Как Google персонализирует ранжирование рекламы, используя историю предпочтений пользователя к определенным доменам рекламодателей

Описание

Какую задачу решает

Патент решает проблему неоптимального ранжирования рекламы, основанного исключительно на агрегированном поведении пользователей (aggregate user behavior). Стандартные модели не учитывают индивидуальные предпочтения, такие как лояльность пользователя к определенным брендам/доменам или, наоборот, их систематическое игнорирование. Цель изобретения — улучшить качество рекламного обслуживания (quality of ad service) путем персонализации ранжирования.

Что запатентовано

Запатентована система модификации показателей качества рекламы (Ad Quality Measures), таких как прогнозируемый CTR (pCTR), с помощью персонализированных поправочных коэффициентов (Correction Factors). Эти коэффициенты рассчитываются путем сравнения фактического поведения пользователя (Actual Interaction Rate) с прогнозируемым поведением (Predicted Interaction Rate) для конкретных доменов или групп доменов. Эти коэффициенты затем используются для корректировки ранжирования в рекламном аукционе.

Как это работает

Система функционирует в рамках Advertising Management System (например, Google Ads):

• Сбор данных: С разрешения пользователя (opt-in) собирается история его взаимодействий (клики, показы) с рекламой различных доменов.
• Определение предпочтений: Сравнивается фактический CTR пользователя по домену с прогнозируемым CTR (агрегированные данные). Отклонение указывает на предпочтение или неприязнь.
• Группировка (Partitions): Домены со схожими показателями отклонений группируются в разделы (Partitions) для повышения надежности данных.
• Расчет коэффициентов: Для каждой группы рассчитывается Correction Factor (например, отношение фактического CTR к прогнозируемому).
• Применение в реальном времени: При запросе рекламы стандартные Ad Quality Measures модифицируются соответствующими Correction Factors перед аукционом.

Актуальность для SEO

Высокая для контекстной рекламы (PPC). Персонализация является ключевым элементом современных рекламных систем. В редакции патента 2019 года (US10445768B1) Claims (формула изобретения) сфокусированы на применении этой логики к голосовым взаимодействиям через персональных ассистентов (Personal Digital Assistant).

Важность для SEO

Влияние на SEO (органический поиск) минимальное (5/100). Патент строго описывает процессы внутри системы управления рекламой и рекламного аукциона. Он не содержит информации о механизмах ранжирования органических результатов. Ценность для SEO-специалистов заключается в понимании технических возможностей Google по анализу предпочтений пользователей на уровне доменов в рекламных продуктах.

Детальный разбор

Термины и определения

Ad Quality Measure (Показатель качества рекламы)

Метрика для оценки качества объявления, например, прогнозируемый CTR (predicted click through rate или pCTR). Изначально рассчитывается на основе агрегированных данных всех пользователей.

Correction Factor (Поправочный коэффициент)

Персонализированный множитель, используемый для модификации Ad Quality Measure. Рассчитывается на основе отклонения поведения конкретного пользователя от среднего прогноза.

Actual Interaction Rate (Actual CTR)

Фактическая частота, с которой конкретный пользователь взаимодействовал с рекламой из определенного домена или группы доменов за период времени.

Predicted Interaction Rate (Predicted CTR)

Ожидаемая частота взаимодействия, основанная на агрегированной производительности (aggregate performance) рекламы для множества пользователей.

Domain (Домен)

Доменное имя в видимом URL рекламного объявления. Ключевой признак для определения предпочтений пользователя.

Partitions (Разделы/Группы)

Группы доменов, сформированные на основе схожих оценок (Scores) предпочтений пользователя. Correction Factor рассчитывается для всей группы.

Score (Оценка домена)

Метрика, рассчитываемая для пары пользователь-домен. Основана на разнице между фактическим и прогнозируемым количеством взаимодействий пользователя с рекламой этого домена в период обучения.

Personal Digital Assistant (PDA) (Персональный цифровой ассистент)

Устройство (например, умная колонка, смартфон), принимающее голосовой ввод (spoken information). Активно используется в формулировках Claims патента US10445768B1.

Collaborative Filtering (Коллаборативная фильтрация)

Метод прогнозирования предпочтений пользователя на основе предпочтений группы похожих пользователей или для определения схожести доменов. Используется при недостатке данных.

