Как Google использует иерархическую классификацию и анализ SERP для сопоставления запросов с мобильными приложениями

Описание

Какую задачу решает

Патент решает проблему неточности при сопоставлении поисковых запросов с релевантными мобильными приложениями (Apps). Традиционные методы, основанные исключительно на совпадении ключевых слов или названий приложений (application titles), могут давать сбои, если названия неоднозначны. Изобретение повышает точность подбора за счет использования семантических признаков и иерархической классификации, снижая зависимость от лексического сравнения и улучшая релевантность предложений приложений (например, в рекламе или результатах поиска).

Что запатентовано

Запатентована система, которая сопоставляет запросы с мобильными приложениями на основе иерархического тематического сходства. Система определяет набор признаков (set of features) для запроса, включая основную тему (main query topic) и подтему (query subtopic). Эти признаки сравниваются с иерархической классификацией приложения (hierarchical application classification), включающей категорию и подкатегорию. Это позволяет определить семантическую релевантность для показа информации о приложении.

Как это работает

Система использует несколько подходов:

• Генерация признаков запроса: Для понимания запроса система извлекает значимые термины (salient terms) из результатов поиска (SERP) по этому запросу и анализирует текст самого запроса (unigrams) (Claim 4).
• Офлайн-индексирование: Анализируются исторические запросы (stored queries). Если уровень сходства (level of similarity) между признаками запроса и классификацией приложения превышает порог, запрос индексируется как триггер для приложения.
• Сопоставление в реальном времени: При получении нового запроса система либо использует созданный индекс, либо в реальном времени определяет его тему/подтему и ищет приложения с соответствующей классификацией.

Актуальность для SEO

Высокая. Точное обнаружение приложений (App Discovery) и эффективность рекламы их установки (App Install Ads) критически важны. Кроме того, описанный механизм генерации признаков запроса через анализ SERP (Claim 4) является фундаментальным для современного понимания работы Query Understanding в Google.

Важность для SEO

Влияние патента значительно (65/100), но имеет двойственный характер. Для ASO (App Store Optimization) и рекламы приложений влияние критическое, так как патент описывает основной механизм сопоставления. Для традиционного веб-SEO прямое влияние низкое (патент не о ранжировании сайтов). Однако косвенное влияние высокое: патент детально раскрывает, как Google использует анализ ТОПа выдачи (salient terms из SERP) для классификации самого запроса. Это дает ключевой инсайт для SEO-стратегии по оптимизации контента под тематическую классификацию Google.

Детальный разбор

Термины и определения

Features (Признаки)

Набор данных, описывающих запрос или приложение. Для запроса включают Main Query Topic, Query Subtopic, Salient Terms и Unigrams.

Hierarchical Application Classification (Иерархическая классификация приложения)

Структурированное описание тематики приложения, включающее как минимум основную категорию (main application category) и подкатегорию (application sub-category). Пример: /Games/Puzzles.

Level of Similarity (Уровень сходства)

Метрика, определяющая степень совпадения между набором признаков запроса и иерархической классификацией приложения. Может рассчитываться как скалярное произведение (inner product) векторов признаков.

Query-to-Application Index (Индекс «Запрос-Приложение»)

Структура данных, созданная офлайн, которая связывает исторические запросы с конкретными приложениями.

Salient Terms (Значимые термины)

Важные тематические слова или фразы (n-граммы). Для запросов они извлекаются из результатов поиска (SERP) по этому запросу. Для приложений – из описания приложения или связанных веб-страниц.

Stored Query (Сохраненный запрос)

Запрос из истории поиска, который был проанализирован офлайн.

Unigrams (Униграммы)

Отдельные слова, полученные путем парсинга текста запроса или названия приложения.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый процесс сопоставления запроса и приложения в реальном времени.

1. Система имеет доступ к Hierarchical Application Classification (категория/подкатегория) приложения.
2. Система получает отправленный запрос (submitted query).
3. Система получает набор признаков (тема/подтема) для этого запроса.
4. Определяется, что классификация приложения включает тему и подтему запроса.
5. На основе этого система предоставляет информацию о приложении.

Claim 4 (Зависимый от 1): Критически важный пункт, описывающий механизм генерации признаков (тем) запроса.

1. Идентификация набора salient terms из результатов поиска (SERP), полученных с использованием этого запроса.
2. Парсинг запроса в набор unigrams.
3. Идентификация набора тем (признаков) для запроса на основе salient terms и unigrams.

Система понимает интент и тематику запроса, анализируя контент, который уже ранжируется по нему.

Claim 6 (Зависимый от 1): Описывает использование офлайн-индексации.

