Как Google использует историю запросов в текущей сессии для предсказания цели пользователя и корректировки ранжирования

Описание

Какую задачу решает

Патент решает проблему обработки поисковых запросов в изоляции друг от друга. Традиционные системы часто игнорируют контекст, сформированный предыдущими запросами в рамках одной и той же поисковой сессии. Это может приводить к неоптимальному ранжированию, когда контент, соответствующий конечной цели пользователя, не показывается высоко до тех пор, пока пользователь не введет множество уточняющих запросов. Изобретение улучшает релевантность, позволяя системе распознавать контекст сессии и прогнозировать цель поиска.

Что запатентовано

Запатентована система и метод для динамической корректировки ранжирования контента на основе контекста текущей поисковой сессии. Система использует офлайн-анализ исторических данных (Query Logs и Click Logs) для выявления статистически значимых последовательностей запросов (Query Paths), которые ведут к выбору определенного контента (Content Terminus). В реальном времени система сравнивает текущую сессию с этими паттернами и, при совпадении контекста, корректирует ранжирование, отдавая предпочтение контенту, связанному с идентифицированным Query Path.

Как это работает

Механизм работает в два этапа: офлайн-анализ и онлайн-корректировка.

• Офлайн-анализ (Mining): Mining Engine анализирует логи запросов и кликов для выявления Query Paths — повторяющихся последовательностей запросов, которые статистически значимое число пользователей вводили перед выбором определенного контента (Content Terminus).
• Онлайн-корректировка (Adjusting): Во время активной сессии система отслеживает вводимые запросы и сравнивает их с базой Query Paths для определения контекста. Если контекст установлен, Adjusting Engine повышает ранжирование (rank adjustment) тех элементов контента, которые являются Content Terminus для этого контекста.

Актуальность для SEO

Высокая. Понимание контекста сессии и намерений пользователя (User Intent) является центральным направлением развития поиска. Способность адаптировать выдачу в реальном времени на основе поведения пользователя в рамках сессии (например, уточнение запросов) критически важна для улучшения качества поиска, особенно в сложных информационных задачах.

Важность для SEO

Патент имеет высокое значение (85/100) для SEO. Он описывает механизм, который напрямую влияет на ранжирование в зависимости от поведения пользователя в рамках сессии. Это подчеркивает стратегическую важность понимания не только отдельных запросов, но и всего пути пользователя (User Journey). SEO-стратегии должны быть направлены на то, чтобы контент удовлетворял конечный интент в рамках типичных поисковых паттернов в нише.

Детальный разбор

Термины и определения

Adjusting Engine (Механизм корректировки)

Компонент системы, который изменяет ранжирование Content Items в реальном времени на основе контекста сессии.

Click Logs (Логи кликов)

Исторические данные, фиксирующие, какие Content Items были выбраны пользователями.

Content Items (Элементы контента)

Результаты поиска (веб-страницы, документы, медиафайлы и т.д.).

Content Terminus (Конечный контент / Терминус контента)

Элемент контента (например, URL), который является финальной точкой Query Path. Это контент, выбранный пользователем после ввода последовательности запросов. Может включать один или несколько Content Items и быть связанным с несколькими Query Paths.

Context Category (Категория контекста)

Тематическая классификация, присваиваемая Query Path, Content Terminus или текущей сессии (например, «фрукты»). Упоминается в описании патента как альтернативный способ связи сессии и пути.

Mining Engine (Движок анализа данных)

Компонент системы, который обрабатывает логи в офлайн-режиме для выявления Query Paths и Content Terminuses.

Query Logs (Логи запросов)

Исторические данные, хранящие запросы пользователей.

Query Path (Путь запросов)

Статистически значимая последовательность (или набор/перестановка) запросов, введенных пользователями в рамках сессии, которая привела к выбору определенного Content Terminus. Определяет исторический контекст.

Search Session (Поисковая сессия)

Текущая последовательность запросов пользователя.

Selection Distribution (Распределение выборов)

Статистическое распределение, показывающее, как часто выбирался каждый из нескольких Content Items, связанных с одним Query Path или Content Terminus.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения контекста текущей поисковой сессии.

1. Система идентифицирует Query Paths из предыдущих сессий. Каждый путь — это последовательность запросов в порядке их ввода.
2. Система идентифицирует запросы текущей Search Session.
3. Система сравнивает запросы текущей сессии с историческими Query Paths.
4. Система определяет, что контекст текущей сессии связан с историческим Query Path, если установлено, что два или более запросов из исторического пути похожи (similar) на два или более запросов из текущей сессии.

Ядром изобретения является способность установить контекст на основе частичного совпадения (минимум два запроса) текущей сессии с историческим паттерном.

Claim 2 и 3 (Зависимые от 1): Детализируют определение схожести через концепцию объединения (union).

• Claim 2: Определение схожести включает идентификацию объединения (union) между запросами из Query Path и запросами текущей сессии.
• Claim 3: Описывает строгий вариант реализации: контекст считается связанным, только если идентифицированное объединение является эксклюзивным (exclusive union). Это означает, что запросы в сессии должны точно соответствовать запросам в Query Path без посторонних запросов.

