Как Google использует историю запросов, временные термины и сезонные тренды для определения свежести и актуальности контента

Описание

Какую задачу решает

Патент решает несколько проблем, связанных с временной релевантностью (temporal relevance) в поиске. Во-первых, как определить свежесть контента, когда пользователь не указывает дату явно, но ожидает актуальную информацию. Во-вторых, как адаптировать выдачу к циклическим (сезонным) изменениям популярности запросов. В-третьих, как интерпретировать неоднозначные запросы, которые повторяются, но имеют разный смысл в разное время (например, «расписание плей-офф»).

Что запатентовано

Запатентована система корректировки оценок ранжирования (Score Adjustments) на основе анализа временных факторов, извлеченных из истории пользовательских запросов (Related Queries) и их популярности с течением времени. Изобретение включает три ключевых механизма: классификацию возраста документа, корректировку оценок во время всплесков популярности связанных запросов и использование данных о временных трендах (Time Trend Data) для уточнения неоднозначных запросов.

Как это работает

Система использует три основных подхода:

1. Классификация возраста по запросам: Анализируются запросы, по которым пользователи ранее переходили на документ. Если эти запросы содержат «новые» временные термины (например, текущий год), документ получает повышение. Если «старые» (например, архивные даты) — понижение.
2. Анализ окон популярности: Система определяет повторяющиеся периоды всплесков популярности запросов (Popularity Time Change Window). Если текущий запрос подан во время такого всплеска для связанных запросов документа, его оценка повышается.
3. Временные тренды и расширенные запросы: Для повторяющихся запросов система определяет, какие уточнения (Extended Queries) наиболее популярны в текущий период времени, и повышает документы, релевантные этим уточнениям.

Актуальность для SEO

Высокая. Механизмы, описанные в патенте, напрямую связаны с концепцией QDF (Query Deserves Freshness) и необходимостью Google предоставлять актуальную и своевременную информацию. Понимание сезонности и временного контекста запросов остается критически важной задачей для поисковых систем в 2025 году.

Важность для SEO

Патент имеет высокое значение для SEO (8/10). Он демонстрирует, что Google может определять «возраст» и временную релевантность документа не только по дате публикации или контенту, но и по тому, как именно пользователи ищут и находят этот контент. Это подчеркивает важность анализа точных формулировок запросов (например, в GSC) и необходимость соответствия контента текущему временному интенту пользователя.

Детальный разбор

Термины и определения

Age Classification (Классификация возраста)

Определение документа или запроса как «новый» (New), «старый» (Old) или «вневременной» (Non-temporal).

Document-Query Pair Data (Данные о парах Документ-Запрос)

Хранилище данных (например, из логов поиска), связывающее документы с запросами, по которым пользователи переходили на эти документы.

Extended Query (Расширенный запрос)

Запрос, который включает все термины базового запроса плюс дополнительные термины (уточнение). Используется для разрешения неоднозначности повторяющихся запросов.

New Count / Old Count (Счетчик новых / старых запросов)

Количество связанных запросов, классифицированных как «новые» или «старые». Может быть взвешенным с использованием Quality of Result Statistic.

Popularity Time Change Window (Временное окно изменения популярности)

Повторяющийся период времени, в течение которого популярность запроса временно изменяется (всплеск или падение) выше порогового значения.

Quality of Result Statistic (Статистика качества результата)

Метрика, оценивающая, насколько пользователи были удовлетворены документом в ответ на запрос. Основана на поведенческих данных (клики, dwell time, CTR).

Related Queries (Связанные запросы)

Запросы из Document-Query Pair Data, по которым пользователи ранее выбирали данный документ.

Recurring Query (Повторяющийся запрос)

Запрос, который демонстрирует несколько всплесков популярности с течением времени (например, ежегодно).

Temporal Terms (Временные термины)

Термины в запросе, которые передают информацию о временных рамках (например, даты, «новый», «старый», «текущий», «прошлый»).

Time Trend Data (Данные о временных трендах)

Данные, связывающие Recurring Query и определенный период времени с наиболее популярным Extended Query для этого периода.

