Как Google использует контекст текущей сессии и кликовые модели для персонализации ранжирования

Описание

Какую задачу решает

Патент решает проблему неоднозначности поисковых запросов и разрыва между общими (наиболее популярными) результатами и текущим намерением пользователя. Например, запрос «мобильный телефон» может подразумевать покупку, чтение новостей или поиск определений. Стандартные кликовые модели (click models) усредняют поведение всех пользователей и часто отдают предпочтение наиболее популярному интенту. Данное изобретение позволяет адаптировать выдачу под специфический контекст текущей сессии пользователя.

Что запатентовано

Запатентована система контекстно-зависимого ранжирования. Ее суть заключается в определении текущего контекста (Context) пользователя (например, «покупки», «новости», «исследование») на основе его предыдущих действий в рамках поисковой сессии (Session). Для последующих запросов система применяет специализированную Contextual Click Model (Контекстную кликовую модель), основанную на поведении прошлых пользователей, находившихся в таком же контексте.

Как это работает

Система работает следующим образом:

• Мониторинг сессии: Отслеживаются действия пользователя (запросы и клики) в рамках текущей сессии.
• Определение контекста: Контекст определяется на основе анализа посещенных страниц. Ключевую роль играют Hub Sites (Узловые сайты), которые служат анкорями для определенных тематик.
• Разрешение неоднозначности: Если посещенный сайт относится к нескольким контекстам, система использует исторические данные для определения наиболее вероятного контекста, объединяет модели пропорционально вероятностям или даже может спросить пользователя.
• Выбор модели: Когда поступает новый запрос, система идентифицирует Contextual Click Model, соответствующую и запросу, и контексту сессии.
• Переранжирование: Стандартные результаты поиска (и их IR Scores) переранжируются с использованием этой модели, повышая вес ресурсов, которые предпочитали прошлые пользователи в аналогичной ситуации.

Актуальность для SEO

Высокая. Понимание контекста сессии и сиюминутного интента пользователя является центральным элементом современных поисковых систем. Механизмы персонализации и адаптации выдачи на основе поведения пользователя в реальном времени (например, концепция Search Journeys) активно развиваются. Этот патент описывает фундаментальный подход к использованию поведенческих данных, сегментированных по контексту.

Важность для SEO

Влияние на SEO высокое (8/10). Патент демонстрирует, что ранжирование является динамическим и зависит от непосредственного пути пользователя (User Journey), а не только от самого запроса. Это смещает фокус с оптимизации под изолированный запрос на оптимизацию под задачу пользователя. Для SEO-специалистов критически важно понимать, как их сайт встраивается в различные контексты поиска (например, исследование vs. покупка).

Детальный разбор

Термины и определения

Context (Контекст)

Категория интереса пользователя в данный момент (например, «покупки», «новости», «путешествия»). Определяется на основе предыдущих действий пользователя в сессии.

Contextual Click Model (Контекстная кликовая модель)

Модель, связывающая запросы с выбранными результатами, но сегментированная по определенному контексту. Она отражает поведение только тех пользователей, которые находились в этом контексте.

Hub Site / Hub Page (Узловой сайт / Узловая страница)

Страница с высоким трафиком из поиска или большим количеством входящих ссылок. Используется как анкорь для определения контекста. Сессии, включающие клик на Hub Site, анализируются для построения контекстных моделей.

IR Score (Information Retrieval Score)

Базовая оценка релевантности документа запросу, используемая поисковой системой.

Selection Metric (Метрика выбора)

Показатель в кликовой модели, отражающий, как часто определенный результат выбирался для данного запроса в данном контексте (например, частота кликов/CTR).

Click Quality Metric (Метрика качества клика)

Показатель качества взаимодействия после клика. Упоминается возможность использования средней продолжительности визита пользователя (Dwell Time).

Session (Сессия)

Группа действий пользователя (запросы, клики), ограниченная определенными рамками (временем неактивности, логином/логаутом или логической связью между запросами).

Cluster (Кластер)

Набор веб-сайтов или страниц, которые часто посещаются вместе в рамках сессий, связанных с определенным Hub Site. Этот кластер определяет контекст.

Ключевые утверждения (Анализ Claims)

Патент US8818977B1 (продолжение более ранних заявок) фокусируется на механизме определения контекста, особенно в неоднозначных ситуациях.

