Как Google использует историю поведения и модели Маркова для персонализации показа и позиционирования рекламы

Описание

Какую задачу решает

Патент решает проблему неоптимального показа рекламы, когда стандартная система отображает одинаковое количество и позиции объявлений для всех пользователей по одному и тому же запросу, независимо от их индивидуальной склонности взаимодействовать с рекламой. Система улучшает пользовательский опыт и эффективность рекламы путем адаптации показа объявлений: более «коммерциализованным» пользователям (склонным к кликам) может быть показано больше рекламы на более выгодных позициях, а менее «коммерциализованным» — меньше.

Что запатентовано

Запатентована система и метод для динамической корректировки количества и позиционирования рекламных объявлений, показываемых пользователю, на основе его исторических паттернов поведения и порядка, в котором эти действия происходили. Ключевым элементом является использование Моделей Маркова (Markov Models) для анализа последовательности действий пользователя (запросы, клики) и предсказания его «коммерциализованности» (Commerciality). Эта оценка используется для модификации ранжирования и отображения рекламы в реальном времени.

Как это работает

Система анализирует историю пользователя (User History Data), включая прошлые запросы, клики по результатам и рекламе, время между действиями и конфигурацию показанной рекламы. Используя Модель Маркова, система генерирует последовательности этих событий. Для каждой последовательности из базы данных извлекается соответствующий Positioning Multiplier (множитель позиционирования), который отражает коммерциализованность пользователей с аналогичной историей. Перемножение этих множителей дает общий Overall Commerciality Score пользователя. Этот балл используется для корректировки стандартного прогнозируемого CTR (pCTR) объявлений, создавая user-dependent pCTR. Финальное ранжирование и позиция рекламы (например, продвижение в верхний блок) определяются на основе этого скорректированного CTR и пороговых значений.

Актуальность для SEO

Средняя. Хотя патент датирован 2012 годом (заявка 2008 г.), персонализация рекламы на основе поведения пользователя остается фундаментальной частью рекламной системы Google Ads. Методы машинного обучения, вероятно, эволюционировали за пределы описанных Моделей Маркова (например, в сторону нейронных сетей и трансформеров), но базовая концепция использования последовательных поведенческих данных для корректировки показа рекламы остается высокоактуальной.

Важность для SEO

Влияние на SEO (органическое продвижение) минимальное (Оценка 2/10). Патент полностью сосредоточен на системе показа платной рекламы (Google Ads). Он не описывает механизмы ранжирования органических результатов. Однако он дает ценное представление о том, как Google анализирует последовательности поведения пользователей и определяет их коммерческий интент (Commerciality) для целей рекламы. Понимание этих возможностей Google полезно для общей стратегии, но не дает прямых рекомендаций для SEO.

Детальный разбор

Термины и определения

Aggregate Model (Агрегатная модель)

Модель, которая использует агрегацию прошлых событий пользователя (например, последние 20 действий), но не учитывает порядок, в котором они произошли. Используется для расчета коммерциализованности.

Commerciality (Коммерциализованность)

Показатель, характеризующий восприимчивость пользователя к рекламе и коммерческим предложениям. Высокая коммерциализованность указывает на склонность пользователя кликать по рекламе.

Disabling Threshold (Порог отключения)

Минимальное значение прогнозируемого CTR (или другого показателя качества), необходимое для того, чтобы объявление было допущено к показу (например, в правом блоке).

Impression Type Data (Данные о типе показа)

Информация о конфигурации рекламы, показанной пользователю во время прошлого события (например, сколько было объявлений, были ли они сверху или справа).

Markov Model (MM) (Модель Маркова)

Статистическая модель, используемая для анализа последовательностей событий, где важен порядок. В патенте используется для предсказания вероятности клика на основе недавней упорядоченной истории действий пользователя.

Past User Events (Прошлые события пользователя)

Действия пользователя в ответ на отправленный запрос. Примеры: клик по органическому результату (query result selections), клик по рекламе сверху (Top Ad), клик по рекламе справа (RHS Ad), отсутствие кликов.

Positioning Data (Данные позиционирования)

Выходные данные системы, основанные на коммерциализованности пользователя. Определяют итоговое количество и расположение рекламы, которая будет показана пользователю.

Positioning Multiplier (Множитель позиционирования)

Числовое значение, присвоенное определенной последовательности (Sequence) пользовательских событий. Отражает коммерциализованность, связанную с этой последовательностью, на основе исторических данных других пользователей. Значение >1 указывает на коммерческого пользователя, <1 — на некоммерческого.

Promotion Threshold (Порог продвижения)

Минимальное значение прогнозируемого CTR (или комбинации CTR и ставки), необходимое для продвижения объявления на более выгодную позицию (например, из правого блока в верхний).

