Как Google использует подсказки автозаполнения для показа рекламы во время ввода запроса (Partial Queries)

Описание

Какую задачу решает

Патент решает проблему показа релевантной рекламы в ответ на partial queries (частичные запросы) — текст, который пользователь вводит в реальном времени (например, в интерфейсах Search-as-you-type). Частичный ввод (например, несколько букв) часто неоднозначен и является слабым сигналом для таргетинга рекламы. Изобретение улучшает релевантность и монетизацию рекламы путем предсказания финального намерения пользователя.

Что запатентовано

Запатентована система, которая использует Query Suggestions (подсказки автозаполнения) в качестве основы для таргетинга рекламы, а не сам сырой частичный запрос. Система ранжирует эти предсказания по вероятности их выбора и их коммерческому потенциалу, а затем выбирает контекстуально связанное подмножество предсказаний для запуска рекламного аукциона.

Как это работает

Механизм работает следующим образом:

• Ввод пользователя: Пользователь вводит Partial Query.
• Генерация подсказок: Система поиска генерирует набор Query Suggestions.
• Ранжирование (в рекламной системе): Подсказки ранжируются на основе двух факторов: Selection Probability Score (вероятность выбора пользователем) и Commercial Value Score (коммерческая ценность).
• Выбор подмножества: Система выбирает сфокусированное подмножество (Proper Subset), состоящее из самой высокоранжированной подсказки и связанных с ней уточнений (revisions/refinements) или подсказок на ту же тему.
• Показ рекламы: Реклама отбирается для этого подмножества и показывается пользователю. Реклама может быть сгруппирована (clustered) и помечена соответствующими ярлыками.

Актуальность для SEO

Высокая. Механизмы автозаполнения и динамического показа рекламы в реальном времени являются стандартом. Тот факт, что этот патент является продолжением (continuation) старых заявок (с приоритетом от 2012 года) и был обновлен в 2023 году, указывает на сохраняющуюся актуальность технологии, даже если конкретные интерфейсы (как Google Instant) эволюционировали.

Важность для SEO

(3/10). Патент строго описывает работу Advertisement Management System (Google Ads) и не влияет на алгоритмы органического ранжирования. Однако он предоставляет значимый стратегический контекст для Senior SEO-специалистов, раскрывая, как Google технически обрабатывает, ранжирует по вероятности и кластеризует Query Suggestions (Автозаполнение). Понимание этих механизмов критически важно для продвинутого анализа интента.

Детальный разбор

Термины и определения

Advertisement Management System (Система управления рекламой)

Система (например, Google Ads), которая управляет аукционами и предоставляет рекламу.

Commercial Value Score (CVS) (Оценка коммерческой ценности)

Метрика, присваиваемая подсказке, указывающая на ее потенциал для монетизации. Основана на количестве доступных объявлений и их эффективности (CTR, конверсии).

Partial Query (Частичный запрос)

Ввод пользователя в поисковую строку до того, как запрос был явно отправлен (например, до нажатия Enter).

Proper Subset (Надлежащее подмножество)

Сфокусированная группа подсказок, выбранная для показа рекламы. Включает подсказку с наивысшим рейтингом и связанные с ней подсказки.

Query Suggestion (Поисковая подсказка / Автозаполнение)

Предлагаемый полный запрос, который система предсказывает на основе Partial Query.

Revision/Refinement (Уточнение)

Подсказка, которая является более конкретной версией другой подсказки (например, «New York City» для «New York»).

Selection Probability Score (Оценка вероятности выбора)

Вероятность того, что пользователь выберет конкретную Query Suggestion.

Similarity Measure (Мера схожести)

Метрика для определения того, насколько две подсказки связаны между собой (по теме или семантике). Может основываться на пересечении терминов (term overlap).

Ключевые утверждения (Анализ Claims)

Примечание: Данная публикация является продолжением (continuation), и пункты формулы 1-20 отменены (canceled). Анализ основан на Claim 21 и последующих.

Claim 21 (Независимый пункт): Описывает основной метод показа контента (рекламы) на основе частичных запросов.

