Как Google показывает недавно просмотренные изображения в результатах поиска по схожим запросам

Описание

Какую задачу решает

Патент решает задачу улучшения пользовательского опыта (UX) в поиске по изображениям. Он устраняет необходимость для пользователя повторно вводить предыдущие запросы или использовать навигацию браузера (например, кнопку «Назад»), чтобы вернуться к изображениям, которые его заинтересовали в рамках текущей или недавней поисковой сессии. Патент не направлен на устранение SEO-манипуляций.

Что запатентовано

Запатентована система персонализации результатов поиска изображений на основе недавней активности пользователя. Система отслеживает изображения, которые пользователь выбрал (кликнул) в ответ на первый запрос. При получении последующего (второго) запроса система оценивает его схожесть с первым. Если запросы достаточно похожи, система отображает результаты второго запроса вместе с ранее выбранными изображениями из первого запроса.

Как это работает

Механизм работает следующим образом:

• Отслеживание активности: Система регистрирует выбор пользователя (клики, наведение курсора) по результатам поиска изображений для первого запроса (Q1) и сохраняет эти данные.
• Получение нового запроса: Пользователь вводит второй запрос (Q2).
• Оценка схожести: Система вычисляет Similarity Score между Q1 и Q2, используя различные метрики (например, общие термины, синонимы или общие результаты).
• Персонализация выдачи: Если Similarity Score превышает заданный порог (Similarity Threshold), система отображает результаты для Q2 вместе с ранее выбранными изображениями из Q1, обычно в отдельном блоке («Recently Selected Images»).

Актуальность для SEO

Средняя. Персонализация на основе истории поиска и данных о взаимодействии является ключевым элементом современных поисковых систем. Хотя конкретная реализация пользовательского интерфейса (UI), описанная в патенте, может эволюционировать, базовая технология отслеживания взаимодействий и повторного показа релевантного контента остается актуальной.

Важность для SEO

Влияние на SEO минимальное (2/10). Патент описывает функцию пользовательского интерфейса (UI/UX) и механизм персонализации, а не алгоритм ранжирования. Он не влияет на то, как Google оценивает качество сайта или релевантность изображения для глобальной аудитории. Косвенное влияние может заключаться в изменении распределения CTR на странице выдачи, поскольку блок персонализации занимает место на экране.

Детальный разбор

Термины и определения

Query Log (Журнал запросов)

Хранилище данных, содержащее историю поисковых запросов пользователя. Используется для идентификации предыдущих запросов.

Query Refinement (Уточнение запроса)

Ситуация, когда второй запрос содержит все термины (или их эквиваленты) первого запроса. Рассматривается как один из критериев высокой схожести.

Recently Clicked Images Module (Модуль недавно выбранных изображений)

Компонент поисковой системы, отвечающий за взаимодействие с журналами поиска для идентификации и отображения ранее выбранных пользователем изображений.

Search Log (Журнал поиска/взаимодействий)

Хранилище данных, фиксирующее, какие результаты поиска были выбраны (кликнуты) пользователем. Эти данные связаны с соответствующими записями в Query Log.

Similarity Score (Показатель схожести, $S_1, S_2$)

Числовая метрика (обычно от 0 до 1), отражающая уровень схожести между двумя запросами. Может рассчитываться на основе общих результатов или общих терминов.

Similarity Threshold (Порог схожести)

Предопределенное значение, которое должен превысить Similarity Score, чтобы система активировала показ ранее выбранных изображений.

SOUNDEX

Фонетический алгоритм для индексации слов по их звучанию (акустическая схожесть). Используется для определения эквивалентности терминов при расчете схожести запросов (например, «sun» и «son»).

Ключевые утверждения (Анализ Claims)

Примечание: Claim 1 в данном патенте был отменен (canceled). Анализ основан на действующих Claims, начиная с Claim 2.

Claim 2 (Независимый пункт): Описывает основной процесс персонализации выдачи на основе схожести запросов.

1. Система получает поисковый запрос от пользователя (Q2).
2. Система идентифицирует другой поисковый запрос (Q1), который был получен от того же пользователя ранее.
3. Вычисляется Similarity Score, отражающий уровень схожести между Q1 и Q2.
4. Определяется, удовлетворяет ли Similarity Score предопределенному порогу схожести (Similarity Threshold).
5. Если порог удовлетворен, система определяет, что Q1 и Q2 похожи.
6. В ответ на это система предоставляет страницу результатов поиска (SERP), которая включает (i) результаты, идентифицированные для Q2, и (ii) результат поиска изображения, который был идентифицирован для Q1 и был ранее выбран пользователем.

Ядром изобретения является условная активация показа истории кликов, зависящая от вычисленной схожести между последовательными запросами пользователя.

Claims 4-5 (Зависимые): Детализируют расчет схожести на основе терминов.