Claims 1 и 24 (Независимые пункты): Описывают метод определения контекста пользователя, когда предыдущие действия пользователя указывают на несколько возможных контекстов.

1. Система определяет контекст пользователя на основе контента, предоставленного в текущей сессии.
2. Определяется, что пользователь взаимодействовал со страницей (например, Hub Page в Claim 1 или любая страница из кластера в Claim 24), которая ассоциирована как с Контекстом А, так и с Контекстом Б.
3. Система анализирует исторические данные о предыдущих сессиях, которые включали запрос этой же страницы.
4. Вычисляется Метрика А: частота, с которой эти предыдущие сессии были определены как часть Контекста А.
5. Вычисляется Метрика Б: частота, с которой эти предыдущие сессии были определены как часть Контекста Б.
6. Текущий контекст пользователя определяется как Контекст А или Контекст Б на основе сравнения Метрики А и Метрики Б (выбирается наиболее вероятный).
7. Пользователь вводит новый поисковый запрос.
8. Система предоставляет ранжированные результаты, используя Contextual Click Model, соответствующую определенному (наиболее вероятному) контексту.

Claim 4 и 5 (Зависимые): Описывают альтернативный вариант, когда система определяет несколько контекстов и объединяет (merging) соответствующие кликовые модели. Объединение включает масштабирование (scaling) Selection Metric каждой модели на основе вероятности того, что данный контекст применим к текущей сессии.

Claim 12 (Зависимый): Описывает вариант, когда при неоднозначности контекста пользователю предоставляется выбор (prompt), и контекст назначается на основе ввода пользователя.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно вычисленные данные и применяя их в реальном времени.

INDEXING / QUNDERSTANDING (Офлайн-обработка)
На этом этапе происходит предварительная подготовка данных. Система анализирует Query/Click Log для идентификации Hub sites, определения контекстов (кластеризации сайтов вокруг узлов) и генерации Contextual Click Models для различных запросов в рамках каждого контекста.

QUNDERSTANDING – Понимание Запросов (Онлайн)
Система должна понимать не только сам запрос, но и контекст сессии, в рамках которой он задан. В реальном времени Session Identification Component отслеживает активность, а Context Recognition Component анализирует посещенные страницы и определяет текущий контекст сессии, включая разрешение неоднозначности.

RANKING / RERANKING – Ранжирование / Переранжирование
Основное применение патента. После того как базовые результаты получены и оценены (IR Scores), Click Model Identification Component извлекает подходящую Contextual Click Model. Эта модель используется для корректировки оценок и переранжирования результатов перед показом пользователю.

Входные данные:

• Текущий поисковый запрос и история действий пользователя в текущей сессии.
• База данных предварительно рассчитанных Contextual Click Models и определений Hub Sites.
• Исторические данные о частоте контекстов (для разрешения неоднозначности).
• Базовые оценки ранжирования (IR Scores).

Выходные данные:

• Переранжированный список результатов поиска, адаптированный под контекст сессии.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы, которые могут иметь разный интент в зависимости от контекста (например, «Apple» — компания vs. фрукт; «Jaguars» — команда vs. автомобиль).
• Типы контента и Ниши: Влияет на все ниши, где пользователи выполняют задачи, требующие нескольких шагов (e-commerce, travel, исследования). В зависимости от контекста приоритет могут получать разные типы контента (товары vs. обзоры).

Когда применяется

• Условия активации: Алгоритм активируется, когда система может идентифицировать контекст текущей сессии на основе предыдущих действий пользователя (например, после клика на сайт, являющийся частью определенного контекстного кластера или Hub Site).
• Ограничения: Применяется только в рамках активной сессии. Если контекст не определен (например, первый запрос в сессии) или если для данного запроса нет данных в Contextual Click Model, используется стандартное ранжирование.

Пошаговый алгоритм

Процесс А: Офлайн-построение моделей

1. Идентификация Hub Sites: Определение ключевых сайтов на основе трафика, ссылочного профиля или ручной разметки.
2. Анализ логов и сессий: Анализ исторических данных (Query/Click Log) для идентификации сессий, включающих клики на Hub Sites.
3. Определение Контекстов (Кластеризация): Агрегация других сайтов, посещенных в рамках этих сессий, в кластеры. Каждый кластер определяет контекст.
4. Фильтрация выбросов: Удаление из кластеров сайтов, которые посещались редко (ниже порога), чтобы уточнить контекст.
5. Построение Contextual Click Models: Для каждого контекста агрегируются все запросы, сделанные в рамках соответствующих сессий. Для каждого запроса записываются клики и рассчитываются Selection Metrics.
6. Расчет метрик вероятности: Для сайтов, входящих в несколько контекстов, рассчитываются частотные метрики для использования в разрешении неоднозначности.