1. Система получает запрос на рекламу, содержащий набор Query Suggestions, идентифицированных для Partial Query.
2. Система ранжирует эти подсказки, основываясь как минимум на двух факторах: (а) Вероятности выбора (Selection Probability Score) и (б) Коммерческой ценности (Commercial Value Score).
3. Система выбирает подмножество (Proper Subset). Оно включает самую высокоранжированную подсказку И одну или несколько других подсказок, которые являются либо ее уточнением (revision), либо относятся к той же теме (same topic).
4. Система идентифицирует рекламу для каждой подсказки из выбранного подмножества.
5. Система предоставляет эту рекламу устройству пользователя.

Ключевыми инновациями здесь являются двойное ранжирование (Вероятность + Прибыль) и выбор тематически когерентного подмножества, а не просто Топ-N разнообразных подсказок.

Claims 22, 23, 26 (Зависимые): Детализируют Commercial Value Score. Он основывается на количестве доступных объявлений и их эффективности (performance), а также может учитывать эффективность рекламы для связанных тем.

Claims 28, 29 (Зависимые): Детализируют определение связанности (same topic). Используется Similarity Measure (например, на основе term overlap). Если схожесть с высокоранжированной подсказкой превышает порог, подсказка считается связанной.

Claims 30, 31 (Зависимые): Описывают отображение. Реклама может быть представлена в кластерах (clusters), где каждый кластер соответствует отдельной подсказке и имеет соответствующую метку (label).

Где и как применяется

Изобретение функционирует на стыке понимания запросов и системы показа рекламы.

QUNDERSTANDING – Понимание Запросов
Query Suggestion System генерирует список Query Suggestions и рассчитывает Selection Probability Score в реальном времени. Также используются офлайн-процессы для предварительного расчета Commercial Value Scores.

METASEARCH – Метапоиск и Смешивание (Контекст Рекламы)
Основная логика патента реализуется в Advertisement Management System (AMS). AMS получает подсказки, выполняет двойное ранжирование, выбирает Proper Subset, проводит рекламный аукцион и возвращает рекламу для смешивания с интерфейсом пользователя.

Изобретение НЕ применяется на этапах CRAWLING, INDEXING или органического RANKING.

Входные данные:

• Partial Query.
• Набор Query Suggestions и их Selection Probability Scores.
• Commercial Value Scores (обычно из индекса).
• Campaign Data и Performance Data (для аукциона).

Выходные данные:

• Рекламные объявления, таргетированные на выбранное подмножество подсказок.

На что влияет

• Типы контента: Влияет исключительно на показ спонсируемого контента (рекламы). Не влияет на органическое ранжирование.
• Специфические запросы: Наибольшее влияние на короткие, неоднозначные запросы с коммерческим потенциалом, где существует множество вариантов автозаполнения.

Когда применяется

• Триггеры активации: Ввод символов пользователем в поисковую строку (создание/обновление partial query) в интерфейсах Search-as-you-type или Autocomplete с рекламой.
• Частота применения: В реальном времени, потенциально при каждом изменении частичного запроса.

Пошаговый алгоритм

Процесс А: Офлайн-подготовка

1. Расчет коммерческой ценности: Для набора подсказок рассчитывается Commercial Value Score на основе данных об эффективности рекламы.
2. Индексация: Оценки сохраняются в индексе для быстрого доступа.

Процесс Б: Обработка в реальном времени

1. Получение ввода: Пользователь вводит partial query.
2. Генерация подсказок: Query Suggestion System генерирует набор подсказок.
3. Запрос рекламы: Запрос отправляется в Advertisement Management System (AMS) с набором подсказок.
4. Двойное Ранжирование: AMS ранжирует подсказки, используя Selection Probability Score и Commercial Value Score.
5. Выбор подмножества (Subset Selection):
   1. Идентификация лидера (подсказка с наивысшим рангом).
   2. Расчет Similarity Measure для остальных подсказок по отношению к лидеру.
   3. Формирование Proper Subset из лидера и связанных подсказок (уточнений или той же темы), превышающих порог схожести.
6. Рекламный Аукцион: Проводятся аукционы для подсказок в выбранном подмножестве.
7. Доставка Рекламы: Идентифицированная реклама отправляется на устройство пользователя, возможно с инструкциями по кластеризации и маркировке.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Historical Data (история запросов и выборов пользователей) используется для расчета Selection Probability Score. Performance Data (CTR, конверсии рекламы) используется для расчета Commercial Value Score.
• Пользовательские факторы: Partial Query (ввод пользователя в реальном времени).
• Системные данные (Реклама): Campaign Data (ставки, ключевые слова), Query Index (предварительно рассчитанные CVS).