Ключевые утверждения (Анализ Claims)

Примечание: Патент US10445768B1 является продолжением (Continuation) более ранних заявок. Финальные Claims (2019 год) сфокусированы на взаимодействии с персональными цифровыми ассистентами и обработке голосового ввода.

Claim 1 (Независимый пункт): Описывает метод взаимодействия сервера с personal digital assistant в ответ на голосовой ввод.

1. Сервер получает оцифрованные голосовые данные от ассистента, введенные пользователем во время сессии.
2. Идентифицируется набор аудиоконтента и набор графического контента (рекламы). Каждый элемент имеет Quality Measure.
3. Для домена графического контента определяется Correction Factor. Значение основано на разнице между (i) ненулевым Predicted Interaction Rate (основанном на агрегированной производительности для множества пользователей) и (ii) Actual Interaction Rate данного пользователя.
4. Рассчитывается модифицированная оценка ранжирования (modified ranking score) для графического контента с использованием Correction Factor.
5. Выбирается лучший аудиоконтент (на основе его Quality Measures) и лучший графический контент (на основе modified ranking score).
6. Выбранный контент предоставляется ассистенту.

Ядро изобретения — использование разницы между персональным и агрегированным поведением в отношении домена для корректировки ранжирования.

Claim 4 (Зависимый от 1): Детализирует механизм схожести доменов (Domain Similarity).

Если система определяет, что второй домен похож (similar) на первый домен (для которого известен Correction Factor), то этот коэффициент может быть использован для модификации оценки ранжирования контента со второго домена. Это позволяет экстраполировать предпочтения на новые или редко посещаемые домены.

Claim 6 (Зависимый от 1): Детализирует механизм схожести пользователей (User Similarity / Collaborative Filtering).

Если для текущего пользователя недостаточно информации (insufficient information) для определения Correction Factor по домену, система может: (i) идентифицировать второго пользователя, похожего на текущего, у которого есть этот фактор; (ii) использовать Correction Factor второго пользователя для модификации оценки контента для текущего пользователя.

Где и как применяется

Патент описывает исключительно процессы внутри Системы Управления Рекламой (Advertising Management System – например, Google Ads). Он не применим к архитектуре органического поиска Google (Crawling, Indexing, Ranking органических результатов).

Этапы в рекламной системе:

Offline Обработка (Периодически):

• Сбор данных: Система собирает логи взаимодействий пользователей с рекламой (показы, клики по доменам) с их разрешения (хранятся в User Information Repository).
• Расчеты: Рассчитываются индивидуальные Scores для доменов, домены группируются в Partitions, и для них вычисляются Correction Factors. Также строятся модели схожести доменов и пользователей.

Online Ранжирование (При запросе):

1. Ad Selection: Отбор релевантных рекламных кандидатов (Ad Shards).
2. Quality Prediction: Расчет базовых Ad Quality Measures (например, pCTR) на основе агрегированных данных (Learning Module 1).
3. Personalization: Извлечение предрассчитанных Correction Factors для пользователя (User-Based Ad Serving Module) и модификация базовых оценок (Learning Module 2).
4. Auction and Ranking: Проведение аукциона на основе модифицированных показателей качества и ставок (Auction Module).

Входные данные:

• Идентификатор пользователя, сессии или устройства.
• Запрос пользователя (включая голосовой ввод, согласно Claim 1).
• Список рекламных кандидатов, их домены и базовые Ad Quality Measures.
• История взаимодействий пользователя.

Выходные данные:

• Упорядоченный список рекламных объявлений (Ordered Ad Candidates) с персонализированными оценками ранжирования.

На что влияет

• Типы контента: Влияет на ранжирование всех типов рекламы (платный контент). Согласно Claim 1, система специфически обрабатывает графический и аудио контент в ответ на голосовые запросы через персональных ассистентов.
• Специфические запросы: Влияет на все типы запросов, по которым показывается реклама.
• Конкретные ниши: Наибольшее влияние в нишах с выраженной лояльностью к брендам и повторными взаимодействиями (E-commerce, путешествия, финансы).

Когда применяется

• Условие активации: Пользователь должен дать согласие (opt-in) на персонализацию рекламы и сбор данных.
• Требования к данным: Система должна накопить достаточно данных для расчета надежных Correction Factors.
• Исключения и особые случаи: Если данных недостаточно, система может использовать механизмы экстраполяции (Claims 4 и 6): схожесть доменов или схожесть пользователей. Если экстраполяция невозможна, используются стандартные (немодифицированные) Ad Quality Measures.