1. Система анализирует stored query и его признаки.
2. Рассчитывается level of similarity с классификацией приложения.
3. Если сходство превышает порог, сохраненный запрос индексируется как триггер для приложения.
4. При обработке входящего запроса (в реальном времени), определение релевантности может быть выполнено путем установления того, что входящий запрос совпадает с сохраненным запросом в индексе.

Claim 7 (Зависимый от 1, описан в патенте): Описывает механизм кластеризации.

1. Приложения группируются в Application Cluster на основе схожести классификаций.
2. Запрос сопоставляется с репрезентативной классификацией кластера.
3. Если сходство достаточное, система предоставляет информацию о приложениях из кластера.

Где и как применяется

Изобретение охватывает несколько этапов, особенно в контексте ASO и рекламы приложений.

INDEXING – Индексирование и извлечение признаков
(Офлайн-процессы):

• Классификация приложений: Определение Hierarchical Application Classification для каждого приложения.
• Кластеризация: Группировка приложений в Application Clusters.

QUNDERSTANDING – Понимание Запросов
(Офлайн-процессы):

• Анализ исторических запросов (Stored Queries).
• Извлечение признаков запросов (Процесс Г): Анализ SERP для извлечения Salient Terms и определение тем/подтем.
• Построение индекса: Расчет Level of Similarity и создание Query-to-Application Index.

(Процессы в реальном времени):

• Анализ входящего запроса (Submitted Query) и извлечение его признаков (используя Процесс Г, если запрос новый).

RANKING / METASEARCH – Ранжирование / Метапоиск и Смешивание
(Процессы в реальном времени):

• Идентификация релевантных приложений с использованием индекса, прямого сопоставления классификаций или кластеров.
• Выбор наилучшего приложения (highest matching score).
• Триггеринг: Предоставление информации о приложении (например, App Pack или реклама установки).

На что влияет

• Конкретные типы контента: Влияет на обнаружение мобильных приложений (ASO) и рекламу установки приложений.
• Специфические запросы: Запросы, по которым пользователь может искать приложение (тематические, функциональные или навигационные).
• Веб-контент (Косвенно): Влияет на то, как Google понимает тематику веб-контента, так как контент в SERP используется для классификации запросов (Claim 4).

Когда применяется

• Триггеры активации (Офлайн): Когда level of similarity между сохраненным запросом и приложением превышает specified threshold.
• Триггеры активации (Онлайн): При получении поискового запроса, если система может установить соответствие между тематикой запроса и классификацией приложения (через индекс или анализ в реальном времени).

Пошаговый алгоритм

Процесс А: Офлайн-индексирование

1. Доступ к данным: Получение stored query и его признаков; получение классификации приложения.
2. Определение схожести: Вычисление Level of Similarity. Может включать вычисление inner product векторов признаков (Salient Terms, Темы, Названия) с учетом весов.
3. Проверка порога: Сравнение сходства с specified threshold.
4. Индексирование: Если порог превышен, запрос индексируется как триггер для приложения в Query-to-Application Index.

Процесс Б: Обработка запроса в реальном времени

1. Получение запроса: Система получает submitted query.
2. Получение признаков: Система получает признаки запроса (тема/подтема). Если запрос новый, активируется Процесс В.
3. Идентификация кандидатов: Система ищет релевантные приложения через Query-to-Application Index, прямое сопоставление классификаций или через Application Clusters.
4. Выбор и представление: Выбор приложения с highest matching score и предоставление информации пользователю.

Процесс В: Генерация признаков запроса (Claim 4)

1. Анализ результатов поиска (SERP): Система анализирует результаты поиска, полученные по данному запросу.
2. Извлечение значимых терминов: Из контента результатов поиска извлекаются salient terms.
3. Парсинг запроса: Текст самого запроса разделяется на unigrams.
4. Определение тем: Система идентифицирует набор тем и подтем (Признаки запроса) на основе комбинации salient terms (из SERP) и unigrams (из запроса).

Какие данные и как использует

Данные на входе

Данные со стороны Приложения (ASO):

• Контентные факторы: Описание приложения (application description) и название (application title). Используются для извлечения salient terms и лексических признаков.
• Структурные факторы: Иерархическая классификация (Hierarchical Application Classification) — категории и подкатегории в магазине приложений.

Данные со стороны Запроса (SEO/QUnderstanding):

• Контентные факторы: Текст запроса (для unigrams).
• Внешние данные (SERP): Результаты поиска по запросу. Критически важны для извлечения salient terms и определения тематики запроса (Claim 4).
• Поведенческие факторы: Исторические логи запросов (stored queries).