Система может использовать разные уровни строгости для определения контекста: от частичного совпадения до полного и эксклюзивного.

Claim 5 (Зависимый от 4): Описывает применение определенного контекста.

После установления связи контекста с Query Path, система корректирует ранжирование (adjusting a ranking) элемента контента, релевантного текущему запросу.

Claim 6 (Зависимый от 1): Описывает офлайн-процесс создания Query Paths.

Идентификация Query Paths включает анализ логов кликов и запросов для выявления похожих или одинаковых наборов запросов из предыдущих сессий, во время которых произошла презентация одного и того же элемента контента.

Где и как применяется

Изобретение использует офлайн-анализ для подготовки данных и онлайн-процессы для корректировки ранжирования.

QUNDERSTANDING (Офлайн-анализ / Mining)
Mining Engine анализирует поведенческие данные (Query Logs и Click Logs) для выявления статистических паттернов поиска.
Входные данные: Исторические логи запросов и кликов.
Выходные данные: База данных Query Paths и связанных с ними Content Terminuses.

QUNDERSTANDING (Онлайн-обработка)
Во время активной сессии система отслеживает последовательность запросов пользователя в реальном времени для определения контекста сессии (Search Context) путем сравнения с базой Query Paths.

RANKING / RERANKING (Онлайн-корректировка)
Adjusting Engine использует идентифицированный контекст для модификации ранжирования.
Входные данные: Контекст сессии, База Query Paths, Стандартные результаты поиска.
Процесс: Если контекст сессии связан с Query Path, система идентифицирует связанный Content Terminus и применяет корректировку ранжирования (rank adjustment).
Выходные данные: Скорректированный список результатов поиска.

На что влияет

• Специфические запросы: Наибольшее влияние на сессии с уточнением запросов (Query Refinement) или исследованием темы. Характерно для сложных информационных и коммерческих запросов (например, выбор товара, планирование, устранение неполадок).
• Конкретные ниши или тематики: Актуально в E-commerce, путешествиях, финансах (YMYL) и других тематиках, где пользователи проходят через несколько этапов перед принятием решения.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда в рамках одной сессии введено минимум два запроса (согласно Claim 1).
• Условия применения: Применяется, когда текущая последовательность запросов признана похожей (similar) на статистически значимый исторический Query Path. Степень схожести может варьироваться (от частичного совпадения до exclusive union).
• Альтернативные условия (из описания): Может применяться, если Context Category текущей сессии совпадает с категорией исторического Query Path, даже если сами запросы не совпадают.

Пошаговый алгоритм

Процесс А: Офлайн-генерация Query Paths (Mining)

1. Сбор данных: Сбор Query Logs и Click Logs.
2. Идентификация серий запросов: Выделение последовательностей запросов в сессиях, завершившихся кликом.
3. Определение статистической значимости: Анализ частоты повторения серий, ведущих к одному и тому же контенту. Если частота низкая, серия определяется как Noise Path.
4. Определение Query Path и Content Terminus: Если серия значима, она становится Query Path, а контент — Content Terminus.
5. Анализ распределения (Опционально): Если Query Path ведет к нескольким элементам контента, вычисляется Selection Distribution (например, 60% кликов на URL1, 40% на URL2).
6. Категоризация (Опционально): Определение Context Category для Query Path.

Процесс Б: Онлайн-обработка и корректировка ранжирования

1. Идентификация сессии: Отслеживание запросов текущей Search Session.
2. Определение контекста: Сравнение текущей последовательности с базой Query Paths.
3. Проверка схожести: Определение наличия схожести (например, минимум два общих запроса, union, exclusive union или совпадение Context Category).
4. Установление связи: Если схожесть обнаружена, контекст сессии связывается с соответствующим Query Path.
5. Получение стандартных результатов: Генерация базового набора результатов для текущего запроса.
6. Идентификация целевого контента: Определение Content Terminuses, связанных с идентифицированным Query Path.
7. Корректировка ранжирования (Rank Adjustment): Изменение ранга элементов контента.
   • Повышение: Если контент является Content Terminus для данного контекста.
   • Масштабирование: Корректировка масштабируется пропорционально Selection Distribution.
   • Понижение (Опционально): Если контент имеет высокий ранг, но редко выбирается в данном контексте (упомянуто в описании).
8. Предоставление результатов: Отображение скорректированного списка результатов.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на поведенческих данных и данных сессии.

• Поведенческие факторы (Исторические):
  • Query Logs: Последовательности запросов в прошлых сессиях.
  • Click Logs: Данные о выборе контента пользователями после этих последовательностей.
• Пользовательские факторы (Текущие):
  • Search Session Queries: Запросы, введенные пользователем в рамках текущей сессии.