Пошаговый алгоритм

Процесс А: Офлайн-расчет Correction Factors

1. Сбор данных (Период 1 — Обучение): Для пользователя U и домена D определяется фактическое и прогнозируемое количество взаимодействий (кликов) за первый период (например, 28 дней).
2. Расчет оценки домена (Score): Вычисляется оценка (Score) для домена D на основе разницы между фактическим и прогнозируемым количеством взаимодействий.
3. Повторение: Шаги 1-2 повторяются для всех доменов, с которыми взаимодействовал пользователь U.
4. Группировка (Partitioning): Домены группируются в разделы (Partitions) на основе схожести их Scores.
5. Сбор данных (Период 2 — Тестирование): Для каждого раздела P определяется фактический CTR пользователя U и прогнозируемый CTR за второй период (например, 48 часов).
6. Расчет Correction Factor: Вычисляется Correction Factor для раздела P, например, как отношение фактического CTR к прогнозируемому CTR.

Процесс Б: Обработка запроса в реальном времени

1. Получение запроса: Система получает запрос на рекламу и идентификатор пользователя U.
2. Генерация кандидатов: Получение списка рекламных кандидатов и их базовых Ad Quality Measures (pCTR).
3. Получение коэффициентов: Система извлекает предрассчитанные Correction Factors для пользователя U, применимые к доменам кандидатов.
4. Экстраполяция (Опционально): Если для домена нет фактора, система может применить фактор похожего домена (Claim 4) или использовать фактор похожего пользователя (Claim 6).
5. Модификация показателей качества: Применение Correction Factor к базовому Ad Quality Measure, получая модифицированный показатель.
6. Ранжирование (Аукцион): Использование модифицированных показателей качества и ставок (target bids) для ранжирования объявлений в Auction Module.

Какие данные и как использует

Данные на входе

Система полагается в первую очередь на поведенческие данные в контексте рекламной системы.

• Поведенческие факторы (Индивидуальные): История взаимодействий конкретного пользователя с рекламой: количество показов (impressions) и кликов (click-throughs / interactions) с разбивкой по доменам рекламодателей.
• Поведенческие факторы (Агрегированные): Данные о производительности рекламы для всех пользователей, используемые для расчета базовых Predicted Interaction Rates.
• Пользовательские факторы: Идентификатор пользователя, сессии или устройства. Данные для коллаборативной фильтрации (поведение похожих пользователей).
• Контекстные факторы: В патенте упоминаются как higher-level per-user data: местное время, день недели, язык запроса, часовой пояс, местоположение пользователя. Могут использоваться при недостатке других данных.

Какие метрики используются и как они считаются

• Predicted Interaction Rate (pCTR): Базовый показатель, рассчитываемый на основе агрегированных данных.
• Actual Interaction Rate (Actual CTR): Рассчитывается как отношение количества кликов пользователя к количеству показов для определенного домена или группы доменов (Partition).
• Score (Оценка предпочтения домена): Метрика, измеряющая отклонение поведения пользователя от прогноза по домену. Основана на разнице между фактическим и прогнозируемым количеством взаимодействий в период обучения.
• Correction Factor: Коэффициент персонализации. Рассчитывается как отношение Actual CTR к Predicted CTR для группы доменов (Partition) в тестовый период.
• Modified Ranking Score: Итоговая оценка ранжирования, полученная после применения Correction Factor к Ad Quality Measure.
• Similarity (Схожесть доменов/пользователей): Определяется на основе общих вертикалей (common vertical), размера сайта (similar size) или с помощью коллаборативной фильтрации.

