Как Google использует CTR и динамическую калибровку оценок для определения позиции блока товаров в основной выдаче

Описание

Какую задачу решает

Патент решает фундаментальную проблему Универсального Поиска (Universal Search): как объективно сравнивать и объединять результаты из разных поисковых движков или индексов (вертикалей), которые используют несовместимые шкалы оценок ранжирования (scores). Конкретная задача — определить оптимальную позицию для вставки блока специализированных результатов (например, Товаров) в ранжированный список общих результатов (например, Веб-поиска), позволяя этой позиции динамически меняться («плавать»).

Что запатентовано

Запатентована система «плавающего ранжирования» (Floating Ranking) для интеграции результатов второй категории (например, Товары) в первую категорию (Веб-поиск). Суть изобретения заключается в двухэтапной нормализации оценок: сначала оценка второй категории корректируется множителем (часто на основе CTR), а затем преобразуется в шкалу первой категории с помощью динамических функций отображения (Mapping Functions).

Как это работает

Система работает на этапе смешивания результатов (Blending):

• Получение данных: Запрос отправляется параллельно в общий и продуктовый движки. Получаются два списка с разными шкалами оценок (General Scores и Product Scores).
• Корректировка (Adjustment): Исходный Product Score корректируется с помощью CTR Multiplier. Этот множитель рассчитывается на основе данных о кликабельности товара, формируя Adjusted Product Score.
• Отображение (Mapping): Система применяет Mapping Function для преобразования Adjusted Product Score в Final Product Score, находящийся в шкале General Scores. Функция динамически калибруется, используя фактические оценки топовых веб-результатов в текущей SERP.
• Вставка (Insertion): Final Product Score сравнивается с General Scores, и блок товаров вставляется на соответствующую позицию.

Актуальность для SEO

Высокая. Механизмы смешивания результатов (Universal Search Blending) являются основой современной поисковой выдачи Google. Динамическое определение позиций для вертикальных блоков (Товары, Новости, Картинки) критически важно. Описанные принципы калибровки оценок между индексами и использование CTR для корректировки позиций остаются актуальными.

Важность для SEO

Патент имеет высокое значение (8.5/10), особенно для E-commerce SEO. Он детально описывает механизм, определяющий видимость и позицию блока товаров в основной выдаче. Ключевой вывод: позиция блока напрямую зависит как от базовой релевантности (Product Score), так и от поведенческих факторов (CTR). Это подчеркивает критическую важность оптимизации товарных фидов и кликабельности сниппетов.

Детальный разбор

Термины и определения

Adjusted Product Score (Скорректированная оценка товара)

Промежуточная оценка, полученная путем модификации исходной Product Score с помощью множителя (например, CTR Multiplier).

CTR Information (Информация о CTR)

Данные о кликабельности (Click-Through Rate). Может включать скорректированный по видимости CTR (visibility adjusted CTR).

CTR Multiplier (Множитель CTR)

Коэффициент, рассчитываемый на основе CTR Information, используемый для повышения или понижения исходной Product Score.

Final Product Score (Финальная оценка товара)

Итоговая оценка, полученная после применения Mapping Function к Adjusted Product Score. Находится на той же шкале, что и General Scores.

Floating Ranking Component (Компонент плавающего ранжирования)

Система, отвечающая за корректировку оценок, их отображение и объединение результатов из разных поисковых движков.

General Score (Общая оценка)

Оценка релевантности/качества, присвоенная результату основного (например, веб) поиска.

Mapping Function (Функция отображения)

Функция (линейная или монотонно возрастающая), которая преобразует оценки из одной категории (Product) в шкалу оценок другой категории (General). Она динамически калибруется на основе распределения оценок в текущей выдаче.

Product Score (Оценка товара)

Исходная оценка релевантности/качества, присвоенная результату поиска специализированным движком (например, по товарам).

W1, W2, W5 и т.д.

Обозначения General Scores результатов, находящихся на конкретных позициях (1, 2, 5 и т.д.) в текущем списке общих результатов. Используются как динамические опорные точки для Mapping Functions.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод объединения результатов из двух разных категорий поиска (Категория 1 и Категория 2).

1. Система получает ранжированные списки из обеих категорий с их соответствующими оценками.
2. Система определяет финальную вторую оценку (Final Second Score) для результата из Категории 2. Этот процесс включает три ключевых шага:
   1. Определение значения множителя (multiplier value).
   2. Определение скорректированной второй оценки (adjusted second score) на основе множителя и исходной второй оценки.
   3. Определение финальной второй оценки с использованием функции отображения (mapping function) и скорректированной второй оценки. Функция отображает оценки Категории 2 на оценки Категории 1.
3. Информация о втором списке вставляется в позицию внутри первого списка на основе финальной второй оценки.

Ядро изобретения — это двухэтапный процесс нормализации: Корректировка (Adjustment) с помощью множителя, а затем Калибровка (Mapping).

Claim 7 (Зависимый от 1): Детализирует логику определения множителя на основе CTR и порогов.