Процесс Б: Обработка запроса в реальном времени

1. Идентификация сессии: Система определяет, является ли текущее действие частью активной сессии.
2. Определение контекста: На основе предыдущих кликов в сессии система определяет контекст пользователя.
3. Разрешение неоднозначности (Ключевой этап): Если предыдущий клик был на сайт, принадлежащий нескольким контекстам, система вычисляет вероятность каждого контекста на основе исторических частот (как описано в Claims 1 и 24) и выбирает наиболее вероятный (или смешивает модели).
4. Получение нового запроса: Пользователь вводит запрос.
5. Поиск модели: Система ищет Contextual Click Model для этого запроса в рамках определенного контекста.
6. Применение модели и Ранжирование: Если модель найдена, она используется для корректировки IR scores результатов. Результаты, имеющие высокие Selection Metrics в этой модели, повышаются в выдаче.

Какие данные и как использует

Данные на входе

Основной тип данных, используемых в этом патенте, — поведенческие.

• Поведенческие факторы:
  • Логи запросов и кликов (Query/Click Logs): Критически важные данные для определения контекста и построения кликовых моделей офлайн.
  • История сессии: Текущие действия пользователя, используемые для определения контекста в реальном времени.
• Ссылочные факторы: Косвенно используются для идентификации Hub Sites (упоминается, что они могут определяться по количеству ссылающихся страниц).
• Системные данные: IR Scores, которые корректируются кликовой моделью.

Какие метрики используются и как они считаются

• Selection Metric (Метрика выбора): Частота или количество выборов определенного URL для данного запроса в рамках определенного контекста.
• Click Quality Metric (Метрика качества клика): Упоминается возможность использования метрики качества клика, например, средней продолжительности визита пользователя после клика (Dwell Time).
• Context Frequency Metrics / Вероятность контекста: Используются для разрешения неоднозначности. Рассчитывается как частота, с которой сессии, включающие посещение определенной страницы, принадлежали к Контексту А по сравнению с Контекстом Б.
• Expected Selection Rate (Ожидаемый CTR): В одном из вариантов реализации упоминается сравнение фактического CTR результата с ожидаемым CTR для его позиции. Дисконтирование может применяться, если результат недополучает клики (underperforming). Формула дисконтирования может быть: Фактический CTR / Ожидаемый CTR.
• Пороги включения в кластер: Минимальное количество или частота посещений сайта в рамках сессий, связанных с Hub Site, для включения этого сайта в контекстный кластер.

Выводы

1. Ранжирование динамично и зависит от сессии: Поисковая выдача может радикально меняться в зависимости от действий, совершенных пользователем минуты назад. Контекст сессии может переопределить общую популярность результатов.
2. Сегментация кликовых данных по контексту: Google не просто использует агрегированные кликовые данные. Система сегментирует их по контекстам. Популярность результата в одном контексте (например, «покупки») не обязательно повлияет на его ранжирование в другом (например, «исследование»).
3. Контекст определяется кластерами сайтов и Hub Sites: Контекст определяется как набор сайтов (кластер), которые пользователи часто посещают вместе. Hub Sites (авторитетные ресурсы) служат анкорями для определения этих кластеров. Ассоциация с Hub Sites (через совместное посещение) помогает Google понять контекст вашего ресурса.
4. Вероятностное разрешение неоднозначности: Патент детально описывает, как система справляется с ситуациями, когда сайт принадлежит нескольким контекстам. Она опирается на исторические вероятности для выбора доминирующего контекста или смешивает несколько кликовых моделей пропорционально их вероятности.
5. Поведенческие факторы как основа моделей: Contextual Click Models строятся на основе реального поведения пользователей (CTR, возможно Dwell Time). Удовлетворение интента пользователя в рамках конкретного контекста критически важно для попадания в модель.