Ключевые утверждения (Анализ Claims)

Патент описывает три взаимосвязанных, но различных механизма для корректировки оценок на основе времени. Claims 1-9 фокусируются на первом механизме.

Механизм 1: Классификация возраста документа на основе связанных запросов (Claims 1-9)

Claim 1 (Независимый пункт): Описывает метод корректировки оценки документа на основе возраста связанных запросов.

1. Система идентифицирует документы, релевантные первому запросу.
2. Для документа определяются ранее полученные Related Queries, которые соответствуют (match) первому запросу.
3. Каждый связанный запрос классифицируется как New или Old в зависимости от наличия Temporal Terms.
4. Рассчитываются New Count и Old Count.
5. Документ классифицируется как New, если New Count превышает порог; иначе как Old, если Old Count превышает порог.
6. Оценка корректируется: положительная корректировка, если документ New (на основе New Count); отрицательная, если документ Old (на основе Old Count).
7. Документы ранжируются по скорректированным оценкам.

Зависимые пункты (Claims 2, 3): Уточняют, что New Count и Old Count могут быть взвешенными (weighted count) с использованием Quality of Result Statistic для каждой пары запрос-документ. Запросы с лучшими поведенческими метриками вносят больший вклад в классификацию.

(Хотя Claims фокусируются на Механизме 1, в описании патента детально раскрыты еще два механизма, важных для понимания технологии):

Механизм 2: Корректировка оценок на основе окон популярности (Описан в патенте)

Система определяет Popularity Time Change Window (повторяющийся период всплеска или падения популярности) для запросов. Если текущее время находится в пределах такого окна для Related Queries документа, оценка корректируется (повышается при всплеске, понижается при падении).

Механизм 3: Использование временных трендов и расширенных запросов (Описан в патенте)

Система идентифицирует Recurring Queries и определяет, какой Extended Query (уточнение) наиболее популярен в текущий период времени (Time Trend Data). При получении базового запроса система повышает документы, релевантные актуальному Extended Query.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно вычисленные данные и применяя корректировки на финальных стадиях.

INDEXING – Индексирование и извлечение признаков
На этом этапе (или в ходе офлайн-обработки логов) собираются и агрегируются Document-Query Pair Data. Также рассчитываются Quality of Result Statistics для этих пар.

QUNDERSTANDING – Понимание Запросов
Офлайн-компоненты (например, Time Trend Engine) анализируют данные о популярности запросов для выявления Popularity Time Change Windows, идентификации Recurring Queries и генерации Time Trend Data.

RANKING / RERANKING – Ранжирование и Переранжирование
Основное применение патента. Компонент Score Adjuster (который может быть частью Rank Modifier Engine) работает в реальном времени во время обработки запроса:

• Механизм 1: Анализирует Related Queries для кандидатов ранжирования, вычисляет New/Old Counts и определяет корректировку возраста.
• Механизм 2: Проверяет, находится ли текущее время в окне популярности для Related Queries.
• Механизм 3: Использует Time Trend Data для идентификации Extended Query и корректирует оценки на его основе.

Ranking Engine получает эти корректировки и использует их для финального ранжирования.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы, где актуальность критична (QDF), и на неоднозначные запросы с циклической популярностью.
• Конкретные ниши или тематики: Новости, спорт, события, технологии (где информация быстро устаревает). Сезонные тематики (праздники, путешествия, сезонный E-commerce).

Когда применяется

• Механизм 1 (Возраст): Применяется, когда New Count или Old Count превышают установленные пороги. В патенте упоминается, что корректировка может не применяться, если исходный запрос сам классифицирован как «старый».
• Механизм 2 (Популярность): Активируется, когда текущее время попадает в идентифицированное Popularity Time Change Window для запросов, связанных с документом.
• Механизм 3 (Тренды): Активируется, когда входящий запрос идентифицирован как Recurring Query и для него существуют данные Time Trend Data для текущего периода.

Пошаговый алгоритм

Патент описывает три отдельных процесса.

