Как Google использует контекст органической выдачи для диверсификации и ранжирования рекламы

Описание

Какую задачу решает

Патент решает проблему показа однообразных или нерелевантных рекламных объявлений в ответ на неоднозначные (ambiguous) поисковые запросы. Если запрос имеет несколько контекстов (например, «Jaguar» — автомобиль, животное, игра), стандартная рекламная система может сосредоточиться только на одном (например, самом прибыльном), игнорируя другие релевантные интенты пользователя. Это снижает эффективность рекламы и ухудшает пользовательский опыт.

Что запатентовано

Запатентована система для диверсификации тем рекламных объявлений. Ключевая идея — использовать органические результаты поиска (Search Results) как эталонный сигнал для определения релевантных контекстов запроса. Система кластеризует как рекламные объявления, так и органические результаты по темам, а затем переранжирует рекламу так, чтобы ее тематическое разнообразие лучше соответствовало разнообразию органической выдачи.

Как это работает

Система работает в несколько этапов:

• Сбор данных: Для запроса извлекаются ранжированные списки рекламных объявлений (First Content Items) и органических результатов (Second Content Items).
• Кластеризация: Оба набора данных независимо группируются в Context Clusters на основе их тем.
• Оценка кластеров: Для каждого кластера рассчитывается оценка (Cluster Score), которая зависит от рангов элементов внутри этого кластера (например, обратно пропорционально рангу).
• Комбинированная оценка: Для каждой темы система объединяет оценку рекламного кластера и оценку органического кластера, получая итоговый Context Score (или Third Score).
• Диверсификация и переранжирование: Исходный список рекламных объявлений корректируется на основе Context Scores. Система повышает объявления из тех контекстов, которые хорошо представлены в органической выдаче.

Актуальность для SEO

Средняя. Патент подан в 2007 году. Концепция диверсификации выдачи и обработки неоднозначных запросов остается критически важной для Google. Хотя конкретные технические методы кластеризации (упомянуты K-means, SVD) и оценки, вероятно, были заменены более современными ML-моделями, базовая логика использования сигналов из органического поиска для калибровки рекламной системы остается актуальной.

Важность для SEO

Влияние на SEO минимальное (2/10). Патент описывает исключительно внутренние процессы системы Google Ads, а не алгоритмы органического ранжирования. Он не дает прямых рекомендаций по оптимизации сайтов. Однако патент имеет важное стратегическое значение, так как подтверждает, что Google рассматривает органическую выдачу как «источник истины» (source of truth) для определения контекстов и интентов запроса, используя ее для улучшения других систем.

Детальный разбор

Термины и определения

First Content Items (Первые элементы контента)

Основной контент, ранжирование которого корректируется. В патенте это рекламные объявления (Advertisements).

Second Content Items (Вторые элементы контента)

Вторичный контент, используемый как сигнал для корректировки. В патенте это органические результаты поиска (Search Results) или контент веб-страницы.

Context (Контекст / Тема / Топик)

Специфическое значение или интерпретация запроса (например, для «Blazer»: одежда, автомобиль, спорт).

Context Cluster / Group (Контекстный кластер / Группа)

Группа элементов контента (рекламы или органических результатов), объединенных общим контекстом.

Clustering Engine (Механизм кластеризации)

Компонент, отвечающий за группировку элементов контента в кластеры.

Scoring Engine (Механизм оценки)

Компонент, рассчитывающий оценки для элементов и кластеров.

Cluster Score (Оценка кластера)

Метрика значимости кластера. Рассчитывается на основе рангов элементов внутри кластера. First Score для рекламы, Second Score для органики.

Context Score / Third Score (Контекстная оценка / Третья оценка)

Итоговая комбинированная оценка для контекста. Рассчитывается путем объединения Cluster Score рекламы и органики для этого контекста.

Diversified Ranking (Диверсифицированное ранжирование)

Итоговое ранжирование рекламы, скорректированное для включения разных тематических контекстов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод диверсификации контента.

1. Идентификация первых групп (например, рекламных кластеров), сгруппированных по контексту.
2. Генерация первой оценки (First Score) для каждой первой группы.
3. Идентификация вторых групп (например, органических кластеров), сгруппированных по контексту.
4. Генерация второй оценки (Second Score) для каждой второй группы.
5. Идентификация соответствующих пар групп (с одинаковым контекстом).
6. Генерация третьих оценок (Third Score) для этих пар на основе первых и вторых оценок.
7. Корректировка ранжирования первых элементов контента (рекламы) на основе третьих оценок для создания diversified ranking.

Claim 6 и 7 (Зависимые от 1): Детализируют метод расчета оценок (First/Second Scores).

Оценки присваиваются каждому элементу контента. Эта оценка существенно обратно пропорциональна рангу элемента (substantially inversely proportional to a rank) — например, 1/Rank. Оценка группы рассчитывается путем сложения оценок элементов, входящих в эту группу.