Практика

Best practices (это мы делаем)

• Оптимизация под User Journey и Контексты: Необходимо понимать, в каких контекстах пользователи приходят на сайт (например, исследование, сравнение, покупка). Создавайте и оптимизируйте контент под конкретные задачи пользователя в рамках этих контекстов. Сайт должен четко соответствовать определенному контексту, чтобы система могла его правильно классифицировать.
• Улучшение поведенческих сигналов в целевых контекстах: Поскольку модели основаны на Selection Metrics (CTR) и потенциально на Click Quality Metrics (Dwell Time), критически важно максимизировать эти показатели. Сниппеты должны быть оптимизированы под интент в конкретном контексте, а контент должен полностью удовлетворять этот интент.
• Развитие Topical Authority и становление «Hub Site»: Стремитесь к тому, чтобы ваш сайт стал авторитетным ресурсом (Hub Site) в своей нише или, как минимум, частью авторитетного контекстного кластера. Это достигается за счет полного охвата тематики и построения сильной тематической авторитетности.
• Анализ совместного посещения (Co-visitation Analysis): Изучайте, какие сайты пользователи посещают до и после вашего. Понимание того, с какими Hub Sites ассоциируется ваш ресурс, позволяет понять, в каких контекстуальных кластерах он находится и как Google его воспринимает.

Worst practices (это делать не надо)

• Смешение интентов и контекстов: Создание страниц, которые пытаются одновременно удовлетворить и информационный, и транзакционный интент без четкой структуры, может привести к тому, что страница не будет сильно ассоциирована ни с одним контекстом и не попадет в сильные Contextual Click Models.
• Оптимизация только под изолированные запросы: Игнорирование того, как пользователи попадают на страницу и куда идут дальше. Ценность страницы определяется не только ее релевантностью запросу, но и ее полезностью в рамках текущего контекста сессии.
• Накрутка поведенческих факторов: Искусственное манипулирование кликами вне естественного контекста пользователя может быть неэффективным. Система анализирует сессии целиком, и неестественные паттерны или клики на сайты, не входящие в кластер, могут быть отфильтрованы как шум (выбросы).
• Игнорирование качества клика (Dwell Time): Создание кликбейтных сниппетов без предоставления ценного контента приведет к низким Click Quality Metrics, что негативно скажется на позициях сайта в Contextual Click Models.

Стратегическое значение

Патент подтверждает стратегию Google по переходу от анализа изолированных запросов к пониманию задач и пути пользователя (User Journeys). Ранжирование становится динамичным и адаптивным. Для SEO это означает необходимость смещения фокуса на оптимизацию для выполнения задач (Task Completion) и обеспечение четких контекстуальных сигналов. Понимание пути пользователя и создание контента, который эффективно решает его задачи на каждом этапе, становится ключевым фактором успеха.

Практические примеры

Сценарий 1: Разрешение неоднозначности запроса

1. Действие пользователя: Пользователь посещает сайт ESPN.com (идентифицирован как Hub site для контекста «Спорт»).
2. Идентификация контекста: Система присваивает текущей сессии контекст «Спорт».
3. Запрос: Пользователь вводит запрос «Jaguars».
4. Применение модели: Система использует Contextual Click Model для запроса «Jaguars» в контексте «Спорт». Исторические данные показывают, что в этом контексте пользователи значительно чаще кликают на сайт футбольной команды Jacksonville Jaguars, чем на сайт автомобилей Jaguar.
5. Результат: Сайт футбольной команды ранжируется значительно выше сайта автомобильного бренда.

Сценарий 2: Адаптация выдачи в процессе исследования товара

1. Начало сессии: Пользователь вводит запрос «лучшие кроссовки для бега» и кликает на результат с сайта Runner’s World (Hub Site для контекста «Исследование/Обзоры»).
2. Определение контекста: Система определяет контекст сессии как «Исследование».
3. Следующий запрос: Пользователь вводит «Nike Pegasus цена».
4. Применение модели: Система применяет Contextual Click Model для контекста «Исследование».
5. Результат: В выдаче повышаются результаты, содержащие подробные обзоры Nike Pegasus со сравнением цен и отзывами экспертов, а не прямые листинги магазинов, так как исторические данные показывают, что пользователи в контексте «Исследование» предпочитают именно такие ресурсы для этого запроса.

Вопросы и ответы