Как Google фильтрует и визуализирует поисковые подсказки (Query Suggestion Groupings) для обеспечения разнообразия выдачи

Описание

Какую задачу решает

Патент решает проблему неэффективности оценки текстовых поисковых подсказок (связанных запросов). Пользователям сложно понять контекст подсказки и то, насколько результаты по ней будут отличаться от текущей выдачи, не покидая страницу. Это особенно критично при поиске визуального контента (изображения, товары, видео). Система улучшает пользовательский опыт (UX), предоставляя визуальный контекст для подсказок и фильтруя избыточные предложения, которые не приводят к значимому изменению выдачи.

Что запатентовано

Запатентована система генерации и отображения Query Suggestion Groupings (Группировки Поисковых Подсказок). Это UI-элементы, которые объединяют текстовое описание подсказки и визуальное превью (Representative Resource Set) релевантных ресурсов. Ключевым элементом изобретения является строгая фильтрация: группировка создается только в том случае, если набор топовых результатов по подсказке недостаточно пересекается с результатами исходного запроса (не достигает Overlap Threshold).

Как это работает

Система работает в несколько этапов:

• Получение данных: Для исходного запроса и связанных с ним поисковых подсказок система получает наборы релевантных ресурсов.
• Анализ пересечения (Overlap Analysis): Сравниваются Топ-M ресурсов исходного запроса и Топ-M ресурсов подсказки.
• Фильтрация: Если пересечение достигает или превышает заданный порог (Overlap Threshold), подсказка считается слишком похожей и отбрасывается.
• Генерация группировки: Если пересечение низкое, система выбирает Representative Resource Set. В патенте подчеркивается, что часто выбираются ресурсы, отсутствующие в топе исходной выдачи, чтобы подчеркнуть различия.
• Отображение и взаимодействие: Группировки отображаются на SERP. При взаимодействии (например, наведении курсора) может открываться встроенная панель предпросмотра (Query Suggestion Display Environment) с дополнительными результатами без перезагрузки страницы.

Актуальность для SEO

Высокая. Описанный механизм практически полностью соответствует интерфейсу Google Images (например, «фильтры» или «пилюли» (pills) с уточнениями запроса), а также применяется в других вертикалях (Shopping, Video). Принципы фильтрации подсказок для обеспечения разнообразия (Diversity) и предоставления визуального контекста являются фундаментальными для современного поиска Google.

Важность для SEO

Патент имеет умеренное, но важное значение для SEO (6.5/10). Он не описывает алгоритмы ранжирования, но детально раскрывает механизм формирования и фильтрации связанных запросов на SERP. Это напрямую влияет на то, как пользователи уточняют запросы (User Journey) и перемещаются между связанными темами. Понимание механизма Overlap Threshold критично для построения Topical Authority, а фокус на визуальных превью определяет стратегии Image SEO.

Детальный разбор

Термины и определения

Overlap Threshold (Порог пересечения)

Ключевая метрика фильтрации. Определяет меру пересечения между Топ-M ресурсами, релевантными поисковой подсказке, и Топ-M ресурсами, релевантными исходному запросу. Если порог достигнут (слишком много общих результатов), подсказка не отображается.

Query Suggestion Grouping (QSG, Группировка поисковой подсказки)

Элемент интерфейса, представляющий поисковую подсказку. Включает текстовое описание и данные, изображающие Representative Resource Set.

Representative Resource Set (Репрезентативный набор ресурсов)

Подмножество ресурсов (например, изображений), выбранных из топа выдачи по поисковой подсказке. Используется для создания визуального превью в QSG.

Query Suggestion Display Environment (Среда отображения поисковой подсказки)

Элемент интерфейса (например, встроенная панель), который генерируется на текущей странице результатов поиска при взаимодействии пользователя с QSG. Показывает расширенный набор результатов для этой подсказки без перезагрузки страницы (inline preview).

Diversity Measure / Diversity Score (Мера разнообразия)

Метрика, используемая для определения того, насколько результаты по подсказке сконцентрированы на одном домене или странице (например, соотношение J/K). Если концентрация высока (низкое разнообразие), система может сгенерировать Website Grouping.

Website Grouping (Группировка веб-сайта)

Специальный тип QSG, который представляет не общий запрос, а конкретную коллекцию контента на определенном сайте или домене, если этот сайт доминирует в выдаче по подсказке.

Non-duplicative text (Недублирующийся текст)

Текст, отображаемый в QSG. Система может удалять термины, уже присутствующие в исходном запросе, оставляя только уточняющие слова.

Ключевые утверждения (Анализ Claims)

Патент содержит несколько похожих независимых пунктов (1, 7, 13). Рассмотрим Claim 1 как основной.

