Как Google динамически определяет размер и позицию блока изображений в веб-поиске на основе интента и качества картинок

Описание

Какую задачу решает

Патент решает проблему неоптимального отображения результатов поиска по картинкам в рамках универсальной веб-выдачи. Традиционные подходы часто используют фиксированный размер и позицию для блока изображений, независимо от намерения пользователя или качества доступных картинок. Это может приводить к тому, что пользователю показываются нерелевантные или низкокачественные изображения, или, наоборот, качественные изображения скрываются, когда они были бы полезны. Изобретение улучшает пользовательский опыт, адаптируя представление изображений к контексту запроса и доступному контенту.

Что запатентовано

Запатентована система и метод для динамического определения характеристик отображения результатов поиска по изображениям (Image Search Results) внутри списка общих результатов веб-поиска (General Search Results). Система определяет размеры (Dimensions) области отображения изображений и позицию вставки (Insertion Score) этого блока. Эти решения принимаются на основе распределения оценок качества (Quality Scores) изображений, релевантных запросу, и оценки намерения пользователя искать изображения (Image Intent Score).

Как это работает

Система работает по следующему принципу:

• Оценка интента: Сначала определяется Image Intent Score для запроса. Если он ниже порога, изображения не показываются.
• Оценка качества изображений: Если интент достаточен, система анализирует Quality Scores доступных изображений.
• Определение размера блока (Dimensions): Размер блока (количество строк) определяется на основе интента и распределения качества (Distribution Score или Flatness). Чем выше интент и чем больше качественных изображений доступно, тем больше размер блока.
• Определение позиции вставки (Insertion Score): Позиция блока относительно веб-результатов определяется на основе интента и среднего качества изображений (Central Tendency Score). Чем выше качество и интент, тем выше позиция блока.
• Генерация SERP: Блок изображений вставляется в список общих результатов поиска в соответствии с рассчитанными размерами и позицией.

Актуальность для SEO

Высокая. Механизмы универсального поиска (Universal Search) и динамического смешивания вертикалей являются основой современной поисковой выдачи Google. Способность системы адаптировать SERP, определяя, когда и насколько агрессивно показывать изображения, видео, новости или карты, критически важна для пользовательского опыта. Этот патент описывает фундаментальную логику для вертикали изображений.

Важность для SEO

Патент имеет высокое значение для SEO (8/10). Он напрямую влияет на видимость как органических веб-результатов, так и изображений. Для веб-страниц он определяет, когда блок изображений может сместить традиционные «синие ссылки» вниз по выдаче. Для Image SEO он подчеркивает, что высокое качество изображения (Quality Score) необходимо не только для ранжирования внутри блока, но и для того, чтобы этот блок вообще появился, был больше по размеру и располагался выше на странице.

Детальный разбор

Термины и определения

Central Tendency Score (Оценка центральной тенденции)

Метрика, характеризующая общее качество набора изображений, релевантных запросу. Может рассчитываться как среднее значение (mean) оценок Quality Scores изображений, которые будут показаны в блоке.

Clustering Characteristic (CC) (Характеристика кластеризации)

Метрика, описывающая классификацию изображений, релевантных запросу, в единый кластер. Может быть получена из данных о совместных кликах (co-click data), например, через попарное косинусное сходство векторов изображений. Используется для расчета Query Normalization Score.

Dimensions (Размеры)

Характеристики Image Display Environment, определяющие его размер, в частности, количество строк (number of rows) изображений, которые будут отображены.

Distribution Score / Flatness (Оценка распределения / Плоскостность)

Метрика, указывающая на распределение Quality Scores изображений. Высокая плоскостность означает наличие большого количества высококачественных изображений. Может рассчитываться как отношение геометрического среднего к арифметическому среднему топовых N оценок качества.

General Search Results (Общие результаты поиска)

Результаты поиска, полученные из основного корпуса ресурсов (Resource Corpus), обычно представляющие собой «синие ссылки» (заголовок, сниппет, ссылка).

