Как Google использует графы уточнений запросов для бустинга документов и переписывания широких запросов

Описание

Какую задачу решает

Патент решает проблему обработки широких (broad queries) или неоднозначных запросов, для которых сложно определить конкретный интент. Кроме того, он предлагает механизм для улучшения ранжирования документов, у которых отсутствуют традиционные сигналы авторитетности, такие как входящие ссылки (inlinks) или история кликов. Это помогает релевантному контенту, включая свежие, короткоживущие (short-lived) или слабо связанные гиперссылками документы, занимать высокие позиции.

Что запатентовано

Запатентована система, которая строит Query Graph (Граф Запросов) на основе исторических данных об уточнениях запросов (query refinements). Система рассчитывает популярность запросов (Mass) и их соответствие документам (Match Score). Патент описывает два основных механизма: (1) Boosting (Корректировка ранжирования) – повышение документов, точно соответствующих популярным запросам; и (2) Query Mapping (Переписывание запросов) – замена широких запросов их доминирующими популярными уточнениями.

Как это работает

Система функционирует на основе анализа логов запросов:

• Построение Графа и Расчет Массы: Из логов строится System Query Graph, где запросы связаны отношениями родитель-потомок (уточнение). Рассчитывается Mass для каждого запроса, агрегирующая его популярность и популярность всех его уточнений.
• Механизм 1 (Boosting): Для документа рассчитывается, насколько хорошо его заголовок или метаданные соответствуют запросам в графе (Match Score). Mass и Match Score объединяются в Weight. Если запрос пользователя совпадает с запросом с высоким Weight для этого документа, ранг документа повышается с помощью Adjustment Factor.
• Механизм 2 (Query Mapping): Определяются доминирующие уточнения (с высокой Mass) для широких запросов, и создается Query Map. Когда пользователь вводит широкий запрос, система выполняет поиск по доминирующим уточнениям и объединяет результаты (merged result set).

Актуальность для SEO

Высокая. Анализ путей уточнения запросов и обработка широких запросов являются фундаментальными задачами современного поиска. Хотя конкретные формулы, описанные в патенте (приоритет 2009 г.), вероятно, уступили место нейросетевым подходам, базовые концепции — использование поведения пользователей для определения интента и бустинг релевантности на основе точного соответствия заголовков — остаются крайне актуальными.

Важность для SEO

Патент имеет высокое значение для SEO (8.5/10). Он описывает конкретные механизмы, подчеркивающие критическую важность точного соответствия заголовков (Titles) популярным формулировкам запросов. Он предлагает путь для ранжирования свежего контента без ссылок, если он идеально соответствует популярному интенту. Также он объясняет, как Google может алгоритмически переписывать широкие запросы, что требует стратегического фокуса на доминирующих под-интентах.

Детальный разбор

Термины и определения

Adjustment Factor (Коэффициент корректировки)

Значение, используемое для изменения (повышения или понижения) оценки ранжирования документа. Рассчитывается на основе Weight запроса и, возможно, Quality Score документа.

Count(Q) (Счетчик запроса)

Количество раз, когда конкретный запрос Q был отправлен пользователями.

Filtered Query Graph (Отфильтрованный граф запросов)

Граф запросов, специфичный для документа. Содержит только те запросы из System Query Graph, чей Weight превышает определенный порог. Используется для Механизма 1 (Boosting).

Mass (M(Q)) (Масса запроса)

Метрика популярности запроса Q. Рассчитывается как общее количество отправок запроса Q плюс количество отправок всех его потомков (уточнений) в Query Graph. Отражает популярность концепта.

Match Score (Sm(Q,D)) (Оценка соответствия)

Метрика (от 0.0 до 1.0), измеряющая корреляцию между запросом Q и частью документа D (например, заголовком или метаданными).

Query Graph (Граф запросов)

Направленный ациклический граф (DAG), где узлы — это запросы, а ребра — отношения родитель-потомок (уточнения).

Query Map (Карта запросов)

Набор значимых пар родитель-потомок, выбранных из System Query Graph на основе порогового соотношения Mass. Используется для Механизма 2 (Query Mapping).

Query Refinement (Уточнение запроса)

Запрос Q1 является уточнением Q, если Q1 содержит все термины Q и хотя бы один дополнительный термин. Может также учитываться временная близость в рамках сессии.

Quality Score (Оценка качества)

Метрика, относящаяся к надежности (trustworthiness) источника документа. Может влиять на Adjustment Factor.