Sequences (Последовательности)

Упорядоченные наборы данных о прошлых событиях, сгенерированные в соответствии с Моделью Маркова. Например, последовательность E3 может быть представлена как (Событие 1) * (Событие 1 x Событие 2) * (Событие 1 x Событие 2 x Событие 3).

User History Data (Данные истории пользователя)

Набор данных о прошлых событиях пользователя, включающий сами события, порядок их возникновения, время между событиями (Time Data) и конфигурацию показанной рекламы (Impression Type Data).

User-dependent predicted CTR (Прогнозируемый CTR, зависимый от пользователя)

Итоговый прогнозируемый CTR объявления, полученный путем корректировки стандартного (независимого от пользователя) pCTR с помощью Overall Commerciality Score пользователя.

Ключевые утверждения (Анализ Claims)

Патент описывает систему персонализации показа рекламы.

Claim 1 (Независимый пункт): Описывает основной метод корректировки позиционирования рекламы на основе упорядоченной истории пользователя.

1. Система получает набор рекламных объявлений, упорядоченных в первом порядке (например, после стандартного аукциона).
2. Осуществляется доступ к данным истории пользователя (User History Data), которые включают прошлые события, их порядок и данные о конфигурации рекламы (Impression Type Data) для самого последнего события.
3. Конструируются последовательности (Sequences) данных. Первая последовательность включает последнее событие и его Impression Type Data. Каждая последующая последовательность включает данные предыдущей и добавляет следующее по порядку прошлое событие.
4. Генерируются данные позиционирования (Positioning Data) на основе этих последовательностей и порядка событий. Это включает определение произведения множителей позиционирования (Positioning Multipliers), где каждый множитель соответствует последовательности и представляет ее коммерциализованность (Commerciality).
5. Эти данные определяют изменения в первом порядке, создавая второй (финальный) порядок.
6. Реклама предоставляется пользователю во втором порядке.

Claim 8 (Зависимый от 1): Уточняет, что конструирование последовательностей основано на Модели Маркова (Markov Model), использующей прошлые события и их порядок.

Claim 9 и 10 (Зависимые от 1): Описывают применение механизма и результат корректировки.

У объявления есть первый (исходный) CTR. Этот CTR корректируется до второго (персонализированного) CTR на основе сгенерированных Positioning Data. Если первый CTR не превышал порог продвижения (Promotion Threshold), а второй CTR превысил его, то порядок объявления изменяется (оно продвигается).

Claim 17 (Независимый пункт): Описывает альтернативный метод, который комбинирует анализ последовательностей (где порядок важен) и агрегатный анализ (где порядок не важен).

1. Получение рекламы и доступ к истории (включая время и конфигурацию показов).
2. Конструирование последовательностей (как в Claim 1).
3. Генерация агрегированного набора данных истории пользователя (Aggregate user history data set), который определяет совокупность прошлых событий, но НЕ определяет их порядок.
4. Генерация Positioning Data на основе КАК сконструированных последовательностей (учитывающих порядок), ТАК И агрегированного набора (не учитывающего порядок). Это также включает расчет произведения Positioning Multipliers.
5. Предоставление рекламы в измененном порядке.

Где и как применяется

Изобретение применяется исключительно в рамках системы показа рекламы (Google Ads) и не затрагивает ранжирование органического поиска.

QUNDERSTANDING – Понимание Запросов

Система получает идентификатор пользователя вместе с запросом для извлечения его истории (User History Data).

RANKING – Ранжирование (Рекламный аукцион)

На этом этапе происходит стандартный рекламный аукцион. Модуль Ad Serving Module выбирает кандидатов, рассчитывает стандартные (независимые от пользователя) прогнозируемые CTR (pCTR) и проводит аукцион для определения исходного порядка объявлений.

RERANKING – Переранжирование (Персонализация рекламы)

Основное применение патента. Система Positioning System работает параллельно или после основного ранжирования рекламы.

1. Анализ истории: Извлекается история пользователя и генерируются последовательности событий (Sequences) с использованием Модели Маркова и/или Агрегатной модели.
2. Расчет коммерциализованности: Извлекаются Positioning Multipliers для этих последовательностей и рассчитывается общий балл коммерциализованности (Overall Commerciality Score).
3. Корректировка CTR: Исходные pCTR объявлений умножаются на балл коммерциализованности для получения user-dependent pCTR.
4. Применение порогов: Новый CTR сравнивается с порогами (Promotion Threshold, Disabling Threshold) для определения финального набора и позиций рекламы (например, продвижение в топ или удаление из выдачи).

METASEARCH – Метапоиск и Смешивание

Финальный набор персонализированной рекламы смешивается с органическими результатами для формирования итоговой страницы (SERP).

