SEO

Патент имеет высокое значение (8/10) для SEO в сфере E-commerce. Он подчеркивает критическую важность предоставления Google полных и точных структурированных данных о продуктах (через Merchant Center или микроразметку). Понимание того, как Google категоризирует продукты и какие атрибуты считает ключевыми, позволяет оптимизировать карточки товаров так, чтобы они чаще появлялись в качестве «связанных предложений» для популярных запросов конкурентов. Это механизм прямой конкуренции на уровне атрибутов товара.

Детальный разбор

Термины и определения

Attributes (Атрибуты)

Характеристики, свойства или особенности категории продукта или конкретной модели (например, «Мегапиксели», «Зум», «Цена»).

Category Attributes (Атрибуты категории)

Предопределенный набор атрибутов, которые считаются важными для конкретной категории товаров. Используются как основа для сравнения.

Distance (Расстояние)

Метрика для определения схожести между атрибутами двух разных моделей. Используется для поиска «ближайших» (nearby) продуктов. Например, «3x зум» близок к «4x зум», но далек от «20x зум».

Merchant Feeds (Фиды мерчантов)

Потоки данных (например, XML), предоставляемые продавцами, содержащие информацию о продуктах (спецификации, цены). Используются для наполнения Product Database.

Popular Product Queries Database (База данных популярных запросов о продуктах)

Хранилище данных, содержащее бренды и модели, идентифицированные как популярные на основе анализа Query Logs. Используется для верификации запросов и выбора предложений.

Product Database (База данных продуктов)

Структурированное хранилище, содержащее информацию о категориях, брендах, моделях и их атрибутах, собранную из Merchant Feeds и других источников.

Query Logs (Логи запросов)

Записи предыдущих запросов, отправленных пользователями поисковой системе.

Suggested Product / Related Product Models (Предлагаемый продукт / Связанные модели продуктов)

Альтернативные продукты, предлагаемые пользователю, которые имеют схожие атрибуты с продуктом из исходного запроса.

Ключевые утверждения (Анализ Claims)

Патент US10402889B1 является продолжением (continuation) более ранних заявок и фокусируется на специфической реализации системы рекомендаций, особенно в части использования данных о популярности.

Claim 1 (Независимый пункт): Описывает метод определения альтернативных запросов о продуктах и их отображения.

1. Система получает запрос от пользователя через GUI, указывающий первый бренд (first brand) первого продукта.
2. Система выбирает номер первой модели продукта (first product model number) из хранимого набора популярных запросов (stored set of popular product queries) на основе указанного первого бренда. (Если пользователь ввел только бренд, система использует самую популярную модель этого бренда как анкорь для сравнения).
3. В ответ на запрос система выбирает предлагаемый продукт (suggested product). Критерии выбора: (a) он имеет те же атрибуты/категорию, что и первый продукт; (b) его номер модели включен в набор популярных запросов; (c) он отличается от первого продукта (другой бренд, другой номер модели).
4. Система отображает результаты в ответ на запрос:
   • В первой области GUI: результат, визуально идентифицирующий предлагаемый продукт.
   • Во второй области GUI: результаты поиска, идентифицирующие первый продукт (включая URL).

Ядром изобретения является использование базы популярных запросов как для интерпретации исходного запроса (привязка бренда к популярной модели), так и для выбора альтернативы (предлагаемый продукт также должен быть популярным), а также специфический способ отображения этих данных в разных областях SERP.

Claim 5 (Зависимый от 1): Уточняет выбор предлагаемого продукта.

Выбор основывается на количестве раз, когда документы, содержащие предлагаемый продукт, были выбраны пользователями из результатов, отвечающих на один или несколько популярных запросов. Это подтверждает использование поведенческих данных (кликов/CTR) для определения релевантности и ранжирования предложений.

Claim 7 (Зависимый от 1): Описывает альтернативный сценарий, когда запрос содержит и бренд, и модель.

Выбор предлагаемого продукта включает выбор других моделей (возможно, того же бренда), где «расстояние» (distance) между атрибутами этих моделей и исходной модели удовлетворяет определенному критерию. Это вводит метрику схожести атрибутов для рекомендаций.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, интегрируя обработку структурированных данных и анализ поведения пользователей.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит сбор и обработка данных. Merchant Feeds и данные, полученные краулером, агрегируются в Product Database. Также происходит офлайн-обработка Query Logs с помощью Scanning Module для генерации Popular Queries Database и определения важных Category Attributes.

QUNDERSTANDING – Понимание Запросов
Это ключевой этап применения. Query Processor и его Parser Module анализируют запрос на наличие коммерческого интента и идентификацию продукта (бренд/модель). Verification Module использует Popular Queries Database для подтверждения или уточнения запроса (например, выбор популярной модели для указанного бренда, как описано в Claim 1).

RANKING (Специализированное ранжирование продуктов)
Система выполняет поиск в Product Database. Category Module определяет категорию и ее ключевые атрибуты. Product Brand Module и Specific Product Model Module ищут альтернативные продукты, используя логику сопоставления атрибутов, расчет «расстояния» (distance) между атрибутами и данные о популярности (или данные о promotion).