Weight (W(Q,D)) (Вес запроса)

Метрика, комбинирующая популярность запроса (Mass или Count) и его соответствие документу (Match Score). Определяет значимость запроса для конкретного документа.

Ключевые утверждения (Анализ Claims)

Патент описывает два основных механизма. Claim 1 фокусируется на Механизме 2 (Query Mapping), но включает расчеты, используемые и в Механизме 1 (Boosting).

Claim 1 (Независимый пункт): Описывает процесс Query Mapping.

1. Система строит Query Graph (иерархию уточнений).
2. Для запросов рассчитываются Mass, Match Score и Weight.
3. Выбираются пары родитель-потомок на основе Mass или Weight и порога.
4. Генерируется Query Map.
5. При получении текущего запроса система идентифицирует в Query Map дочерние запросы, чей родитель соответствует текущему запросу.
6. Ключевое действие: Система отправляет эти дочерние запросы (вместо исходного) в поисковую систему.
7. Предоставляется объединенный набор результатов (merged result set).

Claim 3 (Зависимый): Определяет формулу для Match Score (Sm(Q,D)).

Формула: $(Ct/Lq + Ct/Ld)/2$. Где Ct — количество общих терминов, Lq — длина запроса, Ld — длина части документа. Это среднее арифметическое, учитывающее и точность (Ct/Ld), и полноту (Ct/Lq) покрытия терминов.

Claims 4 и 5 (Зависимые): Определяют два способа расчета Weight (W(Q,D)).

• Claim 4: Простой расчет: Weight = Match Score * Mass.
• Claim 5: Рекурсивный расчет. Weight запроса Q = (Count(Q) * Match Score) + Сумма Весов всех потомков Q. Это позволяет агрегировать релевантность по всему поддереву уточнений.

Claim 7 (Зависимый): Описывает применение Механизма 1 (Boosting).

Ранжирование документа (как результата для одного из отправленных дочерних запросов) корректируется на основе рассчитанного Weight соответствующего запроса в Query Graph.

Где и как применяется

Патент затрагивает несколько этапов поиска, используя офлайн-вычисления для подготовки данных, применяемых онлайн.

Общие процессы (Офлайн):

• QUNDERSTANDING (Анализ данных): Анализ логов запросов (Corpus of Queries) для построения System Query Graph и расчета Mass для всех запросов. Это фундаментальный процесс понимания взаимосвязей между запросами на основе поведения пользователей.

Механизм 1: Boosting (Корректировка Ранжирования)

• INDEXING (Индексирование): При анализе документа рассчитываются Match Score и Weight относительно запросов из графа. Создается и сохраняется Filtered Query Graph, ассоциированный с документом, и рассчитываются Adjustment Factors.
• RANKING / RERANKING (Ранжирование): Во время выполнения запроса, если запрос совпадает с узлом в Filtered Query Graph документа, применяется Adjustment Factor для изменения его Ranking Score.

Механизм 2: Query Mapping (Переписывание Запроса)

• QUNDERSTANDING (Офлайн): Создание Query Map путем выбора доминирующих уточнений (на основе соотношения Mass и порога Vt) из System Query Graph.
• QUNDERSTANDING (Онлайн): При получении широкого запроса система использует Query Map для его переписывания в набор дочерних запросов.
• METASEARCH (Метапоиск и Смешивание): Система выполняет поиск по нескольким дочерним запросам и объединяет результаты в единую выдачу (merged result set).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие (broad queries) и неоднозначные запросы, где существует несколько доминирующих направлений уточнения.
• Конкретные типы контента: Механизм 1 явно предназначен для помощи документам с малым количеством исторических сигналов (ссылок, кликов), например, свежему контенту (QDF) или документам, слабо связанным гиперссылками.
• Контентные факторы: Патент фокусируется на использовании заголовков (Titles) или метаданных (Metadata) документа для расчета Match Score, что значительно повышает их значимость как факторов ранжирования.

Когда применяется

• Механизм 1 (Boosting): Активируется, когда текущий запрос соответствует запросу в Filtered Query Graph документа. Это происходит только для запросов, прошедших порог фильтрации (имеющих достаточно высокий Weight относительно Mass).
• Механизм 2 (Query Mapping): Активируется, когда текущий запрос соответствует Родительскому запросу в Query Map. Это происходит, если существуют дочерние запросы, чья Mass превышает определенный процент (порог Vt) от Mass родителя (например, Vt=0.25).