Claim 1 (Независимый пункт): Описывает метод обработки поисковых подсказок с фильтрацией на основе пересечения результатов.

1. Система получает набор поисковых подсказок в ответ на исходный запрос.
2. Система получает набор ресурсов, релевантных исходному запросу.
3. Для каждой поисковой подсказки:
   1. Получается набор ресурсов, релевантных подсказке.
   2. Определяется, достигает ли набор ресурсов подсказки Overlap Threshold. Этот порог является мерой пересечения между Топ-M ресурсами подсказки и Топ-M ресурсами исходного запроса. Порог основан на предопределенном проценте (predefined percentage).
4. Только для тех подсказок, чей набор ресурсов НЕ достигает Overlap Threshold (т.е. результаты достаточно отличаются):
   1. Выбирается подмножество ресурсов из выдачи по подсказке в качестве Representative Resource Set.
   2. Генерируются данные, изображающие этот репрезентативный набор (визуальное превью).

Ядром изобретения является строгий механизм фильтрации, гарантирующий, что показываются только те подсказки, которые предлагают пользователю действительно новый набор результатов.

Claim 2 (Зависимый от 1): Уточняет, что система предоставляет страницу результатов поиска (SERP), которая включает результаты исходного запроса и Query Suggestion Grouping (с текстом, визуальным превью и ссылкой) только для отфильтрованных (разнообразных) подсказок.

Claim 3 (Зависимый от 1): Важное уточнение о выборе Representative Resource Set. Подмножество ресурсов для превью выбирается из тех ресурсов в выдаче по подсказке, которые НЕ включены в Топ-M ресурсов исходного запроса. Это гарантирует, что превью покажет новый контент, подчеркивая различия.

Claims 4-6 (Зависимые от 1): Уточняют, что ресурсы являются изображениями, а данные, изображающие набор, являются набором миниатюр (thumbnails).

Где и как применяется

Изобретение затрагивает этапы понимания запросов и генерации финальной выдачи, а также определяет логику работы пользовательского интерфейса.

QUNDERSTANDING – Понимание Запросов
На этом этапе происходит генерация кандидатов для поисковых подсказок (Suggestion Generator). Система (Query Suggestion Grouping Generator) должна проанализировать эти подсказки, сравнить их с исходным запросом и рассчитать Overlap Threshold. Это может происходить как в реальном времени, так и офлайн для популярных запросов.

RANKING – Ранжирование
Система должна выполнить ранжирование как для исходного запроса, так и для всех потенциальных подсказок, чтобы получить упорядоченные списки Топ-M ресурсов, необходимые для анализа пересечений.

METASEARCH – Метапоиск и Смешивание
На финальном этапе система формирует SERP. Она определяет, какие Query Suggestion Groupings будут включены и как они будут расположены (например, в строке над основными результатами). Также в код страницы включается логика для обработки взаимодействия пользователя с QSG и генерации Query Suggestion Display Environment на стороне клиента.

Входные данные:

• Исходный поисковый запрос и набор подсказок (кандидатов).
• Упорядоченные списки ресурсов (и их идентификаторы/URL) для исходного запроса и для каждой подсказки (Топ-M).
• Визуальные данные ресурсов (например, миниатюры изображений).

Выходные данные:

• Отфильтрованный список поисковых подсказок.
• Сгенерированные Query Suggestion Groupings (текст + данные Representative Resource Set).
• Страница результатов поиска (SERP), включающая эти группировки и логику для их обработки.

На что влияет

• Конкретные типы контента: Наибольшее влияние патент оказывает на поиск по изображениям (Image Search). Однако механизм применим к любым ресурсам, где возможно визуальное превью (видео, товары, книги, веб-страницы).
• Специфические запросы: Влияет на широкие или неоднозначные запросы (exploratory search), где существует множество направлений для уточнения (например, запрос [rhubarb] может быть уточнен как [stalk], [plant], [leaves]).
• Конкретные ниши: E-commerce, дизайн, путешествия, рецепты – ниши, где визуальная составляющая играет ключевую роль в принятии решений.

Когда применяется

• Условия работы: Алгоритм применяется, когда для исходного запроса существуют релевантные поисковые подсказки.
• Триггеры активации: Отображение конкретной подсказки активируется только при условии, что ее результаты значительно отличаются от результатов исходного запроса.
• Пороговые значения: Ключевое условие — Overlap Threshold НЕ должен быть достигнут. Если Топ-M результатов слишком похожи, механизм не применяется для этой подсказки.
• Дополнительные триггеры: Если Diversity Score показывает доминирование одного сайта (низкое разнообразие), может активироваться генерация Website Grouping.