Входные данные:

• Идентификатор пользователя.
• Исходный набор упорядоченных рекламных объявлений с их стандартными pCTR.
• User History Data (события, время, порядок, конфигурация показов).
• Multiplier Data Store (база данных множителей позиционирования).

Выходные данные:

• Скорректированный набор рекламных объявлений с новыми позициями и user-dependent pCTR.

На что влияет

• Конкретные типы контента: Влияет исключительно на рекламные объявления (текстовые, графические и т.д.), показываемые в поисковой выдаче или на сайтах партнеров. Не влияет на органические результаты.
• Специфические запросы: Влияет на показ рекламы по всем типам запросов, где активирован рекламный аукцион.

Когда применяется

• Триггеры активации: Алгоритм активируется при обработке запроса на показ рекламы (Advertisement Request), если доступна история пользователя (User History Data).
• Временные рамки: Применяется в реальном времени во время рекламного аукциона и позиционирования.

Пошаговый алгоритм

Процесс обработки запроса на рекламу

1. Получение запроса и идентификация пользователя: Система получает запрос на рекламу и идентификатор пользователя.
2. Параллельная обработка: Процесс разделяется на стандартный аукцион и персонализацию.
3. Стандартный аукцион (Ad Serving Module):
   1. Выборка рекламных кандидатов по ключевым словам.
   2. Расчет стандартного (независимого от пользователя) pCTR.
   3. Проведение аукциона и генерация исходного упорядоченного списка рекламы.
4. Персонализация (Positioning System):
   1. Доступ к истории: Извлечение User History Data (последние N событий, их порядок, время, конфигурация показов).
   2. Генерация последовательностей: Использование Модели Маркова для создания упорядоченных последовательностей. Например, для модели на 3 событиях (e1, e2, e3) генерируются последовательности: e1; e1xe2; e1xe2xe3. Также могут генерироваться последовательности, включающие время (T3) и конфигурацию показов (M3). (Опционально: генерация данных из Агрегатной модели).
   3. Извлечение множителей: Доступ к Multiplier Data Store и выбор Positioning Multipliers, соответствующих каждой сгенерированной последовательности.
   4. Расчет коммерциализованности: Вычисление произведения всех выбранных множителей для получения Overall Commerciality Score.
5. Корректировка и Позиционирование (Positioning Module):
   1. Расчет User-dependent pCTR: Корректировка стандартного pCTR каждого объявления с использованием Overall Commerciality Score пользователя. (Например: Новый CTR = Стандартный CTR * Commerciality Score).
   2. Применение порогов: Сравнение нового CTR с Promotion Threshold (для повышения позиции) и Disabling Threshold (для удаления из показа).
   3. Переранжирование: Генерация финального набора и порядка рекламных объявлений.
6. Предоставление результатов: Отправка финального набора рекламы для отображения пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих данных для корректировки показа рекламы.

• Поведенческие факторы (User History Data): Критически важные данные. Включают:
  • Past User Events: Типы действий пользователя (клик по рекламе сверху/справа, клик по органике, отсутствие клика).
  • Порядок событий: Последовательность, в которой происходили действия.
  • Time Data: Время между событиями (например, длительность между запросами).
  • Impression Type Data: Конфигурация рекламы, показанной во время события (например, 3 объявления сверху, 8 справа).
• Пользовательские факторы: Идентификатор пользователя (например, cookie, IP-адрес, данные логина). Патент упоминает использование анонимизации (например, хеширования) для защиты конфиденциальности.
• Системные данные:
  • Стандартный прогнозируемый CTR (pCTR) рекламных объявлений (независимый от пользователя).
  • Ставки рекламодателей (Target Bids).

Какие метрики используются и как они считаются

• Positioning Multiplier (Множитель позиционирования): Извлекается из базы данных для конкретной последовательности событий. Основан на историческом анализе коммерциализованности пользователей с аналогичными паттернами.
• Overall Commerciality Score (Общий балл коммерциализованности): Рассчитывается как произведение всех применимых Positioning Multipliers, полученных из Модели Маркова (и, опционально, Агрегатной модели). Например, в уравнении 1 патента: MM = E3 * T3 * M3 * ET1 * EM1 * TM1 * ETM1 (где каждый компонент сам является произведением множителей для своих подпоследовательностей).
• User-dependent pCTR (Зависимый от пользователя pCTR): Рассчитывается путем корректировки стандартного pCTR с помощью Overall Commerciality Score.
• Promotion Threshold и Disabling Threshold: Предопределенные пороговые значения pCTR (или комбинации pCTR и ставки), используемые для принятия решений о повышении позиции или отключении показа рекламы.