Image Corpus (Корпус изображений)

Коллекция изображений и метаданных для них, используемая для поиска по картинкам.

Image Display Environment (Среда отображения изображений)

Область на странице результатов поиска (SERP), выделенная для показа Image Search Results (блок с картинками).

Image Intent Score (Оценка намерения искать изображения)

Метрика, определяющая вероятность того, что пользователь ищет изображения. Рассчитывается на основе Search Property Ratio, Image Click-Through Rate и/или наличия явных интенционных терминов в запросе.

Insertion Score (Оценка вставки)

Метрика, определяющая порядковую позицию (ordinal insertion position), на которой Image Display Environment должен быть вставлен в ранжированный список General Search Results.

Quality Scores (Оценки качества)

Метрики, присвоенные изображениям. Могут включать оценки релевантности запросу, оценки обратной связи (например, CTR) или авторитетности изображения.

Query Normalization Score (Оценка нормализации запроса)

Значение, используемое для расчета Insertion Score. Определяется на основе характеристик изображений (Flatness, Clustering Characteristic) и длины запроса (Length(Q)).

Search Property Ratio (SPR) (Соотношение поисковых свойств)

Метрика, пропорциональная отношению количества поисков данного запроса в Image Corpus к количеству поисков в Resource Corpus.

Ключевые утверждения (Анализ Claims)

Claim 1 (Система) и Claim 7 (Метод) (Независимые пункты): Описывают основной процесс динамического отображения изображений.

1. В ответ на запрос на вставку изображений (image insertion request) система определяет размеры (Dimensions) среды отображения изображений (Image Display Environment).
2. Размеры определяются, в частности, на основе распределения оценок качества (distribution of quality scores) изображений, релевантных запросу.
3. Размеры определяют количество строк (number of rows) изображений для отображения.
4. Система генерирует ресурс результатов поиска (SERP), отображающий общие результаты поиска (General Search Results) и среду отображения изображений на определенной порядковой позиции вставки (ordinal insertion position).
5. Важное уточнение: результаты поиска по изображениям генерируются из Image Corpus, а общие результаты — из другого Resource Corpus.

Примечание: В патенте есть две версии Claim 1 (одна в Abstract, другая в конце документа). Анализ основан на версии в конце документа (Claims 1 и 7), которая является юридически определяющей. В этой версии Insertion Score не упоминается в Claim 1, но упоминается в Abstract и детальном описании как ключевая часть изобретения.

Claim 2 и 8 (Зависимые): Детализируют триггер для активации процесса.

1. Система определяет Image Intent Score для запроса.
2. Запрос на вставку изображений (image insertion request) генерируется только тогда, когда Image Intent Score превышает пороговое значение (intent threshold).

Claim 3 и 9 (Зависимые): Детализируют расчет Image Intent Score.

1. Определение Search Property Ratio (SPR): отношение частоты поиска запроса в Image Corpus к частоте поиска в Resource Corpus.
2. Определение Image Click-Through Rate (CTR) для изображений, показанных вместе с общими результатами по этому запросу.
3. Image Intent Score рассчитывается на основе SPR и CTR.

Claim 5 и 11 (Зависимые): Детализируют расчет размеров (Dimensions).

1. Определение оценки распределения (Distribution Score), отражающей распределение Quality Scores.
2. Расчет произведения Distribution Score и Image Intent Score.
3. Количество строк изображений определяется на основе этого произведения.

Где и как применяется

Изобретение является ключевым компонентом системы Универсального Поиска (Universal Search) и применяется на этапе смешивания результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе предварительно рассчитываются Quality Scores для изображений в Image Corpus. Эти оценки могут включать релевантность различным меткам, данные обратной связи (CTR) и авторитетность.

QUNDERSTANDING – Понимание Запросов
На этом этапе (или в рамках офлайн-процессов, использующих логи запросов) рассчитывается Image Intent Score. Система анализирует исторические данные (Historical Search Data) для определения Search Property Ratio и Image CTR для запроса, а также идентифицирует явные интенционные термины.