Процесс А: Классификация возраста документа (Механизм 1)

1. Получение запроса и кандидатов: Система получает запрос и набор релевантных документов с базовыми оценками.
2. Идентификация связанных запросов: Для каждого документа извлекаются Related Queries (в некоторых вариантах только те, что соответствуют исходному запросу).
3. Классификация возраста запросов: Каждый связанный запрос классифицируется как New, Old или Non-temporal на основе наличия в нем Temporal Terms.
4. Агрегация классификаций: Для документа рассчитываются New Count и Old Count. Счетчики могут взвешиваться по Quality of Result Statistic.
5. Классификация возраста документа: Если New Count (или Old Count) превышает пороговое значение, документ классифицируется как New (или Old).
6. Расчет корректировки: Если документ New, рассчитывается положительная корректировка. Если Old – отрицательная.
7. Применение корректировки и ранжирование.

Процесс Б: Корректировка на основе окон популярности (Механизм 2)

1. Предварительная обработка (Офлайн): Анализ данных о популярности для выявления повторяющихся Popularity Time Change Windows (всплесков/падений) для запросов.
2. Получение запроса: Система получает запрос в момент времени T.
3. Идентификация связанных запросов: Для релевантных документов извлекаются Related Queries.
4. Проверка окон популярности: Система определяет, попадает ли время T в Popularity Time Change Window для каких-либо из связанных запросов.
5. Расчет корректировки: Если да, рассчитывается корректировка (положительная для всплесков, отрицательная для падений).
6. Применение корректировки и ранжирование.

Процесс В: Использование временных трендов (Механизм 3)

1. Предварительная обработка (Офлайн):
   • Идентификация Recurring Queries (Q) и их Extended Queries (E).
   • Расчет популярности E для разных периодов времени (T).
   • Сохранение Time Trend Data: маппинг (Q, T) на наиболее популярный E.
2. Обработка запроса (Онлайн): Система получает запрос Q в период T.
3. Поиск расширенного запроса: Система ищет в Time Trend Data соответствующий Extended Query (E).
4. Корректировка оценки: Документы оцениваются с учетом E (например, повышаются документы, содержащие термины из E, которых нет в Q).
5. Ранжирование.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Ключевые данные):
  • Document-Query Pair Data: Логи, фиксирующие, какие документы были выбраны по каким запросам.
  • Quality of Result Statistic: Метрики (клики, dwell time), используемые для взвешивания связанных запросов.
  • Query Popularity Data: Временные ряды частоты запросов, используемые для анализа трендов и сезонности.
  • Данные о реформулировках запросов (Query Refinements), используемые для идентификации Extended Queries.
• Лингвистические/Временные факторы:
  • Temporal Terms: Списки терминов, классифицированных как «новые» или «старые».
  • Текущее время отправки запроса.

Какие метрики используются и как они считаются

• New Count и Old Count: Сумма связанных запросов соответствующей классификации. Взвешивание происходит путем умножения на вес, полученный из Quality of Result Statistic.
• Идентификация Popularity Time Change Window: Используются методы анализа временных рядов для выявления статистически значимых всплесков или падений популярности выше порогового значения.
• Popularity Score для Extended Queries (Механизм 3): Рассчитывается для выбора лучшего расширенного запроса в период времени T. Пример формулы: (Количество подач расширенного запроса E в период T) / (Количество подач базового запроса Q в период T).
• Факторы корректировки: Определяются на основе New/Old Count, магнитуды изменения популярности или оценки популярности Extended Query.

Выводы

1. История запросов определяет возраст контента: Ключевой вывод в том, что Google может классифицировать документ как «старый» или «новый» на основе интента запросов, которые исторически приводили к этому документу, а не только по дате публикации или контенту.
2. Поведенческие факторы как вес доказательств: Quality of Result Statistic (клики, dwell time) используется для взвешивания влияния связанных запросов. Запросы с высоким качеством результата имеют больший вес при определении возраста документа.
3. Сезонность как фактор ранжирования: Патент описывает конкретный механизм использования циклических трендов (Popularity Time Change Windows). Документы, связанные с запросами, переживающими сезонный всплеск, получают повышение в этот период.
4. Динамическое уточнение интента по времени: Для неоднозначных повторяющихся запросов Google не использует единую интерпретацию. Система динамически определяет доминирующий интент (через Extended Queries) в зависимости от текущего времени года, основываясь на исторических данных.
5. Офлайн-анализ для онлайн-ранжирования: Система полагается на масштабный офлайн-анализ логов популярности и трендов для создания моделей (Time Trend Data), которые затем быстро применяются в реальном времени при ранжировании.

