Как Google использует Dwell Time (время пребывания на странице) для измерения удовлетворенности пользователей и переранжирования результатов

Описание

Какую задачу решает

Патент решает проблему оценки фактической удовлетворенности пользователя после клика и устраняет проблему Presentation Bias (предвзятости представления). Presentation Bias возникает, когда пользователи кликают на результат из-за его высокой позиции или привлекательного сниппета, а не из-за релевантности контента. Изобретение использует продолжительность визита (Dwell Time или Viewing Length) как прокси-метрику качества и удовлетворенности.

Что запатентовано

Запатентована система, которая измеряет продолжительность просмотра документа после клика (Dwell Time) как неявную обратную связь (Implicit User Feedback). Система рассчитывает меру релевантности, основываясь на соотношении «длинных просмотров» (Longer Views) к «коротким просмотрам» (Shorter Views) или общему числу просмотров для конкретной пары Запрос-Документ. Эта метрика (называемая в описании LCIC click fraction) используется для модификации ранжирования.

Как это работает

Ключевой механизм работы системы:

• Отслеживание: Система фиксирует клики и время, проведенное пользователем на документе до возврата к выдаче.
• Взвешивание: Просмотры взвешиваются по продолжительности (длинные получают больший вес).
• Контекстуализация: Интерпретация времени корректируется с помощью Viewing Length Differentiators (например, тип запроса или пользователя).
• Расчет метрики: Вычисляется LCIC click fraction – соотношение взвешенных (длинных) кликов к общему числу кликов.
• Корректировка ранжирования: Метрика передается в Ranking Engine и преобразуется в коэффициент (например, IRBoost) для изменения исходных оценок ранжирования (IR scores).

Актуальность для SEO

Критически высокая. Хотя это продолжение (continuation) заявки с приоритетом от 2006 года, патент был выдан в конце 2023 года. Это указывает на активную поддержку и развитие механизма Google. Концепции Dwell Time, Long Clicks и Short Clicks являются фундаментальными для измерения удовлетворенности пользователей в современном поиске. В этой версии патента также явно упоминается применение к голосовому поиску (speech input) и аудиоконтенту (audio presentations).

Важность для SEO

Патент имеет критическое значение (10/10) для SEO. Он детально описывает механизм, подтверждающий, что удержание пользователя на странице и удовлетворение его интента являются прямыми сигналами ранжирования. Получения клика недостаточно. «Pogo-sticking» (короткие просмотры с быстрым возвратом в выдачу) негативно влияет на метрику LCIC и ведет к понижению позиций.

Детальный разбор

Термины и определения

Dwell Time / Viewing Length / Staytime (Время пребывания)

Время между кликом пользователя по результату поиска и моментом его возврата на страницу выдачи. Основной показатель для оценки удовлетворенности.

Implicit User Feedback (Неявная обратная связь пользователя)

Данные о поведении пользователей (клики, время просмотра), используемые как сигнал релевантности.

LCIC Click Fraction (Long Clicks/Clicks)

Ключевая метрика патента. Рассчитывается как отношение суммы взвешенных кликов (предпочтение отдается длинным) к общему числу кликов для пары Запрос-Документ.

Longer View / Long Click (Длинный просмотр)

Просмотр документа, продолжительность которого превышает определенный порог; интерпретируется как признак удовлетворенности.

Shorter View / Short Click (Короткий просмотр)

Просмотр документа с быстрой продолжительностью; интерпретируется как признак неудовлетворенности или «pogo-sticking».

Presentation Bias (Предвзятость представления)

Тенденция кликать на результат из-за его позиции или сниппета, а не из-за релевантности контента.

Viewing Length Differentiator (Дифференциатор длины просмотра)

Факторы, используемые для корректировки порогов времени просмотра. Включают категорию запроса (Query Category) и тип пользователя (User Type).

Weighted Clicks (#WC) (Взвешенные клики)

Клики, которым присвоен вес на основе их продолжительности.

IRBoost (Повышающий коэффициент ранжирования)

Коэффициент, полученный путем преобразования LCIC click fraction. Применяется к основному IR score документа.

Smoothing Factor (Сглаживающий фактор, S0, S1…)

Константы, добавляемые в формулы для уменьшения шума при малом количестве данных о кликах.

Ключевые утверждения (Анализ Claims)

Анализ основан на Claims патента US11816114B1 (публикация 2023 года).

Claim 1 (Независимый пункт): Описывает основную систему измерения удовлетворенности.

1. Система определяет Первое число (First Number), представляющее количество Longer Views документа по запросу.
2. Определяется Второе число (Second Number), представляющее количество Shorter Views.
3. Важно: Запросы могут включать речевой ввод (speech input), а просмотры включают аудио презентации (audio presentations). Длительность определяется относительно порогов.
4. Определяется мера релевантности на основе соотношения (ratio) между Первым и Вторым числами.
5. Эта мера передается в систему ранжирования.

Claim 3 (Зависимый): Детализирует процесс сбора и обработки.