RANKING – Ранжирование
Поисковая система (Search Engine) выполняет параллельные поиски: один по Resource Corpus Index для получения General Search Results, и другой по Image Corpus Index для получения кандидатов Image Search Results и их Quality Scores.

METASEARCH – Метапоиск и Смешивание
Это основной этап применения патента. Система вставки результатов поиска изображений (Image Search Results Insertion System) принимает решение о смешивании.

1. Триггер: Модуль триггера (Image Display Trigger Module) проверяет Image Intent Score.
2. Определение параметров: Если триггер сработал, модуль определения области и позиционирования (Image Display Area And Positioning Module) использует Quality Scores полученных изображений и Image Intent Score для расчета Dimensions (размера блока) и Insertion Score (позиции блока).
3. Смешивание: Модуль обработки результатов (Search Results Processing Module) объединяет General Search Results и Image Display Environment в финальную SERP.

Входные данные:

• Поисковый запрос (Q).
• Image Intent Score для Q.
• Набор General Search Results и их оценки ранжирования.
• Набор Image Search Results и их Quality Scores.
• Исторические данные поиска (для офлайн-расчетов SPR, CTR).

Выходные данные:

• Сгенерированная страница результатов поиска (Search Results Page) с динамически размещенным и отформатированным блоком изображений.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы с высоким Image Intent (например, содержащие слова «фото», «картинки», «дизайн») и запросы, по которым пользователи часто переходят в поиск по картинкам.
• Видимость контента: Напрямую влияет на вертикальное расположение первого органического веб-результата. При высоком интенте и качестве изображений блок картинок может занять верхнюю часть экрана, смещая веб-результаты вниз.
• Ниши и тематики: Сильное влияние в визуально-ориентированных нишах (мода, дизайн, путешествия, природа, знаменитости), где качество и количество доступных изображений обычно высокое.

Когда применяется

• Триггер активации: Алгоритм активируется, когда Image Intent Score для запроса превышает установленный порог (Intent threshold).
• Условия применения: Применяется в реальном времени при генерации SERP для определения оптимального способа представления изображений. Логика учитывает баланс между желанием пользователя видеть картинки и качеством доступных картинок. Например, если интент высокий, но качественных картинок мало (низкий Flatness или Central Tendency Score), система может показать меньше картинок или разместить их ниже, чтобы избежать разочарования пользователя.

Пошаговый алгоритм

Процесс обработки запроса и генерации SERP

1. Получение запроса: Система получает поисковый запрос.
2. Расчет Image Intent Score:
   • Определяется Search Property Ratio (SPR) (отношение поисков в Image Search к Web Search).
   • Определяется Image Click-Through Rate (CTR) для изображений по этому запросу.
   • Рассчитывается Image Intent Score на основе SPR и CTR (и, возможно, явных интенционных терминов).
3. Проверка порога интента: Image Intent Score сравнивается с Intent threshold.
   • Если ниже порога: Выполняется поиск только по Resource Corpus, предоставляются только General Search Results. Процесс завершен.
   • Если выше порога: Генерируется запрос на вставку изображений (image insertion request). Выполняются параллельные поиски по Resource Corpus и Image Corpus.
4. Получение данных об изображениях: Система получает Quality Scores для изображений, релевантных запросу.
5. Определение размеров блока (Dimensions):
   • Рассчитывается Distribution Score (например, Flatness), отражающий распределение Quality Scores.
   • Определяются размеры (количество строк) на основе Image Intent Score и Distribution Score (например, их произведения).
6. Определение позиции вставки (Insertion Score):
   • Определяется Query Normalization Score (на основе Flatness, Clustering Characteristic, длины запроса).
   • Определяется Central Tendency Score (среднее качество изображений).
   • Рассчитывается Insertion Score на основе Image Intent Score, Query Normalization Score и Central Tendency Score.
7. Генерация SERP: Генерируется страница результатов поиска. Image Display Environment с рассчитанными размерами вставляется в список General Search Results на позицию, определенную Insertion Score.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, используемых для смешивания вертикалей, а не на базовых факторах ранжирования изображений или веб-страниц.