Практика

Best practices (это мы делаем)

• Мониторинг и оптимизация под временные модификаторы (Механизм 1): Анализируйте в GSC точные формулировки запросов. Если вы хотите, чтобы контент считался свежим (New), он должен привлекать запросы с актуальными временными модификаторами («2025 год», «последние новости»). Регулярно обновляйте контент, чтобы поддерживать этот сигнал.
• Управление жизненным циклом контента (Механизм 1): Для устаревающего контента убедитесь, что он четко позиционируется как архивный, чтобы избежать понижения по общим запросам, где требуется свежесть, и укрепить позиции по историческим запросам.
• Подготовка к сезонности (Механизм 2): Заранее готовьте и обновляйте контент для известных сезонных всплесков (Popularity Time Change Windows). Убедитесь, что ваш контент ассоциируется с релевантными сезонными запросами, чтобы получить буст во время пика популярности.
• Оптимизация под временной интент (Механизм 3): Если вы работаете с повторяющимися запросами (например, «подарки», «расписание экзаменов»), определите доминирующие уточнения (Extended Queries) для каждого периода времени и убедитесь, что ваш контент удовлетворяет именно текущему доминирующему интенту.
• Повышение качества взаимодействия: Поскольку Quality of Result Statistic используется для взвешивания, критически важно работать над улучшением поведенческих факторов и удовлетворенности пользователя.

Worst practices (это делать не надо)

• Искусственное омоложение контента: Простая смена даты публикации без реального обновления контента неэффективна. Если исторические запросы, ведущие на страницу, классифицированы как Old, система будет считать контент старым.
• Игнорирование устаревания: Попытки ранжировать устаревший контент по общим запросам, требующим свежести. Система активно понизит такой контент, если его Old Count высок.
• Оптимизация под базовый запрос без учета времени (Механизм 3): Создание контента под общий Recurring Query без учета специфики текущего сезона. Система предпочтет контент, соответствующий текущему Extended Query.

Стратегическое значение

Этот патент подтверждает важность анализа временных рядов и исторических поведенческих данных в алгоритмах ранжирования Google. Он показывает переход от статической оценки свежести (по дате) к динамической оценке временной релевантности, основанной на эволюции пользовательского интента. Для SEO это означает, что стратегия должна быть адаптивной, учитывать сезонность и жизненный цикл информации, а также фокусироваться на точном соответствии интенту пользователя в конкретный момент времени.

Практические примеры

Сценарий 1: Классификация возраста (Механизм 1)

Задача: Повысить ранжирование страницы «Лучшие смартфоны» по общему запросу.

1. Анализ: Анализ GSC показывает, что страница получает много трафика по запросам «лучшие смартфоны 2023». У страницы высокий Old Count.
2. Действия: Страница масштабно обновляется под текущий год и оптимизируется под запросы «лучшие смартфоны 2025».
3. Результат: Со временем New Count увеличивается. Страница получает буст по общему запросу «лучшие смартфоны», так как система классифицирует ее как New на основе новых связанных запросов.

Сценарий 2: Разрешение неоднозначности (Механизм 3)

Задача: Получить трафик по запросу «фестиваль тюльпанов» весной.

1. Анализ: Запрос «фестиваль тюльпанов» является Recurring Query. Анализ трендов (Time Trend Data) показывает, что в марте доминирует Extended Query «фестиваль тюльпанов Амстердам», а в апреле – «фестиваль тюльпанов Стамбул».
2. Действия: В марте на сайте делается акцент на фестивале в Амстердаме. В апреле фокус смещается на Стамбул.
3. Результат: Сайт получает повышение в ранжировании в оба периода, так как его контент соответствует доминирующему Extended Query, который система использует для интерпретации базового запроса в это время.

Вопросы и ответы