Пошаговый алгоритм

Процесс А: Подготовка данных (Офлайн)

1. Сбор данных и Построение Графа: Накопление логов запросов. Построение System Query Graph на основе уточнений (родитель-потомок). Оптимизация графа (объединение узлов с одинаковыми терминами).
2. Расчет Массы: Для каждого запроса Q рассчитывается Mass(Q) рекурсивно: $M(Q) = Count(Q) + \sum M(Q_{child})$.
3. Создание Карты Запросов (Механизм 2): Выбор пар (Q, Q’), где Mass(Q’) > Mass(Q) * Vt (порог Vt). Сохранение в Query Map.

Процесс Б: Индексирование Документа (Механизм 1)

1. Расчет Соответствия: Для документа D и запросов Q рассчитывается Match Score (Sm(Q,D)) на основе заголовка/метаданных по формуле $(Ct/Lq + Ct/Ld)/2$.
2. Расчет Веса: Рассчитывается Weight (W(Q,D)), например, W = M(Q) * Sm(Q,D) или рекурсивно (Claim 5).
3. Фильтрация Графа: Создается Filtered Query Graph. Запросы, у которых Weight ниже порога (k), исключаются. Может использоваться формула фильтрации: S(Q,D) = W(Q,D)/M(Q) — k/N(Q).
4. Расчет Корректировки: Рассчитывается Adjustment Factor (на основе Weight и, возможно, Quality Score).
5. Сохранение: Ассоциация документа D с его Filtered Query Graph и факторами.

Процесс В: Обработка Запроса (Онлайн)

1. Получение Запроса Q_user.
2. Применение Query Mapping (Механизм 2): Поиск Q_user в Query Map. Если найден, заменить Q_user набором дочерних запросов {C1, C2…}.
3. Выполнение Поиска: Отправка запросов (исходного или дочерних) в поисковую систему. Получение базовых Ranking Scores.
4. Применение Boosting (Механизм 1): Для каждого документа D в результатах проверить его Filtered Query Graph. Если выполненный запрос совпадает с Q_match в графе, применить Adjustment Factor к Ranking Score документа D.
5. Объединение и Выдача: Объединение результатов (если было несколько запросов) в merged result set и сортировка по скорректированным оценкам.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Критически важные данные. Используются исторические логи запросов (Corpus of Queries) для построения Query Graph и определения уточнений. Используется количество отправок запросов (Count(Q)) для расчета Mass. Упоминается возможность использования данных о кликах вместо Count(Q).
• Контентные факторы: Используются специфические части документа для расчета Match Score. Патент явно указывает на заголовок (Title) документа или метаданные (Metadata).
• Факторы качества: Упоминается Quality Score (оценка надежности источника), который может использоваться при расчете Adjustment Factor.

Какие метрики используются и как они считаются

• Mass (M(Q)): Агрегированная популярность.
  Формула: $M(Q) = Count(Q) + \sum M(Q_i)$ (для всех потомков Qi).
• Match Score (Sm(Q,D)): Соответствие запроса и части документа.
  Формула: $Sm(Q,D) = (Ct/Lq + Ct/Ld)/2$.
• Weight (W(Q,D)): Значимость запроса для документа. Описаны два варианта:
  • Простой (Claim 4): $W(Q,D) = Sm(Q,D) * M(Q)$.
  • Рекурсивный (Claim 5): $W(Q,D) = Count(Q)*Sm(Q,D) + \sum W(Q_i, D)$.
• Filtering Score (S(Q,D)): Используется для создания Filtered Query Graph.
  Формула: $S(Q,D) = W(Q,D)/M(Q) — k/N(Q)$. (k — порог, N — количество дочерних запросов).

Выводы

1. Два отдельных механизма улучшения поиска: Патент четко разделяет (1) Boosting – повышение ранга документов, которые сильно соответствуют (Weight) популярным запросам (Mass); и (2) Query Mapping – переписывание широких запросов в их самые популярные уточнения на основе соотношения Mass и порога Vt.
2. Критическая важность Заголовков (Titles) и Метаданных: Механизм Boosting явно полагается на соответствие запроса конкретным частям документа (заголовку или метаданным) для расчета Match Score. Это подчеркивает важность точной оптимизации этих элементов под реальные запросы пользователей.
3. Популярность концепта (Mass) как сигнал ранжирования: Mass (совокупная популярность запроса и всех его уточнений) является ключевым компонентом. Чем популярнее концепт запроса, тем больший бустинг может получить документ, точно соответствующий ему.
4. Механизм для ранжирования без ссылок и кликов: Система специально разработана для помощи документам без традиционных сигналов (few inlinks/outlinks and a short click history). Если такой документ имеет высокий Match Score с высокочастотным запросом (High Mass), он может получить значительный бустинг.
5. Обработка фрагментации интента: Механизм Query Mapping напрямую решает проблему широких запросов, фокусируя поиск на наиболее вероятных и популярных специфических интентах, а не на буквальном значении широкого запроса.