Какие метрики используются и как они считаются

• Статистическая значимость (Statistical Significance): Метрика для определения, является ли серия запросов Query Path или Noise Path. Рассчитывается на основе частоты повторения серии в исторических данных.
• Схожесть (Similarity) между сессией и Query Path: Метрика для определения контекста. Может рассчитываться как количество общих запросов (минимум 2), наличие объединения (Union), наличие эксклюзивного объединения (Exclusive Union) или степень схожести терминов.
• Selection Distribution (Распределение выборов): Процентное соотношение кликов между разными элементами контента для одного Query Path. Используется для масштабирования корректировки ранга.
• Context Category Match (Совпадение категории контекста): Оценка схожести тематики текущей сессии и исторического пути.

Выводы

1. Контекст сессии как динамический фактор ранжирования: Система использует историю запросов в рамках текущей сессии для изменения ранжирования последующих запросов. Ранжирование адаптируется в реальном времени по мере развития сессии.
2. Прогнозирование цели на основе исторических данных: Механизм основан на анализе агрегированного поведения пользователей. Если система распознает, что пользователь находится на известном Query Path, она продвигает контент (Content Terminus), который исторически являлся целью этого пути.
3. Гибкость в определении контекста: Система может использовать разные критерии для установления связи — от строгого соответствия (exclusive union) до частичного совпадения (минимум 2 запроса) или даже совпадения тематических категорий (Context Category).
4. Важность удовлетворения конечного интента: Контент, который эффективно завершает поисковую задачу (становится Content Terminus), получает преимущество в ранжировании на всех этапах сессии, как только контекст установлен.
5. Масштабирование и возможность понижения: Корректировка ранжирования пропорциональна исторической популярности результата (Selection Distribution). Также система может понижать результаты, которые нерелевантны контексту сессии, даже если они релевантны изолированному запросу.

Практика

Best practices (это мы делаем)

• Анализ путей пользователя (User Journeys) и Query Paths: Изучайте, как пользователи ищут информацию в вашей тематике. Определите типичные последовательности запросов (от общих к конкретным или смежным). Это поможет понять, какие Query Paths Google может идентифицировать в вашей нише.
• Создание контента для конечной цели (Content Terminus Strategy): Фокусируйтесь на создании страниц, которые максимально полно удовлетворяют конечный интент пользователя и завершают поисковую сессию. Эти страницы могут получать бустинг на более ранних этапах поиска, если сессия будет распознана.
• Оптимизация под последовательности запросов: Создавайте контентную архитектуру (хабы, кластеры), которая поддерживает естественное развитие поисковой сессии. Убедитесь, что ваш сайт релевантен как для начальных, так и для уточняющих запросов.
• Повышение CTR и удовлетворенности (Click Satisfaction): Поскольку формирование Query Paths зависит от Click Logs, критически важно, чтобы пользователи выбирали ваш контент и завершали на нем сессию. Это увеличивает вероятность идентификации вашего контента как Content Terminus.

Worst practices (это делать не надо)

• Оптимизация только под изолированные запросы: Игнорирование взаимосвязи запросов в рамках сессии. Контент, не отвечающий на развивающийся интент пользователя, не станет Content Terminus.
• Создание «тонкого» или промежуточного контента: Контент, который не удовлетворяет конечную цель и вынуждает пользователя возвращаться в поиск (pogo-sticking). Это сигнализирует, что контент не является Content Terminus.
• Игнорирование тематического авторитета: Недостаточное покрытие темы может помешать системе идентифицировать ваш контент как релевантный для Context Category сессии, даже если отдельные страницы оптимизированы.

Стратегическое значение

Этот патент подтверждает важность перехода от оптимизации под ключевые слова к оптимизации под задачи и намерения (Task Completion и Intent Satisfaction). Ранжирование динамично и может меняться от запроса к запросу в рамках одной сессии. Долгосрочная стратегия должна фокусироваться на глубоком понимании User Journey и создании контента, который является лучшим ответом для завершения этих journeys.

Практические примеры

Сценарий: Выбор сложного продукта (Ноутбук для видеомонтажа)

1. Исторический Query Path (идентифицированный Google): [лучший ноутбук для видеомонтажа] -> [требования к ОЗУ для 4K видео] -> [сравнение MacBook Pro M3 и Dell XPS 15]. Content Terminus: Подробный обзор-сравнение на авторитетном техническом сайте (TechSite.com).
2. Текущая сессия пользователя:
   • Запрос 1: [ноутбук для Adobe Premiere].
   • Запрос 2: [сколько ОЗУ нужно для видеомонтажа].
3. Активация механизма: Система обнаруживает схожесть (два запроса пересекаются по тематике и похожи на запросы в историческом Query Path) и определяет контекст сессии.
4. Запрос 3: [MacBook Pro M3 vs Dell XPS].
5. Корректировка ранжирования: Система применяет Rank Adjustment к Content Terminus (обзор на TechSite.com), значительно повышая его в выдаче по Запросу 3, так как статистически пользователи с таким контекстом ищут именно этот обзор.

Вопросы и ответы