Similarity Score определяется на основе количества общих поисковых терминов между Q1 и Q2. При подсчете учитываются термины, которые являются идентичными, синонимами или акустически похожими (например, с использованием SOUNDEX).

Claim 6 (Зависимый): Детализирует альтернативный расчет схожести.

Similarity Score определяется на основе количества общих результатов поиска изображений между Q1 и Q2.

Claim 7 (Зависимый): Описывает формат представления результатов.

Страница результатов поиска отображает результаты для Q2 в первой области (region) и ранее выбранные результаты из Q1 во второй области, отделенной от первой.

Где и как применяется

Изобретение применяется в рамках системы поиска по изображениям и затрагивает этапы понимания запроса и финального формирования выдачи.

QUNDERSTANDING – Понимание Запросов
На этом этапе происходит анализ текущего запроса (Q2) в контексте недавней истории пользователя (Q1). Система вычисляет Similarity Score между ними. Это требует анализа семантической, текстовой и фонетической (SOUNDEX) близости запросов.

RANKING – Ранжирование
Система выполняет стандартное ранжирование для получения результатов (R2), релевантных текущему запросу (Q2). Описанный механизм не вмешивается в этот процесс.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование (Персонализация)
Это основной этап применения патента. Если схожесть запросов превышает порог, Recently Clicked Images Module извлекает ранее выбранные изображения (S1) из Search Log. Затем эти изображения смешиваются (blending) с результатами R2 для формирования финальной SERP. Это добавление персонализированного блока, а не переранжирование основных результатов.

Входные данные:

• Текущий запрос пользователя (Q2).
• История недавних запросов пользователя (Query Log, включая Q1).
• Данные о кликах пользователя по изображениям (Search Log, включая S1).
• Similarity Threshold.

Выходные данные:

• Персонализированная страница результатов поиска (SERP), содержащая стандартные результаты (R2) и блок с недавно выбранными изображениями (S1).

На что влияет

• Конкретные типы контента: Влияет исключительно на результаты поиска изображений (Image Search Results), как указано в патенте.
• Специфические запросы: Наиболее вероятно применение к запросам, которые являются частью более длительной поисковой сессии, где пользователь исследует тему, сравнивает товары или уточняет запрос (Query Refinement).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Условие 1 (Активность): Пользователь ранее выполнил поиск (Q1) и выбрал (кликнул) одно или несколько изображений (S1). Система должна иметь возможность идентифицировать пользователя (через аккаунт, сессию или cookies).
• Условие 2 (Последовательность): Пользователь отправляет новый запрос (Q2) в течение определенного времени после Q1 (фокус на «недавно выбранных» изображениях).
• Триггер активации (Схожесть): Рассчитанный Similarity Score между Q1 и Q2 должен превышать Similarity Threshold.

Пошаговый алгоритм

Этап 1: Обработка первого запроса и сбор данных

1. Получение Q1: Система получает первый запрос от пользователя.
2. Предоставление R1: Система предоставляет результаты поиска изображений.
3. Сбор данных о выборе (S1): Пользователь выбирает (кликает или наводит курсор) одно или несколько изображений. Recently Clicked Images Module регистрирует этот выбор и сохраняет данные в Search Log, связывая их с пользователем и Q1 (в Query Log).

Этап 2: Обработка второго запроса и персонализация

4. Получение Q2: Система получает второй запрос от того же пользователя.
5. Идентификация Q1: Система идентифицирует предыдущий запрос Q1 в истории пользователя.
6. Вычисление схожести: Система рассчитывает Similarity Score между Q1 и Q2, используя один или несколько методов (текстовый, семантический, акустический анализ или сравнение результатов).
7. Проверка порога: Система сравнивает Similarity Score с Similarity Threshold.
   • Если НЕТ (не похожи): Предоставить стандартные результаты для Q2.
   • Если ДА (похожи): Перейти к шагу 8.
8. Получение R2 и Извлечение S1: Система получает стандартные результаты поиска для Q2 (R2) и извлекает ранее выбранные изображения S1 из Search Log.
9. Формирование SERP: Система формирует страницу результатов, объединяя R2 и S1. Они отображаются в разных областях страницы (например, «Результаты поиска» и «Недавно выбранные изображения»).

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и пользовательских данных для персонализации интерфейса.

• Поведенческие факторы: Ключевыми данными являются клики или иные способы выбора пользователя (user selections) результатов поиска изображений (Search Log). Также используется история недавних запросов (Query Log) для определения контекста.
• Пользовательские факторы: Необходима идентификация пользователя (через аккаунт, сессию или cookies) для связи текущего запроса с его историей взаимодействий.

Другие типы факторов (контентные, технические, ссылочные и т.д.) в данном патенте не упоминаются как входные данные для этого механизма.