1. Исходная вторая оценка (например, Product Score) сравнивается с первым порогом.
2. Если оценка ниже порога: Множитель устанавливается в 1 (CTR игнорируется).
3. Если оценка выше или равна порогу: Информация о CTR сравнивается со вторым порогом.
4. Если CTR ниже второго порога: Множитель определяется на основе Первой функции.
5. Если CTR выше или равен второму порогу: Множитель определяется на основе Второй функции (отличной от Первой).

Этот пункт защищает сложную логику использования CTR: он применяется только к достаточно качественным результатам и по-разному влияет на результаты с низким и высоким CTR.

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи при объединении результатов из разных индексов.

RANKING – Ранжирование
На этом этапе параллельно работают независимые движки (например, General Searching Component и Product Searching Component). Они генерируют исходные ранжированные списки с собственными оценками (General Scores и Product Scores).

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Это основной этап применения патента. Floating Ranking Component выполняет здесь всю работу:

1. Агрегация: Получает результаты и оценки от движков.
2. Корректировка (Adjustment): Рассчитывает CTR Multiplier и Adjusted Product Score.
3. Калибровка (Mapping): Выбирает и применяет Mapping Function для расчета Final Product Score. Это требует анализа текущих General Scores для определения опорных точек (W1, W5 и т.д.).
4. Смешивание (Blending): Вставляет блок товаров в список общих результатов на основе сравнения Final Product Score и General Scores.

Входные данные:

• Ранжированные списки общих и товарных результатов с их оценками.
• CTR Information для товарных результатов.

Выходные данные:

• Единый набор результатов поиска (Blended SERP), где блок товаров вставлен на динамически определенную позицию.

На что влияет

• Конкретные ниши или тематики: Наибольшее влияние на E-commerce. Хотя патент фокусируется на товарах, механизм применим к любой вертикали (Новости, Картинки, Карты).
• Специфические запросы: Коммерческие и транзакционные запросы, где намерение пользователя триггерит поиск по товарам.

Когда применяется

• Условия применения: Алгоритм активируется, когда поисковая система решает смешать результаты из разных категорий в ответ на запрос.
• Триггеры активации и пороговые значения:
  • Исходный Product Score должен быть достаточно высоким. Патент описывает Порог 3 (Threshold 3): если Product Score ниже, вставка результатов предотвращается (Block 820).
  • Корректировка по CTR применяется, только если Product Score выше Порога 1 (Threshold 1) и доступны данные CTR.

Пошаговый алгоритм

Детальный процесс плавающего ранжирования (на основе FIG. 5-8):

1. Получение данных: Система получает ранжированные списки General и Product Results с их оценками. Выбирается репрезентативный Product Score (например, лучшего товара).
2. Корректировка оценки товара (Adjustment) (FIG. 7):
   1. Проверка наличия CTR Information. Если нет, CTR Multiplier = 1.
   2. Если CTR есть, проверка Product Score по Порогу 1. Если ниже, CTR Multiplier = 1.
   3. Если выше Порога 1, проверка CTR по Порогу 2.
   4. Если CTR ниже Порога 2, расчет CTR Multiplier по Функции 1 (например, на основе арктангенса).
   5. Если CTR выше Порога 2, расчет CTR Multiplier по Функции 2.
   6. Расчет Adjusted Product Score = Product Score * CTR Multiplier.
3. Выбор функции отображения (Mapping Selection) (FIG. 8):
   1. Проверка исходного Product Score по Порогу 3. Если ниже, установить Final Product Score на низкое значение (вставка отменяется) и завершить процесс.
   2. Проверка исходного Product Score по Порогу 4.
   3. Если выше Порога 4 (высокое качество), выбрать Первую функцию отображения (агрессивное ранжирование).
   4. Если ниже Порога 4 (среднее качество), выбрать Вторую функцию отображения (консервативное ранжирование).
4. Динамическое отображение (Dynamic Mapping):
   1. Система анализирует текущие General Scores для определения опорных точек для выбранной функции. Например, для Первой функции определяются W5 и Avg(W1, W2).
   2. Применение выбранной функции отображения к Adjusted Product Score для получения Final Product Score.
5. Сравнение и вставка (Insertion): Final Product Score сравнивается с General Scores. Блок товаров вставляется в соответствующую позицию.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: CTR Information (информация о кликабельности) является ключевым фактором для корректировки оценки товарных результатов.
• Системные данные (Результаты ранжирования): General Scores и Product Scores, полученные от соответствующих поисковых движков.

Какие метрики используются и как они считаются

• CTR Multiplier: Рассчитывается на основе сложных условий (Пороги 1 и 2) и специфических функций (Функции 1 и 2). Патент предлагает использовать функции на основе арктангенса (atan), например: A + B*atan(C*(CTR-D)). Цель — создать монотонно возрастающую функцию, которая штрафует низкий CTR и поощряет высокий CTR.
• Adjusted Product Score: Рассчитывается как произведение: Product Score * CTR Multiplier.
• Mapping Functions (Функции отображения): Используются для калибровки оценок. Они определяются как отображение диапазона оценок товаров на диапазон общих оценок. Например: f1: [pscore1, pscore2] -> [W5, Avg(W1, W2)].
  • [pscore1, pscore2]: Диапазон оценок товаров, определяемый на основе исторических данных (например, перцентили).
  • [W5, Avg(W1, W2)]: Диапазон общих оценок, динамически определяемый в момент запроса на основе фактических оценок топовых результатов в текущей SERP.
• Thresholds (Пороги 1, 2, 3, 4): Предопределенные значения, используемые для принятия решений в алгоритме. Определяются на основе анализа исторических данных (например, перцентили распределения оценок).