METASEARCH – Метапоиск и Смешивание
На этом этапе происходит формирование финальной SERP. Система объединяет стандартные веб-результаты, полученные Search Engine из основного индекса, и блок с предлагаемыми продуктами. Как указано в Claim 1, эти блоки отображаются в разных областях интерфейса.

Входные данные:

• Поисковый запрос пользователя.
• Product Database (структурированные данные о товарах).
• Popular Queries Database (данные о популярности товаров).
• Query Logs и данные о кликах (используются офлайн и для ранжирования предложений).

Выходные данные:

• Список стандартных результатов поиска.
• Список связанных предлагаемых продуктов (может включать цены, атрибуты, ссылки на покупку/сравнение).

На что влияет

• Конкретные типы контента и ниши: Влияет исключительно на E-commerce и сайты, продающие физические товары с четкими атрибутами (электроника, бытовая техника, одежда). Не влияет на информационный контент или услуги.
• Специфические запросы: Влияет на коммерческие запросы, содержащие названия брендов и моделей (например, «Canon powershot g9») или только бренды.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система идентифицирует запрос как относящийся к конкретному продукту (Product Query).
• Условия работы: Необходимо наличие достаточного количества структурированных данных в Product Database для определения категории и атрибутов исходного продукта, а также для поиска альтернатив.
• Пороговые значения: Продукт (как исходный, так и альтернативный) должен присутствовать в Popular Queries Database (Claim 1) или количество его упоминаний в логах/кликов должно превышать определенный порог.

Пошаговый алгоритм

Процесс предоставления связанных предложений продуктов:

1. Получение запроса: Система получает поисковый запрос, который указывает бренд и/или модель продукта.
2. Парсинг и Идентификация: Parser Module разбирает запрос на составляющие (бренд, модель).
3. Верификация и Обогащение: Verification Module сопоставляет идентифицированные данные с Popular Queries Database и Query Logs. Проверяется популярность. Если указан только бренд, система выбирает самую популярную модель этого бренда (Claim 1).
4. Определение Категории: Category Module определяет категорию продукта на основе его атрибутов, найденных в Product Database.
5. Идентификация Ключевых Атрибутов: Система определяет предопределенный набор ключевых атрибутов (Category Attributes) для этой категории.
6. Поиск Альтернативных Брендов: Product Brand Module идентифицирует другие бренды в той же категории. Выбор может основываться на популярности или наличии промо-акций (promotion).
7. Поиск Альтернативных Моделей: Specific Product Model Module ищет модели у выбранных брендов (или у исходного бренда), чьи атрибуты удовлетворяют Category Attributes. Используется расчет «расстояния» (distance) между атрибутами для поиска наиболее похожих моделей (Claim 7).
8. Фильтрация и Ранжирование Предложений: Выбранные модели фильтруются (должны быть популярными согласно Claim 1) и ранжируются, например, на основе популярности (количество кликов из предыдущих выдач, как в Claim 5) или схожести атрибутов.
9. Получение Дополнительных Данных: Система извлекает цены, рейтинги и ссылки на покупку/сравнение для выбранных предложений.
10. Формирование Выдачи: Система предоставляет список идентифицированных моделей в специальном блоке SERP, одновременно отображая стандартные результаты поиска для исходного запроса в другой области.

Какие данные и как использует

Данные на входе

Система использует несколько типов данных, преимущественно структурированных и поведенческих.

• Структурные факторы (Данные о продуктах): Критически важные данные. Включают бренды, модели, категории и, самое главное, атрибуты продуктов (спецификации, характеристики, цена). Эти данные поступают из Merchant Feeds и агрегируются в Product Database.
• Поведенческие факторы: Query Logs используются для определения популярности продуктов (частота запросов) и формирования Popular Queries Database. Также используются данные о кликах на ранее показанные результаты (Claim 5) для ранжирования предложений.
• Внешние данные (Рекламные/Коммерческие): Система может учитывать данные о promotion (рекламных акциях или специальных предложениях) при выборе предлагаемых брендов или моделей.

Какие метрики используются и как они считаются

• Популярность продукта (Query-based): Рассчитывается на основе частоты появления бренда/модели в Query Logs. Если частота превышает порог, продукт попадает в Popular Queries Database.
• Популярность продукта (Click-based): Метрика, основанная на количестве раз, когда документы о продукте были выбраны пользователями из результатов поиска (Claim 5). Используется для ранжирования предложений.
• Расстояние между атрибутами (Attribute Distance): Метрика схожести. Для каждого атрибута определяется понятие «близости». Используется алгоритм расчета расстояния (distance algorithm) для поиска похожих моделей (Claim 7). Конкретная формула в патенте не приводится.
• Соответствие категории (Category Matching): Определяется путем сопоставления атрибутов конкретного продукта с предопределенными ключевыми атрибутами (Category Attributes) различных категорий в Product Database.