1. Отслеживаются индивидуальные выборы.
2. Просмотры взвешиваются на основе длины просмотра (включая длину прослушивания аудио).
3. Взвешенные просмотры комбинируются для определения Первого числа.

Claim 7 (Зависимый): Уточняет механизм взвешивания.

Система использует дискретную функцию, классифицируя просмотры как минимум в три категории времени просмотра (например, короткий, средний, длинный) и назначает веса на основе этой классификации.

Claim 8, 9 и 10 (Зависимые): Вводят контекстуальную корректировку.

Взвешивание происходит в сочетании с Viewing Length Differentiator. Дифференциатор может зависеть от категории запроса (Claim 9) или типа пользователя (Claim 10). Это означает, что пороги времени для «длинного клика» динамичны и зависят от контекста.

Где и как применяется

Изобретение применяется на нескольких этапах поиска, используя поведенческие данные для корректировки финального рейтинга.

QUNDERSTANDING – Понимание Запросов
На этом этапе система классифицирует запрос (например, навигационный/информационный). Эта классификация используется как Viewing Length Differentiator для корректировки ожидаемого времени просмотра.

RANKING – Ранжирование / RERANKING – Переранжирование
Основное применение. Rank Modifier Engine рассчитывает LCIC click fraction на основе исторических данных о кликах. Эта фракция преобразуется в IRBoost, который применяется к базовым IR scores документов, что приводит к переранжированию.

Входные данные:

• Логи выбора результатов (Result selection logs): Запрос (Q), Документ (D), Время просмотра (T), Язык (L), Страна (C).
• Базовые IR scores.
• Viewing length differentiators (Категория запроса, Тип пользователя).

Выходные данные:

• Мера релевантности (LCIC click fraction).
• Повышающий коэффициент (IRBoost).

На что влияет

• Типы контента и форматы: Влияет на все типы контента. Особенно важно для информационного контента (статьи, лонгриды). Патент явно указывает на влияние на аудиоконтент и результаты голосового поиска.
• Специфические запросы: Влияние адаптируется к категории запроса. Для информационных запросов ожидается более длительное время просмотра, чем для навигационных.
• Конкретные ниши: Критично в нишах, требующих глубокого изучения материала (YMYL, образование), где ожидается длительное время пребывания.

Когда применяется

• Условия работы: Алгоритм применяется при наличии достаточного количества исторических данных о кликах для конкретной пары Запрос-Документ.
• Обработка неопределенности: Используются Smoothing Factors. Если данных мало, влияние алгоритма минимизируется до накопления достаточной статистики, что защищает от шума.
• Фильтрация спама: Система применяет меры защиты (анализ IP, Cookie, паттернов поведения) для удаления спама или аномального поведения пользователей из логов.

Пошаговый алгоритм

Этап 1: Сбор данных и Отслеживание

1. Tracking component отслеживает клики пользователя по результатам поиска.
2. Фиксируется время клика и время возврата на страницу выдачи (Dwell Time).
3. Данные сохраняются в логах (Q, D, T, L, C).

Этап 2: Классификация и Взвешивание

1. Определяются Viewing Length Differentiators (Категория запроса и Тип пользователя).
2. На основе дифференциаторов устанавливаются динамические пороговые значения времени для классификации просмотров (минимум три категории: короткий, средний, длинный).
3. Каждому просмотру присваивается вес на основе его классификации.

Этап 3: Расчет Метрики Релевантности (LCIC Fraction)

1. Суммируются взвешенные клики (#WC(Q,D)) — это «Первое число».
2. Подсчитывается общее количество кликов (#C(Q,D)) — это часть «Второго числа».
3. Вычисляется базовая LCIC_BASE фракция. Например: [#WC(Q,D)] / [#C(Q,D) + S0], где S0 – сглаживающий фактор.
4. Рассчитываются и комбинируются уточненные фракции для языка и страны (LCC_LANG, LCC_COUNTRY).

Этап 4: Трансформация и Применение

1. Финальная LCIC fraction преобразуется в повышающий коэффициент IRBoost с помощью функции трансформации (линейной, экспоненциальной и т.д.).
2. Во время ранжирования нового запроса, IRBoost применяется к базовому IR score документа.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Ключевые): Индивидуальные клики, время просмотра документа (Dwell Time), последовательность кликов (например, последний клик в сессии).
• Пользовательские и Географические факторы: Язык (L), Страна (C), IP-адрес, User Agent, Cookie. Используются для сегментации метрик, определения типа пользователя и обнаружения спама.
• Системные данные: Категория запроса (используется как Viewing Length Differentiator). Базовые IR scores.