Пошаговый алгоритм

Процесс А: Генерация Query Suggestion Groupings (Server-Side)

1. Получение данных для запроса: Система получает исходный запрос и идентифицирует Топ-M релевантных ему ресурсов.
2. Получение подсказок и их данных: Система получает набор поисковых подсказок и для каждой идентифицирует Топ-M релевантных ресурсов.
3. Анализ пересечения (Overlap Analysis): Для каждой подсказки система сравнивает ее Топ-M ресурсов с Топ-M ресурсами исходного запроса.
4. Фильтрация по порогу: Определяется, достигнут ли Overlap Threshold (предопределенный процент). Если да (слишком похожи), подсказка исключается.
5. Анализ разнообразия (Опционально): Рассчитывается Diversity Score. Если один сайт доминирует, может быть создана Website Grouping.
6. Выбор репрезентативного набора: Для оставшихся подсказок выбирается Representative Resource Set (Топ-N). Согласно Claim 3, выбираются ресурсы, которые отсутствуют в Топ-M результатах исходного запроса.
7. Генерация QSG: Формируется группировка, включающая текст подсказки (часто Non-duplicative text) и визуальное представление выбранного набора (например, миниатюры).
8. Формирование SERP: Страница результатов поиска предоставляется пользователю, включая основные результаты и сгенерированные QSG.

Процесс Б: Взаимодействие с QSG (Client-Side)

1. Отображение: Браузер отображает QSG (например, в первой строке) и основные результаты поиска.
2. Детектирование взаимодействия: Отслеживается выбор пользователем (клик, наведение курсора) определенной QSG.
3. Генерация среды предпросмотра: При выборе генерируется Query Suggestion Display Environment на текущей странице (например, между строкой QSG и основными результатами).
4. Наполнение среды: В этой среде отображается расширенный набор ресурсов, релевантных выбранной подсказке, и ее полное текстовое описание.

Какие данные и как использует

Данные на входе

Патент фокусируется на обработке уже сгенерированных результатов и подсказок.

• Мультимедиа факторы: Изображения и их миниатюры (thumbnails). Упоминается использование аспектных соотношений (aspect ratio) изображений для определения компоновки миниатюр в блоке QSG.
• Технические факторы: Идентификаторы ресурсов (URL) используются для сравнения наборов результатов и определения пересечений. Данные о домене/странице используются для расчета Diversity Measure.
• Системные данные: Ранжирование ресурсов (их порядковые позиции в выдаче) для исходного запроса и для подсказок. Эти данные критичны для определения Топ-M результатов.
• Поведенческие факторы (Косвенно): Query Logs и Selection Logs используются системой (Suggestion Generator) для генерации списка подсказок-кандидатов.

Какие метрики используются и как они считаются

• M (Глубина анализа): Количество топовых результатов, используемых для сравнения (например, Топ-20, Топ-40).
• Overlap Threshold (Порог пересечения): Предопределенный процент (predefined percentage). Рассчитывается как количество общих ресурсов в Топ-M для запроса и подсказки, деленное на M. Если результат достигает порога, подсказка отбрасывается.
• N (Количество ресурсов в превью): Количество ресурсов в Representative Resource Set (например, 3, 4 или 5). Может варьироваться в зависимости от доступного пространства и аспектных соотношений.
• Diversity Measure (Мера разнообразия): Используется для идентификации коллекций (Website Groupings). В патенте приводится пример расчета как соотношение J/K, где K — общее количество топовых результатов, а J — количество результатов из них, принадлежащих одному домену или странице. Если мера превышает порог, может быть создана Website Grouping.

Выводы

1. Приоритет разнообразия над количеством подсказок: Ключевой вывод заключается в том, что Google активно фильтрует поисковые подсказки (связанные запросы). Механизм Overlap Threshold гарантирует, что отображаемые подсказки предлагают пользователю реально новые результаты, а не перефразировку исходного запроса с той же выдачей.
2. Визуальный контекст для уточнения запроса: Система придает большое значение визуальному сопровождению подсказок (Representative Resource Set). Это позволяет пользователю оценить направление уточнения запроса до совершения клика, особенно в визуальном поиске.
3. Предпочтение нового контента в превью (Claim 3): Патент явно описывает механизм, при котором для визуального превью выбираются те ресурсы, которые отсутствуют в топе исходной выдачи. Это усиливает ценность подсказки для пользователя, показывая именно различия.
4. Улучшение UX через встроенный предпросмотр: Использование Query Suggestion Display Environment показывает стремление сократить необходимость навигации между страницами (pogo-sticking), позволяя пользователю «заглянуть» в результаты подсказки прямо на текущем SERP.
5. Идентификация авторитетных коллекций: Механизм Diversity Measure позволяет системе идентифицировать и специально оформлять подсказки, ведущие на доминирующие источники или коллекции контента (Website Groupings), что дает преимущество авторитетным сайтам в нише.

