Как Google позволяет вебмастерам создавать собственные поисковые подсказки (Autocomplete) для внутреннего поиска по сайту

Описание

Какую задачу решает

Патент решает задачу повышения релевантности и точности поисковых подсказок (автодополнения), специфичных для контента и контекста конкретного веб-сайта. Стандартные сервисы подсказок могут не учитывать уникальную терминологию, структуру или бизнес-цели владельца сайта. Изобретение позволяет улучшить пользовательский опыт при использовании функции поиска по сайту (Site Search), предлагая пользователям кастомные подсказки, определенные самим вебмастером (Webmaster).

Что запатентовано

Запатентована система и метод для генерации и предоставления кастомных поисковых подсказок для конкретных веб-сайтов. Система получает от вебмастера данные (suggestion data), которые определяют связи между потенциальным вводом пользователя (первые n-grams) и желаемыми подсказками (вторые n-grams). Эти данные индексируются в ресурс подсказок (suggestion resource). Затем сайту предоставляется встраиваемый инструмент (suggestion tool), который запрашивает и отображает эти кастомные подсказки в реальном времени по мере ввода запроса пользователем.

Как это работает

Система работает в несколько этапов:

• Сбор данных: Вебмастер определяет кастомные подсказки и предоставляет их серверу подсказок (Suggestion Server) в структурированном формате (например, XML, JSON).
• Индексирование: Сервер обрабатывает эти данные, индексируя вводимые термины и связывая их с соответствующими подсказками, создавая suggestion resource.
• Предоставление инструмента: Вебмастер получает suggestion tool (например, JavaScript API) и устанавливает его на свой сайт.
• Взаимодействие в реальном времени: Когда пользователь вводит текст в поле поиска на сайте, инструмент отправляет введенные символы на Suggestion Server.
• Генерация подсказок: Сервер ищет в suggestion resource совпадения (используя методы автозаполнения, например, prefix matching) и возвращает кастомные подсказки, определенные вебмастером.
• Масштабирование и Изоляция: Система поддерживает множество сайтов, разделяя (partitioning) suggestion resource и используя уникальные идентификаторы для каждого сайта, чтобы гарантировать возврат подсказок только из соответствующего набора данных.

Актуальность для SEO

Средняя. Технология, описанная в патенте, является основой для продуктов типа Google Custom Search Engine (CSE / Programmable Search Engine) или Google Cloud Search, которые позволяют настраивать поиск и подсказки для конкретных сайтов. Хотя базовые принципы инфраструктуры остаются актуальными, он не отражает современные сложные NLP и ML подходы, используемые в основном поиске Google для генерации подсказок.

Важность для SEO

Влияние на органическое SEO минимальное (1/10). Патент не описывает алгоритмы ранжирования в основном поиске Google (Web Search). Он полностью сосредоточен на инфраструктуре для улучшения функции поиска внутри сторонних веб-сайтов. Для SEO-специалистов это важно с точки зрения улучшения пользовательского опыта (UX), навигации и конверсии на сайте (Site Search Optimization), но не оказывает прямого влияния на позиции сайта в глобальной выдаче Google.

Детальный разбор

Термины и определения

Custom Suggestions (Кастомные подсказки)

Поисковые подсказки, определенные вебмастером для конкретного сайта. Они представляют собой выбираемые альтернативы (selectable alternatives) для ввода пользователя.

First N-grams (Первые N-граммы)

Потенциальный ввод пользователя в поле поиска, для которого вебмастер хочет определить подсказки.

N-gram (N-грамма)

Последовательность из N последовательных токенов (например, символов или слов). Включает униграммы (1-gram), биграммы (2-gram) и т.д.

Second N-grams (Вторые N-граммы)

Кастомная подсказка (custom suggestion), ассоциированная с первой N-граммой.

Suggestion Data (Данные подсказок)

Структурированный набор данных (например, XML, JSON), предоставляемый вебмастером, содержащий первые и вторые N-граммы и связи между ними.

Suggestion Resource (Ресурс подсказок)

Индексированная структура данных (база данных), которая хранит Suggestion Data. Может быть разделена (partitioned) для обслуживания нескольких сайтов.

Suggestion Server (Сервер подсказок)

Система, которая генерирует Suggestion Resource и Suggestion Tool, а также обрабатывает запросы на подсказки в реальном времени.

Suggestion Tool (Инструмент подсказок)

Программное обеспечение (например, плагин, JavaScript API), предоставляемое сайту. Оно генерирует поле ввода поиска, принимает ввод пользователя и запрашивает подсказки у Suggestion Server.