Практика

Best practices (это мы делаем)

• Прецизионная оптимизация Titles и Metadata: Обеспечьте максимальное соответствие заголовков популярным формулировкам запросов. Используйте логику формулы Match Score: заголовок должен содержать максимум терминов из запроса (максимизация Ct/Lq), и в нем должно быть минимум лишних слов (максимизация Ct/Ld). Это критично для активации механизма Boosting.
• Глубокое исследование графа запросов (Query Refinements): Анализируйте паттерны уточнений, чтобы понять, как пользователи развивают свои запросы. Определите запросы с высокой Mass (популярные темы с множеством уточнений) и их доминирующие интенты.
• Создание контента под доминирующие уточнения: Для широких тем создавайте страницы, отвечающие на самые популярные уточнения. Это увеличивает шансы на получение трафика, если Google применит Query Mapping и перепишет широкий запрос в эти уточнения.
• Использование Topical Authority для покрытия графа: Стратегия охвата всего графа связанных запросов увеличивает вероятность получения выгоды от рекурсивного расчета Weight (Claim 5), так как документ будет релевантен как родительским, так и дочерним запросам.

Worst practices (это делать не надо)

• Использование расплывчатых, креативных или кликбейтных заголовков: Заголовки, не содержащие точных терминов из популярных запросов, получат низкий Match Score и не получат преимущества от механизма Boosting.
• Игнорирование паттернов уточнения: Фокус только на широких «Head» запросах без учета популярных уточнений. Если Google применит Query Mapping, вы можете потерять трафик в пользу конкурентов, оптимизированных под эти уточнения.
• Переспам в заголовках (Keyword Stuffing): Добавление лишних слов в заголовок увеличивает его длину (Ld). Согласно формуле Match Score $(Ct/Lq + Ct/Ld)/2$, это снижает итоговую оценку соответствия.

Стратегическое значение

Патент подтверждает, что Google активно использует исторические данные о поведении пользователей (паттерны запросов и уточнений) для влияния как на понимание запросов (Query Mapping), так и на ранжирование (Boosting). Он демонстрирует, что точное текстовое соответствие (особенно в заголовках) популярным запросам является мощным сигналом, который может компенсировать недостаток других факторов ранжирования (например, ссылок). Стратегия SEO должна включать анализ не только отдельных ключевых слов, но и всего графа запросов и путей пользователей в тематике.

Практические примеры

Сценарий 1: Бустинг новой страницы товара (Механизм 1)

1. Ситуация: Запускается новый продукт «Phone X Pro». Страница новая, ссылок нет. Анализ трендов показывает, что запрос «Phone X Pro характеристики» имеет высокую Mass.
2. Действие: Заголовок страницы устанавливается как «Phone X Pro: Характеристики, Цена и Обзор».
3. Расчет Match Score:
   • Запрос (Q): «Phone X Pro характеристики» (Lq=3).
   • Заголовок (D): «Phone X Pro: Характеристики, Цена и Обзор» (Ld=6).
   • Общие термины (Ct): 3.
   • Match Score: (3/3 + 3/6) / 2 = (1 + 0.5) / 2 = 0.75. Это высокий показатель.
4. Результат: Поскольку Match Score высок и Mass высока, рассчитывается высокий Weight. Страница получает значительный Adjustment Factor, что позволяет ей ранжироваться высоко, несмотря на отсутствие авторитетности.

Сценарий 2: Обработка широкого запроса (Механизм 2)

1. Ситуация: Пользователь вводит широкий запрос «Цифровые камеры».
2. Работа алгоритма: Система анализирует Query Map и обнаруживает два доминирующих потомка с высокой Mass, превышающих порог Vt: «Зеркальные камеры» (40%) и «Беззеркальные камеры» (35%).
3. Действие: Система выполняет поиск по запросам «Зеркальные камеры» и «Беззеркальные камеры» вместо исходного запроса.
4. Результат: Пользователь получает объединенную выдачу (merged result set) с лучшими результатами по этим двум конкретным категориям.

Вопросы и ответы