Выводы

1. Патент относится к PPC, а не к SEO: Патент описывает исключительно механизмы ранжирования рекламы (Google Ads). Прямых выводов для улучшения органического ранжирования (SEO) из этого документа сделать нельзя.
2. Персонализация на основе предпочтений к домену: Google Ads активно использует историю взаимодействия пользователя с доменами рекламодателей. Лояльность к бренду/домену является сильным сигналом в PPC.
3. Отклонение от среднего как сигнал: Персонализация основана на сравнении индивидуального поведения (Actual Interaction Rate) с агрегированными прогнозами (Predicted Interaction Rate). Система выявляет, насколько поведение пользователя отклоняется от среднего по конкретным доменам.
4. Механизм Коррекции: Если пользователь кликает на рекламу домена чаще прогноза, домен получает повышение (Correction Factor > 1). Если реже — понижение (Correction Factor < 1).
5. Сглаживание и надежность (Partitions): Для повышения статистической надежности домены группируются в Partitions по схожести поведенческих отклонений, и Correction Factor рассчитывается для всей группы.
6. Экстраполяция предпочтений (Similarity): Система может прогнозировать предпочтения даже при недостатке данных, используя схожесть доменов (Claim 4) или схожесть пользователей (Claim 6, коллаборативная фильтрация).
7. Адаптация под голосовой поиск: Claims текущей редакции патента (2019 год) явно фокусируются на применении этого механизма в контексте голосовых запросов и ответов через цифровых ассистентов (PDA).

Практика

ВАЖНО: Патент описывает инфраструктуру рекламной системы (Google Ads). Практических выводов для прямого применения в SEO (оптимизации под органический поиск) нет.

Анализ ниже применим к специалистам по контекстной рекламе (PPC) и общему пониманию работы систем Google.

Best practices (это мы делаем)

• (Косвенно для SEO) Построение сильного бренда и лояльности к домену: Патент демонстрирует техническую способность Google измерять лояльность пользователей к домену и использовать ее для модификации выдачи (в данном случае рекламной). Положительный опыт взаимодействия с сайтом и сильный бренд критически важны в долгосрочной стратегии.
• (Для PPC) Фокус на качестве объявлений и пользовательском опыте: Чем выше фактический CTR ваших объявлений у конкретных пользователей (без кликбейта), тем лучше система будет ранжировать вашу рекламу для них в будущем, формируя положительный Correction Factor.

Worst practices (это делать не надо)

• Перенос логики Ads на SEO: Не следует предполагать, что механизмы персонализации на основе предпочтений к домену, описанные для рекламной системы, аналогичным образом работают в органическом поиске. Это разные системы.
• (Для PPC) Использование агрессивной рекламы, раздражающей пользователей: Если пользователи систематически игнорируют вашу рекламу, система сформирует негативный Correction Factor (<1), что приведет к понижению ваших позиций в персонализированной выдаче и/или увеличению стоимости клика.

Стратегическое значение

Стратегическое значение для SEO минимально. Патент подтверждает продвинутые возможности Google по анализу поведенческих сигналов на индивидуальном уровне и привязке их к конкретным доменам. Он демонстрирует сложный механизм персонализации, который сравнивает индивидуальное поведение с агрегированными моделями и использует коллаборативную фильтрацию для прогнозирования предпочтений. Хотя механизм описан строго для рекламы, он подчеркивает общую важность восприятия домена (бренда) в экосистеме Google.

Практические примеры

Практических примеров для SEO нет. Ниже приведен пример работы механизма в контексте PPC (Google Ads).

Сценарий (PPC): Персонализация ранжирования для лояльного клиента

1. Исходные данные: Агрегированный Predicted CTR для рекламы магазина «TechStore A» составляет 5%.
2. Анализ поведения пользователя: Система фиксирует, что данный пользователь часто кликает на рекламу «TechStore A» (Actual CTR = 15%).
3. Расчет Correction Factor: Система рассчитывает поправочный коэффициент для этого пользователя для домена «TechStore A» (или его группы). Например: 15% / 5% = 3.0.
4. Ранжирование: При следующем запросе пользователя (например, «купить ноутбук») базовый Ad Quality Measure для объявления «TechStore A» будет умножен на 3.0.
5. Результат: Реклама «TechStore A» получает значительное преимущество в аукционе для этого конкретного пользователя, занимая более высокие позиции.

Сценарий (PPC): Использование схожести доменов (Claim 4)

1. Контекст: Пользователь предпочитает «TechStore A» (Correction Factor 3.0). Он никогда не взаимодействовал с новым магазином «GadgetHub B».
2. Анализ схожести: Система определяет, что «GadgetHub B» похож на «TechStore A» (например, находятся в одной вертикали «Электроника»).
3. Применение: Система применяет Correction Factor (или его часть) от «TechStore A» к рекламе «GadgetHub B» для этого пользователя, предполагая схожие предпочтения.

Вопросы и ответы