Какие метрики используются и как они считаются

Ключевой метрикой является Similarity Score. Патент описывает несколько методов ее расчета:

• Схожесть на основе результатов ($S_1$): Рассчитывается как отношение количества общих уникальных результатов (C) к общему количеству уникальных результатов для обоих запросов (D).

  $S_1 = C/D$

• Схожесть на основе терминов ($S_2$): Рассчитывается как отношение количества общих уникальных терминов (X) к общему количеству уникальных терминов в обоих запросах (Y).

  $S_2 = X/Y$

• Модификаторы схожести терминов (для $S_2$): При расчете система может учитывать:
  • Синонимы: Термины считаются одинаковыми, если они являются синонимами (например, «water» и «H2O»).
  • Акустическая эквивалентность: Термины считаются одинаковыми, если они звучат похоже (используя алгоритм SOUNDEX).
• Уточнение запроса (Query Refinement): Запросы считаются похожими, если второй запрос является уточнением первого.
• Пороговые значения: Рассчитанный Similarity Score сравнивается с Similarity Threshold (например, 0.5) для принятия решения.

Выводы

Патент описывает внутренние процессы Google, связанные с улучшением пользовательского интерфейса и персонализацией, без прямых рекомендаций для SEO.

1. Персонализация интерфейса, а не ранжирования: Изобретение фокусируется на изменении состава SERP путем добавления персонализированного блока, основанного на недавнем поведении пользователя. Оно не описывает изменения в алгоритмах ранжирования основных результатов.
2. Зависимость от схожести запросов: Ключевым условием для активации механизма является высокая степень схожести (Similarity Score) между текущим и предыдущим запросами пользователя. Система не будет показывать недавно просмотренные изображения, если новый запрос тематически не связан с предыдущим.
3. Разнообразие метрик схожести: Google использует комплексный подход к определению схожести запросов, включая не только точное совпадение терминов, но и синонимы, акустическое сходство (SOUNDEX), а также анализ пересечения результатов выдачи.
4. Фокус на Image Search: Описанный механизм специфичен для поиска по изображениям.
5. Минимальное влияние на SEO: Поскольку механизм управляется поведением пользователя в реальном времени и зависит от его индивидуальной истории поиска, SEO-специалисты не могут напрямую оптимизировать контент под этот механизм.

Практика

Патент является инфраструктурным (UI/UX) и практически не дает выводов, которые можно применить в стандартной работе по SEO продвижению сайтов.

Best practices (это мы делаем)

• Оптимизация привлекательности изображений (Image Optimization for CTR): Единственная косвенная рекомендация заключается в важности визуальной привлекательности изображений и их миниатюр (thumbnails). Чтобы изображение попало в блок «Recently Selected Images», пользователь должен кликнуть на него в первый раз. Привлекательные изображения имеют более высокий CTR. Это улучшает видимость бренда и вовлеченность пользователя в рамках его поисковой сессии.
• Построение широкого семантического соответствия: Так как система оценивает схожесть запросов, важно, чтобы изображение и страница были релевантны широкому кластеру связанных запросов. Это увеличивает вероятность того, что изображение будет показано и кликнуто в различных контекстах, и, следовательно, повторно показано при смежных запросах.

Worst practices (это делать не надо)

• Использование кликбейтных или обманчивых миниатюр: Попытки манипулировать CTR с помощью нерелевантных изображений для попадания в историю пользователя. Хотя технически это может сработать для данного механизма, это противоречит общим рекомендациям Google, вредит пользовательскому опыту и репутации сайта.

Стратегическое значение

Патент подтверждает стратегический фокус Google на персонализации поисковой выдачи. Он демонстрирует, как Google активно использует данные о поведении пользователя в реальном времени (клики) и его недавнюю историю запросов для динамической модификации SERP. Для Senior SEO-специалистов это служит напоминанием о том, что SERP сильно зависит от контекста и истории конкретного пользователя, а не только от глобального ранжирования.

Практические примеры

Практических примеров для SEO нет, так как механизм полностью персонализирован. Ниже приведен пример работы функции с точки зрения пользователя.

Сценарий: Поиск товара с уточнением запроса

1. Первый запрос (Q1): Пользователь ищет «синий бархатный диван».
2. Взаимодействие: Пользователь просматривает выдачу и кликает на три понравившихся изображения диванов с разных сайтов. Система сохраняет эти клики (S1).
3. Второй запрос (Q2): Через некоторое время пользователь вводит уточненный запрос «синий бархатный угловой диван».
4. Анализ системы: Система определяет, что Q2 является уточнением (Query Refinement) Q1. Similarity Score высокая и превышает порог.
5. Результат: Google Images показывает результаты для Q2 в основном блоке. Одновременно в блоке «Recently Selected Images» отображаются те три дивана (S1), на которые пользователь кликал ранее.

Вопросы и ответы