Как Google определяет и ранжирует вертикали поиска (Web, Картинки, Новости) для Универсальной выдачи и ответов Ассистента

Описание

Какую задачу решает

Патент решает проблему неэффективности поиска в системах, где контент сегментирован по категориям (например, Веб, Новости, Картинки, Товары). Традиционный подход требовал от пользователя заранее выбрать категорию для поиска (например, нажать на вкладку «Новости»), что большинство пользователей игнорировало, выполняя поиск только в категории по умолчанию. Изобретение автоматизирует выбор и интеграцию наиболее релевантных категорий в ответ на запрос пользователя, улучшая пользовательский опыт без необходимости ручного выбора вертикали.

Что запатентовано

Запатентована система (в частности, применяемая для запросов, полученных через распознавание голоса от цифрового ассистента), которая выполняет поиск по запросу одновременно в нескольких категориях (document categories). Система определяет оценку релевантности (relevance score) для каждой категории в целом. Затем она генерирует единый ответ (выдачу), в котором результаты организованы по категориям, а порядок и заметность этих категорий определяются их оценками релевантности.

Как это работает

Механизм работает следующим образом:

• Получение запроса: Система получает запрос (в данном патенте акцент на голосовом вводе через цифрового ассистента).
• Мультикатегорийный поиск: Поисковый компонент (Search component) выполняет поиск одновременно по нескольким базам данных или индексам, соответствующим разным категориям (например, Новости, Товары, Изображения, Общий Веб).
• Ранжирование категорий: Компонент ранжирования (Ranking component) оценивает результаты из каждой категории и определяет общую релевантность всей категории для данного запроса.
• Генерация интерфейса: Компонент генерации интерфейса (Interface generation component) создает итоговый документ (SERP или ответ ассистента). Результаты группируются по категориям. Категории упорядочиваются на основе их релевантности. Более релевантные категории представляются более заметно (например, выше или с большим количеством результатов).

Актуальность для SEO

Критически высокая. Патент описывает базовую логику Universal Search (Универсального поиска или Blended Search), который является стандартом современной поисковой выдачи Google. Хотя оригинальная идея датируется 2003 годом, данный патент является продолжением (continuation), поданным в 2019 году, с обновленной формулой изобретения, которая специально охватывает обработку голосовых запросов через цифровых ассистентов (Google Assistant), что крайне актуально для текущего развития поиска.

Важность для SEO

Влияние на SEO — высокое (85/100). Этот патент описывает механизм, который решает, будет ли ваш контент конкурировать в основной веб-выдаче или в специализированной вертикали (Новости, Картинки, Товары), и насколько заметной будет эта вертикаль в SERP. Понимание того, как Google оценивает релевантность целых категорий для запроса, критически важно для стратегий, нацеленных на попадание в блоки Универсального поиска и оптимизации под голосовой поиск/ответы Ассистента.

Детальный разбор

Термины и определения

Categories / Document Categories (Категории документов)

Сегменты индекса или отдельные базы данных, содержащие документы определенного типа. Примеры в патенте: Sponsored links, News, Products, Discussion Groups, Images, General Web Documents. В SEO-терминологии часто называются «вертикалями поиска».

Classifier (Классификатор)

Автоматизированная система, которая определяет категорию входящего документа на основе его источника, содержания и/или структуры.

Digital Assistant (Цифровой ассистент)

Интерфейс для взаимодействия с пользователем, часто использующий голосовой ввод (например, Google Assistant). Упоминается в Claims как источник запроса.

Interface Generation Component (Компонент генерации интерфейса)

Система, которая формирует итоговый документ (например, веб-страницу SERP или ответ ассистента), организуя результаты из разных категорий на основе их ранжирования.

Ranking Component (Компонент ранжирования)

Система, которая определяет относительную релевантность списков результатов (и, соответственно, категорий) друг относительно друга.

Relevance Score (Оценка релевантности)

Метрика, присваиваемая категории ответов, указывающая на релевантность ответов этой категории данному поисковому запросу.

Search Component (Поисковый компонент)

Система, которая выполняет поиск по базам данных категорий и возвращает списки релевантных документов для каждой из них.