• Поведенческие факторы (Критические):
  • Image Click-Through Rate (CTR): Частота кликов по результатам поиска картинок, когда они показываются вместе с общими результатами по данному запросу. Используется для расчета Image Intent Score.
  • Search Property Ratio (SPR): Данные о том, как часто пользователи используют запрос для поиска в Image Search по сравнению с Web Search. Используется для расчета Image Intent Score.
  • Co-click data (Данные о совместных кликах): Данные о выборе пользователями различных изображений по одному запросу. Используются для определения Clustering Characteristic.
• Контентные факторы (Косвенно):
  • Явные интенционные термины (Explicit intent terms): Наличие в запросе слов типа «картинки», «фото», «диаграммы». Может использоваться для повышения Image Intent Score.
• Системные данные:
  • Quality Scores: Предварительно рассчитанные оценки качества/релевантности изображений.
  • Длина запроса (Length(Q)): Количество терминов в запросе. Используется для Query Normalization Score.

Какие метрики используются и как они считаются

Система вычисляет несколько ключевых метрик для принятия решений о смешивании:

• Image Intent Score: Функция от SPR и CTR. Формула: f(SPR(Q), CTR({I}, Q)).
• Distribution Score (Flatness): Измеряет распределение качества. Упоминается расчет: Геометрическое среднее топовых N Quality Scores / Арифметическое среднее топовых N Quality Scores.
• Dimensions (Rows): Определяет размер блока. Функция от Image Intent Score и Flatness. Формула: f(Image_Intent(Q), Flatness({I}, Q)). Может использоваться интерполяция между минимальным и максимальным количеством строк (например, от 2 до 8).
• Central Tendency Score: Среднее значение Quality Scores выбранных изображений.
• Query Normalization Score: Функция от Clustering Characteristic (CC), Flatness и длины запроса. Формула: f(CC({I}), Flatness({I}, Q), Length(Q)).
• Insertion Score: Определяет позицию блока. Функция от Image Intent Score, Central Tendency Score (IR) и Normalization Score. Формула: f(Image_Intent(Q), IR({I}), Normalization(Q, {I})). Может рассчитываться как произведение этих трех метрик.

Выводы

1. Смешивание вертикалей — это динамический процесс: Патент подтверждает, что интеграция изображений в веб-поиск не является статичной. Размер и позиция блока изображений динамически рассчитываются для каждого запроса в зависимости от контекста.
2. Двойной барьер для показа изображений: Чтобы изображения были показаны заметно, необходимо преодолеть два барьера: (1) Достаточный Image Intent Score (пользователи должны хотеть видеть картинки по этому запросу) и (2) Достаточное качество и количество доступных изображений (Quality Scores, Flatness).
3. Качество изображений влияет на размер и позицию блока: Quality Scores используются не только для ранжирования картинок внутри блока, но и для определения того, насколько большим (Dimensions) и насколько высоко (Insertion Score) будет размещен весь блок. Чем выше качество доступных изображений, тем агрессивнее они будут показаны.
4. Баланс интента и качества: Система стремится избежать ситуаций, когда при высоком интенте показываются плохие картинки. В этом случае размер блока уменьшается (из-за низкого Flatness) или он размещается ниже (из-за низкого Central Tendency Score).
5. Поведенческие факторы критичны для определения интента: SPR (где люди ищут) и CTR (на что люди кликают) являются основой для определения Image Intent Score. Это подчеркивает важность пользовательского поведения в формировании SERP.
6. Метрики распределения (Flatness) и кластеризации (CC): Google анализирует не только качество отдельных изображений, но и характеристики всего набора доступных изображений. Наличие множества схожих по качеству и тематике картинок является сильным сигналом.