Unique Identifier (Уникальный идентификатор)

Идентификатор (например, URL), используемый для определения источника запроса. Позволяет системе выбрать правильный раздел (partition) в Suggestion Resource, соответствующий данному сайту.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс создания системы кастомных подсказок для сайта.

1. Система получает первый набор suggestion data для первого сайта (первые n-grams как ввод и вторые n-grams как подсказки).
2. Генерируется suggestion resource путем индексирования первых n-grams и их ассоциирования со вторыми n-grams.
3. Suggestion resource сохраняется.
4. Первому сайту предоставляется search query suggestion tool, настроенный на создание поля поиска, прием ввода и запрос кастомных подсказок.

Claim 3 (Зависимый от 2): Уточняет временной аспект работы системы.

Подсказки генерируются по мере ввода символов (as characters are entered) в поле поиска и до того, как полный запрос отправлен на поиск. Это определение функции автозаполнения (autocomplete) в реальном времени.

Claim 4 (Зависимый от 1): Описывает масштабирование системы на несколько сайтов (Multi-tenancy) и изоляцию данных.

1. Система получает второй набор suggestion data для второго сайта.
2. Suggestion resource разделяется (partitioning) на первую и вторую части. Первая часть содержит данные первого сайта, вторая — данные второго сайта.
3. Второму сайту предоставляется search query suggestion tool.

Claim 6 (Зависимый от 5): Детализирует механизм изоляции данных с помощью идентификаторов.

1. Первая часть ресурса ассоциируется с первым идентификатором (ID1), вторая — со вторым (ID2).
2. Инструмент на первом сайте настроен включать ID1 в запрос. Инструмент на втором сайте — ID2.
3. При генерации подсказок система проверяет соответствие идентификатора в запросе и идентификатора части ресурса, и использует только соответствующую часть для генерации ответа. Это гарантирует, что сайт получит только свои кастомные подсказки.

Где и как применяется

Патент описывает инфраструктурную технологию, которая не является частью основного конвейера органического поиска Google. Это отдельный сервис (подобный Google Custom Search Engine) для обеспечения функциональности поиска по сайту.

INDEXING (В контексте сервиса подсказок)
Suggestion Server принимает Suggestion Data от вебмастеров. Data Processing Submodule парсит эти данные (XML, JSON и т.д.). Suggestion Submodule индексирует N-граммы и создает ассоциации, формируя Suggestion Resource. Данные индексируются с учетом уникального идентификатора сайта для обеспечения изоляции (partitioning).

QUNDERSTANDING / RANKING (В контексте сервиса подсказок)
Когда пользователь взаимодействует с Suggestion Tool на сайте, система в реальном времени обрабатывает ввод. Search Submodule использует методы автодополнения (например, prefix matching) для поиска соответствующих N-грамм в Suggestion Resource, ограничиваясь партицией для данного сайта. Найденные подсказки могут быть ранжированы (ranking) на основе данных от вебмастера или оценок релевантности (relevance scores).

Входные данные (Офлайн/Настройка):

• Suggestion Data от вебмастера (N-граммы, опционально ранги и свойства).
• Уникальный идентификатор сайта.

Входные данные (Реальное время):

• Ввод пользователя (Textual Input/query input).
• Уникальный идентификатор сайта (от Suggestion Tool).

Выходные данные:

• Suggestion Tool (плагин/API для сайта).
• Input Suggestions (список кастомных подсказок).

На что влияет

• Конкретные типы контента и ниши: Наиболее полезно для сайтов со сложной структурой, большим объемом контента или специфической терминологией (E-commerce, контентные порталы, базы знаний), где важно направить пользователя к правильной номенклатуре или разделу.
• Специфические запросы: Влияет исключительно на запросы, вводимые пользователями в поле внутреннего поиска на сайте. Не влияет на запросы в google.com.

Когда применяется

• Условия применения: Алгоритм применяется только если вебмастер настроил Suggestion Data и установил Suggestion Tool на свой сайт.
• Триггеры активации: Ввод пользователем символов в поле поиска, сгенерированное этим инструментом.
• Временные рамки: Обработка происходит в реальном времени по мере ввода символов пользователем.