Universal Search (Универсальный поиск)

Концепция поиска, при которой результаты из разных категорий (вертикалей) объединяются в единую выдачу.

Ключевые утверждения (Анализ Claims)

Патент US11314822B2 является патентом-продолжением (continuation). Его описание (Description) во многом наследуется от более ранних версий (начиная с 2003 года), но Формула изобретения (Claims) обновлена и определяет текущий объем правовой защиты.

Claim 1 (Независимый пункт): Описывает метод обработки запроса, полученного специфическим образом.

1. Получение поискового запроса, основанного на распознавании голоса (voice recognition) из ввода пользователя, отправленного через цифрового ассистента (digital assistant).
2. Определение оценки релевантности (relevance score) для каждой отдельной категории ответов среди множества различных категорий. Оценка указывает на релевантность ответов, соответствующих данной категории.
3. Предоставление ответа на запрос, который включает:
   • Организацию представления вывода так, чтобы множество различных категорий предоставлялись в определенном порядке в соответствии с их relevance scores.
   • Включение в вывод для двух или более различных категорий поисковых результатов, которые релевантны этим категориям.

Ключевой момент: Запатентован метод смешивания (blending) результатов из разных вертикалей, ранжирования этих вертикалей и их упорядочивания в ответе, когда источником запроса является голосовой ввод через цифрового ассистента.

Claim 3 (Зависимый): Уточняет, как определяется relevance score для категории.

Определение оценки релевантности основывается, по крайней мере частично, на сравнении термина из поискового запроса с одним или более терминами, которые соответствуют данной категории.

Claim 4 (Зависимый): Уточняет формат вывода.

Вывод, указывающий на релевантную категорию ответов, предоставляется через динамик (т.е. озвучивается).

Claim 5 (Зависимый): Уточняет механизм идентификации категорий.

Каждая категория ответов идентифицируется путем применения поискового запроса к соответствующим базам данных документов, каждая из которых содержит ссылки на ресурсы, классифицированные как принадлежащие к определенной категории.

Claim 7 (Зависимый): Уточняет механизм выбора количества результатов.

Выбор количества поисковых результатов для каждой конкретной категории основывается на релевантности этой категории поисковому запросу.

Где и как применяется

Изобретение является ключевой частью архитектуры метапоиска, используя данные, подготовленные на этапах индексирования и ранжирования.

INDEXING – Индексирование и извлечение признаков
На этом этапе работает Classifier. Документы анализируются и присваиваются к одной или нескольким категориям (General Web Documents, News, Images и т.д.). Эти данные сохраняются в соответствующих индексах или базах данных.

RANKING – Ранжирование
Search Component запускает поиск параллельно по нескольким категориям. Для каждой категории генерируется список релевантных результатов, отсортированных по их внутренней релевантности запросу.

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Основной этап применения патента.

• Оценка категорий: Ranking Component анализирует результаты, полученные на этапе RANKING, и/или сам запрос, чтобы определить relevance score для каждой категории в целом.
• Смешивание (Blending): Interface Generation Component определяет, какие категории включить в финальную выдачу, в каком порядке и с каким количеством результатов, основываясь на relevance scores категорий.
• Формирование ответа: Система генерирует финальный ответ, который может быть визуальной SERP или озвученным ответом ассистента.

Входные данные:

• Поисковый запрос (полученный через распознавание голоса от цифрового ассистента).
• Индексы/базы данных для различных категорий документов.
• Списки результатов поиска от каждой категории.

Выходные данные:

• Единый ответ (документ/SERP/аудиоответ), содержащий результаты как минимум из двух разных категорий, организованные в соответствии с релевантностью этих категорий.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с неоднозначным интентом или запросы, для которых релевантный контент существует в нескольких вертикалях (например, запрос «Foo Fighters» релевантен для Новостей, Товаров, Картинок и Веба).
• Типы контента и форматы: Влияет на видимость специализированного контента (изображения, новости, товары) в основной выдаче. Определяет, какой тип контента будет доминировать в ответе.
• Интерфейсы: Согласно Claims, изобретение специфично для запросов, обрабатываемых через цифровых ассистентов с использованием голосового ввода.