Практика

Best practices (это мы делаем)

• Оптимизация под Image Intent: Определяйте запросы в вашей нише, которые имеют высокий Image Intent Score (например, запросы, связанные с дизайном, продуктами, инструкциями). Для этих запросов критически важно иметь высококачественные изображения, чтобы занять видимые позиции в универсальном поиске.
• Повышение Quality Scores изображений: Работайте над факторами, которые влияют на качество и релевантность изображений (контекст на странице, alt-текст, качество самого файла, уникальность). Высокий Quality Score увеличивает вероятность того, что блок изображений будет показан выше и будет больше по размеру.
• Стимулирование положительных поведенческих сигналов (CTR): Создавайте привлекательные и релевантные изображения, которые пользователи захотят кликнуть. Высокий Image CTR напрямую влияет на расчет Image Intent Score для будущих запросов.
• Создание множества качественных изображений по теме (Flatness): Вместо одной хорошей картинки стремитесь создать набор высококачественных изображений, покрывающих тему. Метрика Flatness указывает, что наличие большого пула качественных изображений увеличивает размер блока (Dimensions).
• Мониторинг структуры SERP: Анализируйте, как Google отображает блок изображений по вашим целевым запросам. Большой блок вверху страницы указывает на высокий интент и высокое качество доступных картинок, что требует корректировки стратегии (либо конкурировать в Image SEO, либо учитывать смещение веб-результатов).

Worst practices (это делать не надо)

• Игнорирование Image SEO для визуально-ориентированных ниш: Если ваша ниша предполагает высокий Image Intent, игнорирование оптимизации изображений приведет к потере значительной части видимости в SERP, так как блок картинок займет приоритетные позиции.
• Использование стоковых или низкокачественных изображений: Использование неуникальных или некачественных изображений снижает общие Quality Scores. Это приведет к тому, что блок изображений будет меньше, расположен ниже или вообще не показан, даже если интент запроса высокий.
• Манипуляции с интентом: Попытки искусственно заставить систему думать, что страница отвечает на Image Intent, когда качественных изображений нет, неэффективны, так как система проверяет Quality Scores и Flatness перед формированием блока.

Стратегическое значение

Этот патент описывает фундаментальную механику Универсального Поиска (Universal Search) для вертикали изображений. Он демонстрирует, как Google балансирует различные типы контента на SERP. Стратегически важно понимать, что веб-результаты и изображения конкурируют за пространство на странице, и эта конкуренция регулируется динамически на основе интента и качества. SEO-стратегия должна быть комплексной, учитывая, что по многим запросам видимость определяется не только позицией в веб-поиске, но и присутствием в вертикальных блоках.

Практические примеры

Сценарий 1: Оптимизация статьи в нише с высоким Image Intent

• Задача: Продвинуть статью по запросу «идеи дизайна маленькой кухни». Это запрос с высоким Image Intent.
• Действия согласно патенту:
  • Необходимо обеспечить высокое качество изображений (Quality Scores). Вместо использования стоковых фото, создать уникальные, высококачественные рендеры или фотографии реальных проектов.
  • Необходимо обеспечить высокое распределение качества (Flatness). Вместо 2-3 картинок разместить галерею из 15-20 качественных и разнообразных примеров дизайна.
  • Оптимизировать изображения для повышения Image CTR (привлекательность, релевантность контексту).
• Ожидаемый результат: Увеличение шансов на то, что Google сформирует большой блок изображений (высокие Dimensions) и разместит его вверху страницы (высокий Insertion Score), и что изображения из статьи попадут в этот блок.

Сценарий 2: Анализ SERP для коммерческого запроса

• Задача: Проанализировать выдачу по запросу «купить красный диван».
• Наблюдение: В SERP отображается очень большой блок изображений над всеми органическими результатами.
• Интерпретация согласно патенту: Google определил высокий Image Intent Score (пользователи хотят видеть товар). Также Google нашел множество высококачественных изображений диванов (высокий Flatness и Central Tendency Score).
• Действия SEO-специалиста: Приоритезировать оптимизацию карточек товаров и их изображений для попадания в этот блок, так как он получает основное внимание пользователей. Конкуренция за первую позицию в веб-результатах менее важна, так как она находится значительно ниже.

Вопросы и ответы