Пошаговый алгоритм

Процесс А: Настройка и Индексирование (Офлайн)

1. Получение данных: Suggestion Server получает Suggestion Data от вебмастера для конкретного сайта (первые и вторые n-grams).
2. Парсинг: Data Processing Submodule парсит данные (например, XML, JSON) для идентификации N-грамм и их ассоциаций.
3. Генерация ресурса и Индексирование: Suggestion Submodule генерирует Suggestion Resource. Первые n-grams индексируются и связываются с соответствующими вторыми n-grams.
4. Изоляция данных (Партиционирование): Ресурс разделяется. Каждая часть ассоциируется с уникальным идентификатором сайта. Ключи индекса могут быть хэшем ввода и идентификатора сайта.
5. Хранение: Suggestion Resource сохраняется.
6. Генерация инструмента: Tool Generation Submodule генерирует Suggestion Tool (например, JavaScript API), включающий уникальный идентификатор сайта.
7. Предоставление инструмента: Suggestion Tool предоставляется вебмастеру для установки на сайт.

Процесс Б: Обработка запроса (Реальное время)

1. Ввод пользователя: Пользователь вводит символы в поле поиска на сайте.
2. Отправка запроса: Suggestion Tool отправляет запрос на Suggestion Server, содержащий введенный текст и уникальный идентификатор сайта.
3. Выбор раздела ресурса: Search Submodule использует уникальный идентификатор для выбора соответствующей части (partition) Suggestion Resource.
4. Идентификация совпадений: Search Submodule использует методы автозаполнения (например, prefix matching, midfix matching) для поиска первых n-grams в выбранном разделе, которые соответствуют вводу пользователя.
5. Извлечение подсказок: Идентифицируются вторые n-grams, ассоциированные с найденными первыми n-grams.
6. Фильтрация и Ранжирование (опционально): Подсказки могут фильтроваться по свойствам (properties) в зависимости от контекста страницы и ранжироваться на основе предопределенных рангов.
7. Ответ: Suggestion Server возвращает список подсказок инструменту Suggestion Tool для отображения пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на данных, предоставленных вебмастером, и на вводе пользователя в реальном времени. Стандартные SEO-факторы (ссылки, поведение и т.д.) не используются.

• Контентные факторы (Предоставленные вебмастером):
  • Первые N-граммы (First n-grams): Текстовые строки, представляющие ожидаемый ввод пользователя.
  • Вторые N-граммы (Second n-grams): Текстовые строки, представляющие желаемые подсказки.
  • Свойства/Иерархии (Properties/Hierarchies): Опциональные классификации для организации подсказок по категориям или контексту.
• Технические факторы:
  • Уникальный идентификатор (Unique ID): Идентификатор сайта (например, URL), используемый для изоляции данных.
  • Формат данных: XML, JSON, или protocol buffers.
• Пользовательские факторы:
  • Ввод пользователя (Query Input): Символы, вводимые пользователем в поле поиска в реальном времени.

Какие метрики используются и как они считаются

• Методы анализа текста: Используются стандартные техники автозаполнения для сопоставления ввода пользователя с индексированными первыми n-grams. Упоминаются prefix matching (совпадение префиксов), midfix matching (совпадение в середине), suffix matching (совпадение суффиксов).
• Ранжирование (Ranking): Упоминается возможность ранжирования подсказок. Ранги могут быть явно указаны вебмастером в Suggestion Data. Альтернативно, ранжирование может основываться на relevance scores (оценках релевантности). Конкретные формулы расчета не приводятся.
• Структурирование данных: Упоминается использование индексированных структур данных, row keys (ключей строк), которые могут быть сгенерированы с помощью хэширования, и protocol buffers для сериализации данных.

Выводы

Патент описывает внутренние процессы Google по созданию инфраструктуры для кастомного поиска по сайту и не содержит прямых рекомендаций для органического SEO.

1. Фокус на внутреннем поиске (Site Search), а не SEO: Изобретение описывает инфраструктуру для улучшения функциональности встраиваемых поисковых инструментов (например, Google CSE). Он не имеет отношения к алгоритмам ранжирования Google Web Search.
2. Полный контроль вебмастера над подсказками: Ключевая особенность — предоставление вебмастерам возможности напрямую определять (через Suggestion Data), какие подсказки должны отображаться в ответ на конкретный ввод.
3. Изоляция данных и масштабируемость (Multi-tenancy): Система разработана для обслуживания множества сайтов с использованием единого Suggestion Resource, разделенного на партиции с помощью уникальных идентификаторов (Unique ID). Это обеспечивает строгую изоляцию данных между сайтами.
4. Возможность контекстной настройки: Система поддерживает организацию подсказок по свойствам (properties), что позволяет показывать разные подсказки в разных разделах сайта для одного и того же ввода.
5. Работа в реальном времени: Механизм обеспечивает автодополнение по мере ввода символов пользователем.