Claim 17 (Независимый пункт): Описывает конкретную реализацию для рекламы и результатов поиска с деталями расчета.

1. Получение рекламы и результатов поиска с их рангами.
2. Маппинг рекламы и результатов поиска на соответствующие кластеры (advertisement clusters и search clusters).
3. Расчет оценок элементов (обратно пропорционально рангу) и расчет оценок кластеров путем суммирования.
4. Идентификация пар кластеров с одинаковым контекстом.
5. Генерация Context Score путем комбинирования оценок рекламного и поискового кластеров.
6. Создание диверсифицированного ранжирования рекламы на основе Context Score.

Где и как применяется

Важно понимать, что этот патент описывает работу Рекламной Системы (Advertisement System), а не основного органического поиска. Однако он использует результаты органического поиска как входные данные.

RANKING – Ранжирование (Органический поиск)
На этом этапе генерируется ранжированный список органических результатов (Second Content Items). Этот список и ранги элементов используются как входной сигнал для рекламной системы.

RANKING / RERANKING (Рекламная система)
Основное применение патента.

1. Первичное ранжирование рекламы: Рекламная система генерирует исходный список объявлений (First Content Items), ранжированных на основе аукциона (например, CPC * Quality Score).
2. Контекстуальный анализ: Clustering Engine анализирует и кластеризует как рекламу, так и полученные органические результаты.
3. Диверсификация и Переранжирование: Scoring Engine рассчитывает Cluster Scores и Context Scores, и использует их для корректировки первичного ранжирования рекламы, чтобы обеспечить тематическое разнообразие.

Входные данные:

• Список ранжированных рекламных объявлений.
• Список ранжированных органических результатов поиска.
• Данные для определения контекста (тексты, лендинги).

Выходные данные:

• Диверсифицированный ранжированный список рекламных объявлений.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные (ambiguous) запросы, имеющие несколько различных контекстов или интентов (например, «Ягуар», «Apple», «Blazer»).
• Типы контента: Влияет исключительно на ранжирование и показ рекламных объявлений (Google Ads). Не влияет на ранжирование органических результатов.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система обнаруживает наличие нескольких различных контекстных кластеров в органической выдаче и/или в наборе рекламных кандидатов, что указывает на неоднозначность запроса.
• Условия применения: Применяется, когда исходное ранжирование рекламы (основанное только на аукционе) не отражает тематического разнообразия, наблюдаемого в органических результатах поиска.

Пошаговый алгоритм

Процесс диверсификации рекламной выдачи:

1. Идентификация контента: Получение списка рекламы (Ads) и органических результатов (SR) для запроса, с их исходными рангами.
2. Кластеризация рекламы: Группировка Ads в рекламные кластеры (Ad Clusters) по контексту/теме.
3. Оценка рекламы: Присвоение каждому Ad оценки (Advertisement Score), существенно обратно пропорциональной его рангу (например, 1/Rank).
4. Расчет оценок Ad кластеров (First Score): Суммирование Advertisement Scores внутри каждого кластера. Формула в патенте: C_AD_k = Σ (AD_i / i), где i — ранг.
5. Кластеризация органики: Группировка SR в поисковые кластеры (SR Clusters) по контексту.
6. Оценка органики: Присвоение каждому SR оценки (Search Score), обратно пропорциональной его рангу.
7. Расчет оценок SR кластеров (Second Score): Суммирование Search Scores внутри каждого кластера. Формула: C_SR_k = Σ (SR_j / j), где j — ранг.
8. Расчет Context Score (Third Score): Идентификация пар кластеров (Ad и SR) с одинаковым контекстом. Расчет Context Score путем комбинирования их оценок. Пример формулы: C_k_final = C_SR_k * C_AD_k. Патент также предлагает взвешенную формулу с использованием weight_search_results и weight_ads.
9. Диверсификация и Переранжирование: Модификация исходного ранжирования рекламы на основе Context Scores. Например, сохранение Топ-K позиций, а остальные позиции заполняются объявлениями из кластеров с высокими Context Scores, чтобы обеспечить разнообразие.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании рангов и контекстов.

• Системные данные (Ранги): Исходный ранг рекламного объявления (определенный аукционом) и исходный ранг органического результата. Это ключевые данные для расчета оценок.
• Контентные/Контекстные факторы: Данные, необходимые для определения контекста (темы) каждого элемента. Это может включать анализ текста объявления, контента целевой страницы (landing page) и текста органического результата/страницы. Упоминается, что кластеры могут быть вычислены классификатором страниц (page classifier).
• Пользовательские факторы (Опционально): В патенте упоминается возможность использования User Context (история поиска, посещенные веб-сайты, демография, местоположение) для дополнительной корректировки весов различных контекстов.