Какие метрики используются и как они считаются

• #WC(Q,D) (Сумма взвешенных кликов): Агрегация весов всех кликов для пары Запрос-Документ.
• #C(Q,D) (Общее количество кликов): Общее число кликов для пары Запрос-Документ.
• LCIC Click Fraction: Основная мера релевантности. Пример базовой формулы:
  LCC_BASE = [#WC(Q,D)] / [#C(Q,D) + S0].
• Пороговые значения времени: Динамические значения, используемые для классификации кликов на короткие/средние/длинные. Корректируются на основе дифференциаторов.
• IRBoost: Коэффициент повышения ранга. Получается путем трансформации LCIC fraction. Патент приводит примеры функций:
  • Линейная форма: IRBoost = 1 + min(K, M * (max(0, LCIC — X)))
  • Экспоненциальная форма: IRBoost = 1 + M * (max(X, LCIC — Y))^N
  • Сигмоидальная форма: IRBoost = 1 + M / (1 + e^(X * (LCIC — 0.5)))

  (Где K, M, X, Y, N – константы).

Выводы

1. Удовлетворенность пользователя как сигнал ранжирования: Патент детально описывает, как время, проведенное пользователем на странице (Dwell Time), напрямую используется как показатель удовлетворенности и преобразуется в сигнал ранжирования (IRBoost).
2. Борьба с предвзятостью представления (Presentation Bias): Метрика LCIC fraction рассчитывается независимо для каждого документа, сравнивая длинные клики с общим числом кликов на этот же документ. Это снижает влияние позиции или сниппета.
3. Контекст имеет решающее значение (Дифференциаторы): Понятие «хорошего» времени пребывания динамично. Оно адаптируется в зависимости от типа запроса (навигационный, информационный) и типа пользователя, используя Viewing Length Differentiators.
4. Гранулированное взвешивание: Система использует не бинарную оценку, а взвешивание. Claims требуют использования как минимум трех категорий времени (короткий, средний, длинный клик).
5. Надежность данных и Сглаживание: Система включает механизмы фильтрации спама и использует Smoothing Factors для управления ситуациями с недостатком данных.
6. Актуальность для современных интерфейсов: Обновление патента в 2023 году явно включает голосовые запросы и аудиоконтент, подтверждая применение механизма ко всем формам взаимодействия.

Практика

Best practices (это мы делаем)

• Максимизация удовлетворенности интента: Сосредоточьтесь на полном ответе на запрос пользователя. Цель – сделать вашу страницу последним кликом в сессии (Last Click) и предотвратить возврат в выдачу («pogo-sticking»).
• Оптимизация вовлеченности и удержания: Улучшайте читабельность, структуру контента, используйте релевантные медиафайлы для увеличения времени пребывания на странице (Longer Views).
• Анализ интента для соответствия ожиданиям: Понимайте категорию запроса. Если запрос предполагает быстрый ответ, дайте его немедленно. Если запрос предполагает исследование, предоставьте глубокий контент. Соответствие ожиданиям по времени критично из-за Viewing Length Differentiators.
• Техническая оптимизация и UX: Улучшайте скорость загрузки (Core Web Vitals) и удобство использования. Медленная загрузка или плохой UX приводят к коротким просмотрам (Short Views) и снижают LCIC fraction.
• Оптимизация аудио и видео контента: Учитывая обновления патента, убедитесь, что аудио и видео контент также оптимизирован для удержания внимания (длительности прослушивания/просмотра).

Worst practices (это делать не надо)

• Использование кликбейта (Clickbait): Создание привлекательных сниппетов, не соответствующих содержанию. Это приведет к большому количеству коротких просмотров, что значительно понизит LCIC fraction.
• Создание поверхностного контента (Thin Content): Контент, который не удовлетворяет интент пользователя, провоцирует его вернуться в выдачу для поиска лучшего ответа.
• Игнорирование UX и плохое юзабилити: Навязчивая реклама, сложная навигация, плохая мобильная верстка – все это приводит к быстрым отказам.
• Попытки манипуляции кликами: Патент упоминает механизмы защиты от спама, анализирующие поведение пользователей для исключения мошеннических кликов.

Стратегическое значение

Этот патент подтверждает стратегическую важность User Experience Optimization (UXO) и качества контента в SEO. Успешная стратегия должна быть направлена на максимальное удовлетворение потребностей пользователя, а не только на соответствие техническим требованиям. Понимание того, как Google измеряет и интерпретирует поведение пользователей после клика (post-click behavior), является ключом к долгосрочному успеху.

Практические примеры

Сценарий: Адаптация порога времени для разных запросов (Viewing Length Differentiator)

1. Запрос А (Informational-Quick): «дата рождения Джорджа Вашингтона».
2. Запрос Б (Informational-Slow): «причины и последствия гражданской войны в США».
3. Работа системы: Google классифицирует запросы (Query Category).
4. Интерпретация Dwell Time:
   • Для Запроса А: Просмотр в 30 секунд может считаться Long View (пользователь нашел ответ).
   • Для Запроса Б: Просмотр в 30 секунд будет считаться Short View (пользователь не успел изучить тему и вернулся в поиск).
5. SEO-действие: Для страницы под Запрос А необходимо дать четкий ответ в первом экране. Для страницы под Запрос Б необходимо предоставить глубокий анализ и вовлекающий контент для удержания пользователя на несколько минут.

Вопросы и ответы