Практика

Патент скорее инфраструктурный и описывает функциональность продукта (Site Search/CSE), а не алгоритмы органического поиска. Практические выводы для SEO минимальны, но есть важные выводы для улучшения UX и юзабилити сайта (Site Search Optimization).

Best practices (это мы делаем)

• Улучшение UX через Site Search: Если на сайте используется система поиска на базе технологий Google (например, CSE), активно используйте возможность кастомизации подсказок. Это улучшает навигацию, помогает пользователям находить нужный контент и может положительно влиять на поведенческие факторы и конверсию.
• Анализ логов поиска по сайту: Регулярно анализируйте, что пользователи ищут на вашем сайте. Используйте эти данные для формирования эффективных Suggestion Data, включая популярные запросы, синонимы и запросы с ошибками.
• Направление пользователей к приоритетному контенту: Используйте кастомные подсказки для направления пользователей к высококонверсионным или стратегически важным страницам. Определяйте вторые n-grams так, чтобы они вели на лучшие посадочные страницы.
• Контроль ранжирования подсказок: Если возможно, указывайте ранги (ranking) для контроля порядка подсказок, выводя наиболее важные выше.
• Использование контекстных подсказок (Properties): Для многопрофильных сайтов настраивайте контекстные подсказки, чтобы в разных разделах сайта предлагались наиболее релевантные альтернативы, используя свойства (properties).

Worst practices (это делать не надо)

• Игнорирование функционала Site Search: Не использовать возможности кастомизации поиска по сайту, полагаясь на стандартные алгоритмы, которые могут не понимать контекст вашего контента.
• Вводящие в заблуждение или устаревшие подсказки: Создание кастомных подсказок, которые ведут на нерелевантный контент или не обновляются при изменении структуры сайта. Это ухудшит UX и доверие пользователей.
• Путать подсказки Site Search и Google Search: Тратить ресурсы на попытки повлиять на подсказки основного поиска Google, основываясь на механизмах этого патента. Это разные системы.

Стратегическое значение

Стратегическое значение этого патента для SEO заключается в оптимизации пути пользователя внутри сайта. Хорошо настроенный поиск по сайту улучшает поведенческие метрики и повышает конверсию. Хотя это и не прямой фактор ранжирования в веб-поиске, улучшение UX является важной частью комплексной SEO-стратегии. Патент подтверждает техническое разделение между инфраструктурой основного индекса Google и продуктами для кастомного поиска.

Практические примеры

Сценарий: Оптимизация поиска по сайту для E-commerce (магазин электроники)

1. Анализ данных: SEO-специалист видит в логах поиска по сайту, что пользователи используют разные названия для популярного товара (например, «iPhone», «айфон», «яблочный телефон»).
2. Формирование Suggestion Data: Создается файл, где:
   • Первые n-grams (ввод): «iPh», «айф», «ябл».
   • Вторые n-grams (подсказки с ранжированием): «iPhone 15 Pro» (Ранг 1), «iPhone 15» (Ранг 2), «Аксессуары для iPhone» (Ранг 3).
3. Загрузка и интеграция: Данные загружаются в систему управления поиском (например, CSE), и на сайте активируется Suggestion Tool.
4. Результат: Когда пользователь начинает вводить «айф» в поле поиска на сайте, он сразу видит подсказку «iPhone 15 Pro» и может перейти непосредственно к нужному запросу, что ускоряет навигацию и повышает конверсию.

Сценарий: Контекстные подсказки (Properties) для новостного портала

1. Задача: На сайте есть разделы «Спорт» и «Финансы». Нужно, чтобы при вводе «акции» в разных разделах были разные подсказки.
2. Настройка свойств (Properties): В Suggestion Data подсказки классифицируются по свойствам: «Sport_Context» и «Finance_Context».
3. Интеграция: Suggestion Tool на страницах раздела «Спорт» настраивается на использование контекста «Sport_Context», а в разделе «Финансы» — «Finance_Context».
4. Результат: В разделе «Финансы» при вводе «акции» пользователь видит подсказки «Акции Газпрома», «Индекс ММВБ». В разделе «Спорт» при том же вводе он видит «Акция приведи друга в фитнес-клуб».

Вопросы и ответы