Выводы

1. Критическая роль структурированных данных: Патент демонстрирует, как Google использует структурированные данные (атрибуты, категории из Merchant Feeds) для понимания продуктов и их взаимосвязей. Без точных данных в Product Database система не сможет корректно сравнивать товары.
2. Атрибуты как основа релевантности: Релевантность в продуктовых рекомендациях определяется не ключевыми словами, а схожестью атрибутов. Система ищет совпадения по ключевым характеристикам категории (Category Attributes).
3. Популярность как обязательный фильтр: Google активно использует данные о поведении пользователей (запросы и клики). Как исходный продукт (в случае запроса только по бренду), так и предлагаемые альтернативы должны быть популярными (Claim 1). Это фильтр качества и востребованности.
4. Интерпретация запросов на основе популярных моделей: Если запрос слишком широк (только бренд), система автоматически уточняет его до самой популярной модели этого бренда, используя ее как основу для генерации предложений (Claim 1).
5. Сравнение на основе «расстояния» (Distance): Для выбора похожих моделей используется концепция «расстояния» между атрибутами (Claim 7), что позволяет находить релевантные альтернативы, не являющиеся точными копиями, используя метрику схожести.
6. Интеграция в SERP и монетизация: Это интегрированная часть поисковой выдачи, направленная на удержание пользователя и стимулирование покупки. Упоминание promotion в описании указывает на возможность монетизации этого блока.

Практика

Best practices (это мы делаем)

• Максимизация качества и полноты продуктовых фидов (Merchant Center): Это ключевая стратегия для E-commerce. Необходимо передавать максимально подробные и точные данные. Чем больше атрибутов указано, тем лучше Google сможет понять продукт, его категорию и сопоставить его с альтернативами.
• Детальная проработка микроразметки Product: Используйте Schema.org/Product для разметки всех доступных атрибутов товара (GTIN, MPN, бренд, цвет, размер и специфические характеристики). Это помогает Google корректно наполнять и верифицировать свою Product Database.
• Оптимизация под ключевые атрибуты категории (Category Attributes): Проанализируйте, какие атрибуты Google считает ключевыми в вашей нише (анализируя фильтры в Google Shopping или блоки сравнения в SERP). Убедитесь, что эти атрибуты четко и корректно указаны в фидах и на страницах товаров.
• Фокус на популярных продуктах: Поскольку система отдает предпочтение популярным товарам (Popular Queries Database), убедитесь, что ваши самые востребованные товары оптимизированы идеально. Это повышает вероятность их появления в качестве предложений для запросов конкурентов.
• Мониторинг связанных предложений: Отслеживайте, какие продукты Google показывает в блоке «Suggested Related Products» по запросам ваших товаров и по запросам товаров конкурентов. Это дает представление о том, как Google видит взаимосвязи на рынке и какие атрибуты считает схожими.

Worst practices (это делать не надо)

• Предоставление неточных или спамных атрибутов: Попытки манипулировать системой путем указания неверных атрибутов или категорий могут привести к исключению товаров из базы данных или некорректному сопоставлению, что снизит релевантный трафик.
• Игнорирование ошибок в Merchant Center: Ошибки в фидах напрямую влияют на способность системы обрабатывать ваши товары и включать их в механизм рекомендаций.
• Оптимизация только под ключевые слова, игнорируя атрибуты: Фокус на текстовой релевантности без учета структурированных атрибутов неэффективен для систем продуктового поиска, описанных в патенте. Система сравнивает характеристики, а не тексты.

Стратегическое значение

Патент подтверждает стратегический приоритет Google в развитии продуктового поиска и E-commerce функционала внутри SERP. Google выступает как система сравнения товаров в реальном времени. Для ритейлеров это означает, что стратегия SEO должна включать управление данными о продуктах (Product Information Management — PIM) как ключевой компонент. Способность «присоединиться» к популярным запросам конкурентов через механизм связанных предложений открывает новые возможности для привлечения клиентов, основанные на качестве данных и характеристиках продукта.

Практические примеры

Сценарий: Оптимизация карточки товара для появления в связанных предложениях

Задача: Увеличить видимость нового смартфона Бренда А (Модель X) за счет популярного запроса конкурента «Бренд Б Модель Y».

1. Анализ Категории и Атрибутов: Определяем, что ключевыми атрибутами (Category Attributes) для смартфонов являются: Размер экрана, Разрешение камеры, Объем памяти, Тип процессора, Цена.
2. Анализ Конкурента: Изучаем характеристики популярного «Бренда Б Модель Y». Допустим, это 6.5 дюймов, 48MP, 128GB, Snapdragon 888, $700.
3. Оптимизация Данных Бренда А Модель X: Наш смартфон имеет схожие характеристики (например, 6.6 дюймов, 50MP, 128GB, Exynos 2100, $680). Необходимо убедиться, что все эти атрибуты максимально точно и полно переданы в Google Merchant Feed и размечены с помощью Schema.org на сайте.
4. Расчет «Расстояния»: Система Google определит, что «расстояние» (distance) между атрибутами Модели X и Модели Y невелико (например, 6.5 и 6.6 дюймов очень близки).
5. Результат: При условии, что Модель X также достаточно популярна, когда пользователь ищет «Бренд Б Модель Y», система Google, опираясь на схожесть атрибутов, может показать «Бренд А Модель X» в блоке «Suggested Related Products» как релевантную альтернативу.

Вопросы и ответы