Выводы

1. Патент относится исключительно к платной рекламе: Описанные механизмы применяются для оптимизации ранжирования и отображения рекламных объявлений (Google Ads). В патенте нет информации о применении этих методов для ранжирования органических результатов поиска.
2. Важность последовательности поведения: Google активно использует не просто факт совершения действий (например, клик по рекламе), а точную последовательность этих действий. Модели Маркова применяются для анализа упорядоченных паттернов поведения.
3. Определение «Коммерциализованности» пользователя: Система рассчитывает персональный балл Commerciality, который предсказывает вероятность того, что данный конкретный пользователь кликнет по рекламе, основываясь на его недавней истории.
4. Персонализация CTR: Стандартный прогнозируемый CTR объявления (pCTR) корректируется в реальном времени на основе Commerciality Score пользователя. Это напрямую влияет на результат аукциона и позицию объявления.
5. Динамическое изменение выдачи: Количество и расположение рекламы динамически меняется. Пользователям с высокой коммерциализованностью может быть показано больше рекламы на лучших позициях (если их персонализированный CTR превышает Promotion Threshold), а пользователям с низкой — меньше (если CTR падает ниже Disabling Threshold).
6. Комплексный анализ поведения: Система учитывает не только клики, но и время между действиями (Time Data) и контекст показа (Impression Type Data) для более точного профилирования пользователя.

Практика

Практическое применение в SEO

ВАЖНО: Патент описывает внутренние процессы системы Google Ads. Прямых рекомендаций для SEO (органического продвижения) он не содержит.

Best practices (это мы делаем)

Можно сделать следующие выводы для общего понимания работы Google:

• Понимание возможностей Google в анализе поведения: SEO-специалисты должны осознавать, что Google обладает сложными механизмами (такими как Модели Маркова или их современные аналоги) для анализа последовательности действий пользователя в реальном времени. Это подчеркивает важность анализа всего пути пользователя (User Journey), а не только отдельных сессий.
• Учет коммерческого интента (для PPC): Для специалистов по контекстной рекламе (PPC) патент подтверждает, что поведение пользователя напрямую влияет на показ и стоимость рекламы. Оптимизация кампаний должна учитывать, что система адаптируется под склонность пользователя к кликам.
• Анализ SERP с учетом персонализации рекламы: При анализе поисковой выдачи следует учитывать, что количество и расположение рекламных блоков может сильно варьироваться для разных пользователей в зависимости от их истории, что влияет на видимость органических результатов.

Worst practices (это делать не надо)

• Экстраполяция механизмов Ads на SEO: Ошибочно предполагать, что описанный расчет Commerciality Score или использование Моделей Маркова напрямую применяется для ранжирования органических результатов. Патент этого не утверждает.
• Игнорирование влияния рекламы на органический CTR: Недооценка того, что агрессивный показ рекламы (увеличение количества Top Ads) для «коммерческих» пользователей может снижать CTR органических результатов, даже если позиции сайта высоки.

Стратегическое значение

Стратегическое значение патента для SEO заключается в демонстрации технологических возможностей Google по глубокому анализу и интерпретации поведения пользователей. Он показывает, что Google рассматривает поведение как последовательность взаимосвязанных событий, а не как набор разрозненных фактов. Хотя этот конкретный патент применяется к рекламе, он подтверждает общий вектор развития поисковых систем в сторону поведенческого анализа и персонализации. Для долгосрочной SEO-стратегии это подчеркивает важность понимания пути пользователя и его намерений.

Практические примеры

Практических примеров применения для SEO нет, так как патент относится к системе Google Ads. Ниже приведен пример работы системы для PPC.

Сценарий: Персонализация показа рекламы для разных пользователей

1. Запрос: Два пользователя (A и Б) вводят одинаковый запрос «купить ноутбук».
2. Стандартный аукцион: Для объявления X рассчитывается стандартный pCTR 10%. Порог продвижения (Promotion Threshold) в верхний блок составляет 15%. Изначально объявление X попадает в правый блок (RHS).
3. Анализ Пользователя А (Низкая коммерциализованность): История пользователя А (запросы, отсутствие кликов по рекламе) анализируется Моделью Маркова. Произведение Positioning Multipliers дает Overall Commerciality Score = 0.5.
4. Результат для А: Новый pCTR = 10% * 0.5 = 5%. Объявление остается в правом блоке или может быть даже отключено, если 5% ниже Disabling Threshold.
5. Анализ Пользователя Б (Высокая коммерциализованность): История пользователя Б (недавние клики по рекламе) дает Overall Commerciality Score = 2.0.
6. Результат для Б: Новый pCTR = 10% * 2.0 = 20%. Новый CTR превышает Promotion Threshold (15%). Объявление X продвигается в верхний блок (Top Ad) для пользователя Б.

Вопросы и ответы