Выводы

1. Динамическое позиционирование вертикалей (Floating Ranking): Позиция специализированных блоков (например, Товаров) не фиксирована. Она «плавает» и определяется в реальном времени, завися как от качества самих товаров, так и от силы общих результатов в конкретной SERP.
2. CTR как фактор ранжирования блока: CTR напрямую влияет на позицию всего блока. Высокий CTR приводит к расчету большего множителя (CTR Multiplier), что увеличивает Adjusted Product Score и повышает шансы на высокую позицию вставки.
3. Сложная логика и защитные механизмы применения CTR: Система не слепо доверяет CTR. Он учитывается только в том случае, если исходная релевантность (Product Score) достаточно высока (Порог 1). Это защищает от продвижения нерелевантных товаров с накрученным CTR.
4. Калибровка оценок между индексами (Cross-Corpus Calibration): Google использует сложные функции отображения (Mapping Functions) для перевода оценок из разных систем в единую шкалу. Эти функции адаптивны, так как используют фактические оценки текущей выдачи как опорные точки.
5. Пороги включения и агрессивности: Система использует несколько порогов для определения, включать ли блок вообще (Порог 3), и насколько агрессивно его ранжировать (Порог 4 определяет выбор функции отображения). Низкокачественные результаты подавляются.

Практика

Best practices (это мы делаем)

• Оптимизация товарных фидов (Повышение Product Score): Необходимо обеспечить высокое качество и полноту данных в фиде (например, Merchant Center), чтобы получить высокий базовый Product Score. Это необходимо для преодоления порогов включения (Порог 3) и активации учета CTR (Порог 1).
• Максимизация CTR товарных сниппетов: Это критически важно. Поскольку CTR Multiplier напрямую влияет на Adjusted Product Score, необходимо оптимизировать элементы листинга (изображения, заголовки, цены, отзывы) для максимальной кликабельности. Высокий CTR улучшает видимость блока в SERP.
• Тестирование элементов сниппета: Проводите A/B тесты различных вариантов изображений и заголовков товаров для выявления наиболее кликабельных вариантов, что позволит повысить CTR Multiplier.
• Анализ конкуренции в основной выдаче: Понимайте силу общих веб-результатов. Чем сильнее веб-результаты (выше General Scores), тем выше планка для вставки продуктового блока, так как Mapping Functions привязываются к этим высоким оценкам.

Worst practices (это делать не надо)

• Игнорирование качества данных в фиде: Предоставление минимальных данных приведет к низкому Product Score. Это может привести к подавлению товарного блока или игнорированию CTR при ранжировании.
• Непривлекательные сниппеты: Использование некачественных изображений или неконкурентных цен приведет к низкому CTR. Это активирует пессимизацию через CTR Multiplier, что приведет к понижению блока товаров в общей выдаче.
• Манипуляции с CTR для низкокачественных предложений: Попытки искусственно завысить CTR для товаров с низкой исходной оценкой могут быть неэффективны из-за защитного механизма (Порог 1), который игнорирует CTR, если базовая релевантность низкая.

Стратегическое значение

Патент детально раскрывает механику работы Universal Search для коммерческих вертикалей. Он подтверждает стратегическую важность интеграции поведенческих факторов (CTR) в алгоритмы смешивания результатов. Для E-commerce это означает, что стратегия работы с Google Shopping (или аналогичными вертикалями) является неотъемлемой частью общей SEO-стратегии, требующей синергии между оптимизацией фидов и оптимизацией кликабельности.

Практические примеры

Сценарий: Повышение позиции блока товаров за счет оптимизации CTR

1. Исходная ситуация: По запросу «купить красные кроссовки Nike» блок товаров появляется на 5-й позиции. Исходный Product Score достаточно высок (выше Порога 1), но CTR средний (ниже Порога 2). Система применяет Функцию 1 для расчета CTR Multiplier, который близок к 1.
2. Действия: Проводится оптимизация товарного фида: улучшаются изображения кроссовок, заголовки делаются более привлекательными, цена корректируется до конкурентного уровня.
3. Результат: CTR блока товаров значительно возрастает и превышает Порог 2.
4. Эффект (на основе патента): Система начинает использовать Функцию 2 для расчета CTR Multiplier, что дает существенный буст. Adjusted Product Score возрастает. При следующем применении функции отображения Final Product Score оказывается выше, чем General Scores результатов на 2-й и 3-й позициях. Блок товаров перемещается на 2-ю позицию.

Вопросы и ответы