Когда применяется

• Условия работы: Алгоритм применяется при обработке поискового запроса, когда система определяет, что релевантные результаты могут существовать более чем в одной категории.
• Триггеры активации: Активируется, когда Ranking Component присваивает достаточно высокие relevance scores нескольким категориям. Также может активироваться при наличии в запросе слов-индикаторов (например, слово «купить» может активировать категорию Products).

Пошаговый алгоритм

Процесс работы системы Универсального поиска:

1. Получение запроса: Система получает поисковый запрос от пользователя (например, через голосовой ввод цифровому ассистенту).
2. Мультикатегорийный поиск: Поисковый компонент выполняет поиск по запросу в нескольких категориях документов (например, Веб, Новости, Картинки).
3. Генерация списков результатов: Для каждой категории формируется список релевантных документов (или ссылок на них).
4. Ранжирование категорий: Компонент ранжирования анализирует полученные списки результатов и/или сам поисковый запрос для определения относительной релевантности каждой категории. Присваиваются relevance scores категориям.
5. Определение организации выдачи: Компонент генерации интерфейса определяет порядок и способ представления категорий на основе их relevance scores. Более релевантные категории представляются более заметно.
6. Выбор количества результатов: Определяется количество результатов, которое будет показано для каждой категории (может зависеть от релевантности категории).
7. Генерация ответа: Генерируется итоговый веб-документ (SERP) или ответ ассистента, включающий ссылки из нескольких категорий, организованные в соответствии с определенным порядком.
8. Возврат ответа: Сгенерированный ответ возвращается пользователю (визуально или через динамик).

Какие данные и как использует

Данные на входе

Патент не детализирует все возможные факторы, но упоминает следующие типы данных:

• Контентные факторы: Содержание документов в каждой категории используется для определения релевантности как отдельных документов, так и категории в целом.
• Структурные факторы: Структура документа может использоваться на этапе INDEXING для классификации документа в определенную категорию (например, Products, News).
• Пользовательские факторы: Запрос пользователя, включая специфические термины в нем. Ввод через цифрового ассистента и распознавание голоса (согласно Claims).

Какие метрики используются и как они считаются

Патент описывает метрики и методы на высоком уровне:

• Relevance Score (Оценка релевантности категории): Ключевая метрика, определяющая порядок и заметность категории в выдаче.
• Методы расчета Relevance Score: Патент предлагает два основных подхода:
  1. Анализ результатов (Bottom-up): Сравнение поискового запроса с содержанием документов, найденных в каждой категории. Ранжирование основывается на близости этого сравнения (насколько хороши топовые результаты в этой категории).
  2. Анализ запроса (Top-down): Поиск в запросе терминов, которые указывают на интерес к определенной категории. Например, слово «купить» (buy) в запросе может указывать на высокую релевантность категории Products.
• Организация выдачи: Заметность категории в финальном ответе коррелирует с ее Relevance Score. Это может выражаться в позиции блока категории и/или в количестве отображаемых результатов из этой категории.

Выводы

1. Основа Универсального Поиска (Blended Search): Патент описывает фундаментальный механизм того, как Google объединяет результаты из разных индексов (Веб, Картинки, Новости, Товары) в единую выдачу. Система не просто ищет документы, она ищет и ранжирует целые вертикали.
2. Ранжирование Категорий vs Ранжирование Документов: Внедряется дополнительный слой ранжирования — Relevance Score для категории. Это определяет, какая вертикаль поиска наиболее релевантна для запроса, и влияет на ее позицию и заметность в SERP.
3. Автоматический выбор вертикали: Система снимает с пользователя необходимость вручную выбирать вертикаль поиска, автоматически определяя наиболее подходящие источники контента для его интента.
4. Гибкость представления: Количество результатов, отображаемых для категории, зависит от ее релевантности. Высокорелевантные категории получают больше места в выдаче.
5. Специфичность для Ассистентов (Claims): Хотя описание носит общий характер, текущая формула изобретения (Claims) сфокусирована на применении этого механизма к голосовым запросам, обрабатываемым через цифровых ассистентов. Это подчеркивает важность оптимизации контента под разные вертикали для видимости в Google Assistant.
6. Определение Интента через Категории: Методы расчета Relevance Score (анализ запроса на наличие ключевых слов типа «купить» или анализ качества результатов в вертикали) показывают, как система пытается определить интент пользователя и сопоставить его с наиболее подходящим типом контента.