Какие метрики используются и как они считаются

• Selection Probability Score: Вероятность выбора подсказки. Рассчитывается на основе исторических данных о поведении пользователей.
• Commercial Value Score (CVS): Оценка потенциала монетизации. Рассчитывается на основе:
  • Количества доступных рекламных объявлений для подсказки.
  • Эффективности (Performance) этих объявлений (e.g., CTR).
  • Может также учитывать коммерческую ценность связанных запросов или уточнений.
• Similarity Measure: Мера близости между двумя подсказками. Используется для кластеризации. Может основываться на пересечении терминов (term overlap) или семантической близости.
• Пороги (Thresholds): Пороговое значение для Similarity Measure, необходимое для того, чтобы считать подсказки связанными.

Выводы

1. Строго о рекламе, но с инсайтами об Автозаполнении: Патент описывает исключительно Advertisement Management System и не влияет на органическое ранжирование. Однако он предоставляет техническое подтверждение того, как Google обрабатывает и кластеризует Query Suggestions.
2. Двойная цель оптимизации: Система балансирует между предсказанием намерения пользователя (Selection Probability Score) и максимизацией дохода (Commercial Value Score) при выборе рекламы для показа.
3. Приоритет тематической когерентности (Кластеризация интентов): Ключевой механизм (Proper Subset) гарантирует, что показанная реклама будет тематически сфокусирована вокруг доминирующего предсказанного интента, а не разбросана по разным темам.
4. Подсказки как прокси интента: В условиях неоднозначности ввода система полагается на предсказанные завершенные запросы как на более надежный сигнал о намерении пользователя.

Практика

ВАЖНО: Патент сфокусирован на Google Ads. Прямых рекомендаций для органического SEO нет. Практическая ценность для SEO-специалистов заключается в углубленном понимании механизмов работы Автозаполнения (Query Suggestions).

Best practices (это мы делаем)

• Продвинутый анализ Автозаполнения (Кластеризация): Анализируйте подсказки не как плоский список, а как кластеры интентов. Патент подтверждает, что Google технически группирует их по темам (same topic) и по степени уточнения (revisions/refinements). Используйте эту структуру при сборе семантического ядра и планировании контента.
• Определение доминирующего интента (Вероятность): Топовые подсказки отражают наивысшую Selection Probability Score. SEO-специалисты должны приоритизировать их как доминирующую интерпретацию потребности пользователя для данного частичного запроса.
• Оценка коммерческого ландшафта (Контекст CVS): Понимайте, что Google рассчитывает Commercial Value Score. Высокая рекламная активность вокруг определенных подсказок указывает на высокий CVS, что означает сильную конкуренцию за пространство SERP даже на этапе ввода запроса.

Worst practices (это делать не надо)

• Путать метрики Ads и SEO: Ошибочно предполагать, что Commercial Value Score влияет на органическое ранжирование. Это разные системы.
• Поверхностный анализ Автозаполнения: Игнорировать иерархию и кластеризацию подсказок, рассматривая их просто как список популярных запросов, является упущением при глубоком анализе семантики.

Стратегическое значение

Патент дает технический взгляд на инфраструктуру Query Suggestion System. Он подтверждает, что Автозаполнение — это сложная система, учитывающая вероятность, семантику и коммерческую ценность. Для Senior SEO-специалистов это подчеркивает стратегическую важность мастерства анализа Автозаполнения как самого раннего и надежного источника для понимания того, как Google интерпретирует намерения пользователей в реальном времени.

Практические примеры

Сценарий: SEO-анализ кластеризации Автозаполнения

1. Ввод (Partial Query): SEO-специалист вводит «best running».
2. Наблюдение (Suggestions): Появляются подсказки: «best running shoes», «best running shoes for women», «best running apps», «best running routes».
3. Интерпретация (на основе патента): Google рассчитывает Вероятность и CVS. Предположим, «best running shoes» — лидер. Система идентифицирует «best running shoes for women» как refinement (уточнение). «Apps» и «routes» могут быть классифицированы как same topic (бег) или как отдельные кластеры, в зависимости от порога Similarity Measure.
4. SEO-действие: Необходимо признать сильную кластеризацию вокруг темы «обувь». Комплексная контент-стратегия должна покрывать основной интент («shoes») и ключевое уточнение («for women»), чтобы достичь тематического авторитета, соответствующего этому предсказанному пути пользователя.

Вопросы и ответы