Какие метрики используются и как они считаются

• Классы признаков (Feature Classes): Система использует взвешенную модель, включающую: Salient Terms, Topics/Subtopics (Иерархическая классификация), Lexical Features (Униграммы из названий/запросов).
• Level of Similarity (Уровень сходства): Общая метрика релевантности.
• Методы вычислений: Скалярное произведение (inner product) или подсчет пересечения (overlap) между векторами признаков запроса и приложения.
• Весовые коэффициенты и ML: Веса для разных классов признаков определяются путем обучения модели (упоминается linear regression model) на основе оценок релевантности, выставленных асессорами (human raters).
• Методы анализа текста (NLP): Извлечение Salient terms, парсинг в unigrams, классификация тем.

Выводы

1. Иерархическая классификация как основа сопоставления: Патент демонстрирует приоритет тематического и иерархического соответствия (Тема/Подтема vs Категория/Подкатегория) над простым совпадением ключевых слов для ASO и рекламы приложений.
2. Механизм Понимания Запросов через анализ SERP (Ключевой инсайт для SEO): Claim 4 раскрывает фундаментальный механизм Query Understanding: Google анализирует контент, который уже ранжируется в ТОПе (SERP), чтобы извлечь salient terms и определить тематическую классификацию самого запроса.
3. Многофакторная модель сходства: Релевантность определяется взвешенной комбинацией признаков (salient terms, темы, лексические совпадения), веса которых обучаются на основе человеческих оценок.
4. Гибридная система обработки: Система сочетает офлайн-индексирование (Query-to-Application Index) для скорости по частым запросам и анализ классификаций в реальном времени для обработки новых или редких запросов.
5. Кластеризация для масштабируемости: Использование Application Clusters позволяет эффективно сопоставлять запросы с группами схожих приложений.

Практика

Best practices (это мы делаем)

Для ASO (App Store Optimization) и Рекламы Приложений:

• Точная категоризация: Выбор максимально релевантной категории и подкатегории в Google Play/App Store критичен. Это формирует Hierarchical Application Classification, используемую для сопоставления с темами запросов.
• Оптимизация описания под Salient Terms: Создавайте четкие, тематически насыщенные описания. Это помогает системе извлекать релевантные Salient Terms и точнее классифицировать приложение, улучшая расчет Level of Similarity.

Для Веб-SEO (Использование инсайтов из Claim 4):

• Анализ SERP для определения классификации запроса: Тщательно анализируйте ТОП выдачи по целевым запросам. Поскольку Google использует salient terms из SERP для определения тем запроса, контент конкурентов показывает, как именно Google классифицирует этот интент.
• Оптимизация контента под Salient Terms: Убедитесь, что ваш контент содержит те значимые термины, сущности и покрывает те подтемы, которые доминируют в SERP. Это гарантирует, что ваша страница соответствует тематической классификации, определенной Google для данного запроса.

Worst practices (это делать не надо)

• Выбор неверной категории приложения (ASO): Попытка охватить больше трафика за счет нерелевантной категории приведет к низкому тематическому соответствию и ухудшит видимость по целевым запросам.
• Перенасыщение описания ключевыми словами (ASO): Keyword Stuffing неэффективен, так как система использует взвешенную модель и ориентируется на иерархическую классификацию и естественное использование salient terms.
• Игнорирование семантического контекста SERP (SEO): Создание контента, оптимизированного только под текст запроса, но игнорирующего salient terms и темы, присутствующие в ТОПе выдачи. Это приведет к несоответствию классификации запроса по версии Google.

Стратегическое значение

Патент подтверждает стратегический фокус Google на семантическом и иерархическом понимании контента и запросов. Для ASO это означает, что успех зависит от точной классификации и описания функциональности. Для SEO это подчеркивает, что понимание запроса системой формируется на основе уже существующего релевантного контента в индексе. Долгосрочная стратегия должна строиться на соответствии тематической структуре, выявленной через анализ SERP.

Практические примеры

Сценарий: Понимание запроса через анализ SERP (SEO и ASO)

1. Запрос пользователя: «лучшие приложения для трекинга калорий».
2. Анализ Google (Процесс В / Claim 4):
   • Google анализирует ТОП выдачи (SERP) по этому запросу.
   • Извлекаются Salient Terms из контента в ТОПе: «дневник питания», «база продуктов», «расчет БЖУ», «сканер штрихкодов», «интеграция с фитнес-браслетами».
   • Запрос классифицируется. Main Topic: Здоровье и Фитнес; Subtopic: Питание / Диета.
3. Применение в ASO: Приложение для трекинга калорий должно быть в соответствующей категории и содержать эти Salient Terms в описании, чтобы система сопоставила его с этим запросом.
4. Применение в SEO: Веб-страница (например, обзор приложений), нацеленная на этот запрос, должна включать эти Salient Terms и покрывать соответствующие подтемы, чтобы соответствовать классификации запроса, определенной Google.

Вопросы и ответы