Какие метрики используются и как они считаются

• Оценка элемента (Ad Score / Search Score): Рассчитывается как величина, существенно обратно пропорциональная рангу элемента (substantially inversely proportional to a rank).
• Оценка кластера (Cluster Score / First/Second Score): Сумма оценок элементов внутри кластера. Используется для определения значимости данного топика в рамках одного типа контента.
• Контекстная оценка (Context Score / Third Score): Комбинация оценок рекламного и органического кластеров для одного контекста. Рассчитывается путем перемножения (простого или взвешенного). Веса (weights) могут настраиваться экспериментально для оптимизации CTR.
• Методы кластеризации: Упоминаются K-means и сингулярное разложение (SVD) как возможные техники для генерации кластеров.

Выводы

1. Патент не о SEO, но важен для понимания экосистемы: Патент описывает исключительно систему Google Ads. Он не описывает алгоритмы органического ранжирования и не дает прямых рекомендаций для SEO.
2. Органическая выдача как эталон контекста: Ключевой инсайт — Google использует органические результаты поиска как «источник истины» (source of truth) для понимания распределения контекстов и интентов запроса. Качество и состав органической выдачи используется для калибровки рекламной системы.
3. Подтверждение кластеризации органики: Патент явно демонстрирует способность Google анализировать SERP и группировать органические результаты в тематические или контекстные кластеры (Context Clusters).
4. Ранг определяет вес контекста: Значимость темы (Cluster Score) в органике напрямую зависит от рангов страниц этой темы. Чем выше ранжируются страницы, тем важнее считается контекст (благодаря формуле, обратно пропорциональной рангу).
5. Цель — диверсификация: Система активно стремится обеспечить разнообразие в рекламном блоке, соответствующее разнообразию в органическом поиске, особенно при неоднозначных запросах.

Практика

Best practices (это мы делаем)

Поскольку патент описывает инфраструктуру Google Ads, прямых рекомендаций для SEO нет. Однако можно извлечь важные стратегические инсайты:

• (Инсайт) Понимание кластеризации контента: SEO-специалисты должны понимать, что их страницы не только ранжируются, но и классифицируются в контекстные кластеры. Это подтверждает важность работы над Topical Authority и созданием контента с четким тематическим фокусом, чтобы облегчить системе правильную кластеризацию.
• (Инсайт) Важность высоких позиций для определения контекста: Чем выше ранжируется страница в органике, тем больший вклад она вносит в оценку своего контекстного кластера (Cluster Score). Доминирование в органике по определенной теме подтверждает важность этой темы для всей экосистемы Google, включая Ads.
• (Стратегия) Координация SEO и PPC: Патент демонстрирует техническую связь, где успех в SEO (высокие ранги в контексте) может влиять на видимость PPC в этом же контексте. SEO и PPC команды должны анализировать, какие контексты доминируют в органике. Сильный органический кластер (высокий SR Cluster Score) создает возможность для эффективного показа рекламы в этом же контексте.

Worst practices (это делать не надо)

Патент не выявляет неэффективных или опасных SEO-тактик, так как он не связан с манипуляциями органическим ранжированием или факторами ранжирования.

Стратегическое значение

Стратегическое значение патента заключается в подтверждении роли органического поиска как фундаментальной системы для понимания контента и интентов пользователей. Качество и тематическое распределение органической выдачи настолько важны, что они используются в качестве основного калибровочного сигнала для других систем Google. Это подчеркивает приоритет инвестиций в сильное органическое присутствие для влияния на общее восприятие контекста системой.

Практические примеры

Практических примеров для применения в SEO нет. Ниже приведен пример того, как работает описанная система и как SEO влияет на нее.

Сценарий: Влияние SEO на диверсификацию рекламы по запросу «Blazer»

1. Запрос: «Blazer».
2. Анализ органической выдачи (SR): Система анализирует Топ-10.
   • Кластер «Автомобили» (Chevrolet Blazer): 6 результатов. Высокий SR Cluster Score.
   • Кластер «Одежда» (Пиджак): 4 результата. Средний SR Cluster Score.
3. Анализ исходной рекламы (Ads): Исходный аукцион показывает только рекламу одежды, так как ставки выше.
   • Кластер «Автомобили»: Низкий Ad Cluster Score (объявления есть, но ранги низкие).
   • Кластер «Одежда»: Высокий Ad Cluster Score.
4. Расчет Context Score: Система комбинирует оценки.
   • Контекст «Автомобили»: Высокий SR Score * Низкий Ad Score = Средний Context Score.
   • Контекст «Одежда»: Средний SR Score * Высокий Ad Score = Высокий Context Score.
5. Диверсификация: Система видит, что контекст «Автомобили» очень важен в органике (Высокий SR Score), но слабо представлен в топе рекламы. Она повышает ранжирование рекламы автомобилей, чтобы финальный показ лучше соответствовал органической выдаче.
6. Роль SEO: Если SEO-команда автомобильного бренда добьется доминирования в органике (например, заняв Топ-5), это еще больше увеличит SR Cluster Score для «Автомобилей». Это, в свою очередь, повысит Context Score и улучшит видимость их контекстной рекламы, даже если их ставки ниже, чем у магазинов одежды.

Вопросы и ответы