Практика

Best practices (это мы делаем)

• Оптимизация под Вертикали (Vertical Optimization): Необходимо создавать и оптимизировать контент для релевантных специализированных вертикалей (Images, News, Products, Video/Discussion Groups), а не только для General Web Documents. Если система определит, что для запроса вертикаль «Картинки» более релевантна, чем «Веб», блок картинок будет доминировать в выдаче.
• Использование слов-индикаторов интента: При создании контента следует учитывать, что наличие определенных слов (например, связанных с покупкой, обзором, новостями) может повысить Relevance Score соответствующей категории (Products, News) для данного запроса.
• Классификация контента: Помогать поисковой системе правильно классифицировать контент (на этапе INDEXING). Использование соответствующей разметки (Schema.org для NewsArticle, Product, VideoObject) и структуры сайта гарантирует, что контент попадет в нужную вертикаль и будет там корректно обработан.
• Оптимизация под Голосовой Поиск и Ассистентов: Учитывая специфику Claims этого патента, важно оптимизировать контент для видимости через Google Assistant. Это включает оптимизацию контента, который может быть озвучен (Claim 4), и обеспечение присутствия в тех вертикалях, которые Ассистент может использовать для формирования ответа.

Worst practices (это делать не надо)

• Игнорирование специализированных вертикалей: Фокусировка исключительно на традиционном SEO для веб-документов является проигрышной стратегией для запросов, где другие категории имеют более высокий Relevance Score.
• Неправильная классификация контента: Попытки манипулировать классификатором, чтобы попасть в нерелевантную вертикаль (например, маскировать рекламу под новость). Система оценивает релевантность контента внутри вертикали, и нерелевантный контент не получит высоких позиций.

Стратегическое значение

Патент подтверждает стратегию Google на создание единой точки входа для поиска информации любого типа (Universal Search). Для SEO это означает, что конкуренция происходит не только между отдельными веб-страницами, но и между типами контента. Долгосрочная стратегия должна включать анализ того, какие вертикали доминируют в целевых запросах, и создание конкурентоспособного контента именно в этих вертикалях. Также критически возрастает значение оптимизации под интерфейсы цифровых ассистентов, как указано в обновленных Claims.

Практические примеры

Сценарий: Оптимизация для Универсального Поиска по коммерческому запросу

1. Анализ запроса: Пользователь ищет «купить кроссовки Nike Air Max».
2. Действия системы (согласно патенту):
   • Система анализирует запрос и обнаруживает слово «купить». Это повышает Relevance Score для категории Products.
   • Система выполняет поиск в General Web, Images, Products.
   • Система сравнивает качество результатов. В категории Products много релевантных предложений.
   • Ranking Component присваивает Products наивысший Relevance Score.
3. Действия SEO-специалиста: Для максимальной видимости по этому запросу необходимо убедиться, что товары магазина присутствуют в вертикали Products (через Merchant Center или индексацию с разметкой Product).
4. Ожидаемый результат: В SERP блок Products (карусель товаров) будет показан на заметной позиции, возможно, выше стандартных веб-результатов, так как эта категория признана наиболее релевантной.

Сценарий: Видимость в Google Assistant для информационного запроса

1. Анализ запроса: Пользователь спрашивает Ассистента (голосовой ввод): «Последние новости о выборах».
2. Действия системы (согласно патенту):
   • Система распознает голос (Claim 1).
   • Анализ запроса повышает Relevance Score для категории News.
   • Система ранжирует категории, News получает приоритет.
   • Система формирует ответ, выбирая топовые результаты из News.
3. Действия SEO-специалиста: Для новостного сайта необходимо обеспечить быстрое попадание в индекс News (Sitemap для Новостей, разметка NewsArticle, соответствие требованиям Google News).
4. Ожидаемый результат: Ассистент озвучивает (Claim 4) заголовки последних новостей из оптимизированного источника.

Вопросы и ответы