Практика

Best practices (это мы делаем)

• Расширение тематического покрытия (Topical Authority): Необходимо покрывать не только основной интент запроса, но и смежные фасеты и уточнения. Поскольку система фильтрует подсказки, чьи результаты слишком похожи на исходные (Overlap Threshold), наличие контента под отличающиеся, но связанные запросы увеличивает шансы на получение трафика через эти механизмы уточнения.
• Оптимизация изображений (Image SEO) и создание уникального визуального контента: Так как Query Suggestion Groupings активно используют визуальные превью, наличие качественных, релевантных и уникальных изображений критично. Система предпочитает показывать в превью ресурсы, которых нет в основной выдаче (Claim 3), поэтому уникальные изображения, четко отражающие суть уточненного запроса, имеют больше шансов быть выбранными для Representative Resource Set.
• Анализ существующих QSG: Регулярно изучайте, какие подсказки Google показывает по вашим основным запросам (особенно в Image Search). Это прямая индикация того, как Google сегментирует тему и какие направления считает достаточно разнообразными (прошедшими Overlap Threshold). Это данные для контент-стратегии.
• Формирование четких коллекций контента: Для сайтов с большим количеством контента (портфолио, e-commerce, медиа) структурирование контента в авторитетные коллекции может привести к формированию Website Grouping. Если ваш сайт доминирует в нишевом запросе (низкая Diversity Measure у конкурентов), Google может выделить вашу коллекцию в специальном формате.

Worst practices (это делать не надо)

• Фокус только на высокочастотных запросах: Игнорирование средне- и низкочастотных уточнений лишает сайт возможности участвовать в механизме Query Suggestion Groupings. Система ищет разнообразие, и если ваш контент отвечает только на общий запрос, он не будет использоваться для генерации отличающихся подсказок.
• Использование шаблонных или дублирующихся изображений: Использование одних и тех же изображений для разных страниц или использование популярных стоковых фото снижает вероятность их выбора для Representative Resource Set, так как они могут присутствовать в выдаче по основному запросу или у конкурентов.
• Создание контента, минимально отличающегося от основного интента (Near-Duplicate Content): Попытка ранжироваться по связанным запросам путем создания страниц, которые по сути дублируют контент основной страницы, неэффективна. Если результаты будут слишком похожи, подсказка будет отфильтрована из-за Overlap Threshold.

Стратегическое значение

Этот патент подтверждает, что Google рассматривает поиск как путешествие (Search Journey), а не как единичный акт «запрос-ответ». Система активно пытается направлять пользователя, предлагая ему только те пути, которые ведут к новому контенту. Для SEO это означает, что стратегия должна быть направлена на построение семантического кокона и охват всех стадий и направлений поиска в рамках темы. Также это подчеркивает возрастающую интеграцию вертикальных поисков (например, Image Search) с основным пользовательским интерфейсом и важность визуальной составляющей контента.

Практические примеры

Сценарий: Оптимизация сайта рецептов под запрос [Rhubarb] (из патента) в Image Search

1. Анализ: Пользователь ищет [Rhubarb]. Google генерирует подсказки: [Rhubarb Stalk], [Rhubarb Plant], [Rhubarb Leaves], [Rhubarb Garden].
2. Проверка Overlap: Google определяет, что результаты для [Rhubarb Plant] значительно отличаются от общего запроса [Rhubarb]. Overlap Threshold не достигнут. Подсказка [Rhubarb Recipes] может быть отброшена, если ее результаты слишком похожи на [Rhubarb].
3. Действия SEO-специалиста: Убедиться, что на сайте есть отдельная, хорошо оптимизированная страница или раздел про выращивание ревеня («Rhubarb Plant»).
4. Оптимизация изображений: Добавить уникальные высококачественные фотографии растения. Оптимизировать ALT-тексты, названия файлов и окружающий текст для этих фотографий под запрос [Rhubarb Plant]. Убедиться, что эти фото отличаются от фото блюд из ревеня.
5. Результат: Google формирует Query Suggestion Grouping для «Plant». Поскольку фотографии сайта ранжируются высоко по этому запросу и являются уникальными (не присутствуют в топе по общему запросу [Rhubarb]), они выбираются для Representative Resource Set. Пользователь видит превью растения в блоке подсказок и кликает на него.

Вопросы и ответы