Как Google использует сохранение, шеринг и удаление результатов поиска как сигналы качества для ранжирования

Описание

Какую задачу решает

Патент решает задачу повышения качества и релевантности поисковой выдачи путем сбора и анализа явной обратной связи (explicit user feedback) от пользователей. Вместо того чтобы полагаться только на неявные сигналы (например, клики), система использует активные действия пользователей на SERP — сохранение, шеринг, удаление, группировку — как прямые индикаторы удовлетворенности и долгосрочной полезности контента.

Что запатентовано

Запатентована система, которая позволяет пользователям сохранять, управлять (делиться, удалять, группировать, аннотировать) и распространять результаты поиска. Суть изобретения заключается в интерпретации этих явных действий как сигналов качества (indicators of search result quality). Эти сигналы используются для модификации оценок качества (Quality Scores) документов, что напрямую влияет на их ранжирование в последующих поисковых запросах.

Как это работает

Система предоставляет интерфейс (например, кнопки на SERP) для сохранения или шеринга результатов. Эти действия записываются в базу данных (Saved Results Data Structure), ассоциируясь с запросом и пользователем. Система анализирует агрегированные данные:

• Частота: Если результат часто сохраняют или им делятся, его Quality Score повышается (Boost).
• Постоянство (Persistence): Анализируется поведение после сохранения. Если результат быстро удаляется, это негативный сигнал (Deletion Signal) относительно результатов, которые хранятся долго.
• Предпочтения: Анализируется, какие типы контента предпочитают пользователи для конкретных запросов.
• Персонализация: Система повышает результаты, похожие (similar) на те, что пользователь сохранял ранее.

Актуальность для SEO

Высокая. Патент является продолжением заявки от 2005 года. Хотя конкретный пользовательский интерфейс, описанный в патенте, может отличаться от текущей реализации (например, эволюция в Google Collections/Saved), базовые принципы крайне актуальны. Использование явных сигналов вовлеченности для оценки долгосрочной удовлетворенности пользователя остается центральной задачей Google.

Важность для SEO

Влияние на SEO значительное (8/10). Патент описывает конкретные механизмы, конвертирующие явные сигналы удовлетворенности в повышение Quality Scores. Это подчеркивает стратегическую важность создания контента, который обладает высокой полезностью — настолько, чтобы пользователи захотели сохранить его для будущего использования или немедленно поделиться им с другими. Это смещает фокус с оптимизации под клик на оптимизацию под глубокое вовлечение.

Детальный разбор

Термины и определения

Boost (Повышение)

Значение, добавляемое к Quality Score результата на основе анализа действий пользователя. Может быть query-dependent или query-independent.

Deletion Signal (Сигнал удаления) / Persistence (Постоянство)

Индикатор качества, основанный на времени между сохранением и удалением результата. Быстрое удаление интерпретируется негативно по сравнению с длительным хранением.

Mailing (Отправка по почте)

Действие по отправке результата по email. Частота отправок используется как сигнал качества.

Quality Score (Q_SCORE) (Оценка качества)

Числовая оценка документа, используемая для ранжирования. Модифицируется на основе действий по сохранению/шерингу.

Query-dependent / Query-independent (Зависимый / Независимый от запроса)

Повышение может применяться только для исходного запроса (dependent) или глобально для документа по любым запросам (independent).

Result Type (Тип результата)

Категория результата (веб-страница, изображение, продукт, реклама). Система анализирует предпочтения пользователей по типам.

Saved Search Results (Сохраненные результаты поиска)

Результаты, которые пользователь явно выбрал для сохранения после выполнения поиска.

Sharing (Шеринг, Совместное использование)

Действие по предоставлению доступа к результату другим пользователям. Сильный сигнал качества.

Similarity Analysis (Анализ схожести)

Процесс определения похожести между документами для целей персонализации, основанный на контенте, ссылках, структуре и других признаках.

Ключевые утверждения (Анализ Claims)

Важное примечание: Патент US9031945B1 является продолжением более ранней заявки. Хотя описание (Description) патента широко обсуждает использование сохранения (saving), основные независимые пункты Формулы изобретения (Claims) сфокусированы конкретно на расшаривании (sharing).

Claim 1, 8, 16 (Независимые пункты): Описывают систему и метод использования шеринга для влияния на ранжирование.

1. Система получает поисковый запрос от пользователя.
2. Идентифицируются результаты поиска.
3. Пользователю предоставляется документ (SERP), включающий ссылки на результаты и опцию для шеринга (Share) одной или нескольких ссылок с другими пользователями.
4. Система обнаруживает выбор опции шеринга.
5. Система обеспечивает совместное использование ссылок.
6. Ключевое утверждение: Quality Score документов, соответствующих расшаренным ссылкам, модифицируется на основании того, что эти ссылки были расшарены.

Ядром изобретения, согласно Claims, является использование акта шеринга как сигнала для изменения оценки качества документа.

Анализ механизмов в описании (Description, FIGS. 10A-10C):
Описание патента детализирует дополнительные критически важные механизмы использования сохраненных данных:

Анализ Сохранений и Удалений:

• Если пользователи часто сохраняют одни и те же результаты, их Quality Scores повышаются (Block 1005).
• Если результат R1 удаляется из сохраненных в течение короткого времени, а результат R2 остается (и оба были сохранены по одному запросу), то Quality Score для R2 повышается относительно R1 (Block 1025). Это механизм оценки долгосрочной полезности (Persistence).

Анализ Шеринга и Отправки по почте:

• Quality Scores результатов, которыми делятся (Block 1030) или отправляют по почте (Block 1035), повышаются на основе частоты этих действий.

Персонализация и Анализ Схожести:

• Система использует историю сохранений пользователя для повышения Quality Scores похожих (similar) результатов для этого пользователя в будущем (Block 1040). Схожесть определяется по множеству признаков (контент, ссылки, структура, сайт).

Где и как применяется

Изобретение затрагивает несколько этапов поиска и требует инфраструктуры для анализа поведения.

INDEXING – Индексирование и извлечение признаков
На этом этапе извлекаются и сохраняются признаки документов (контент, ссылки, мета-теги, верстка, соотношение медиа), которые позже используются для Similarity Analysis при персонализации.

RANKING – Ранжирование
На этом этапе генерируются базовые Quality Scores.

RERANKING – Переранжирование
Основной этап применения патента. Система применяет модификаторы (Boosts), рассчитанные на основе анализа сохраненных и расшаренных результатов.

1. Применение агрегированных бустов: Применяются Query-dependent и Query-independent бусты, основанные на действиях всех пользователей.
2. Применение персонализированных бустов: Для конкретного пользователя система идентифицирует результаты, похожие на те, что он сохранял ранее, и повышает их.

Офлайн-анализ (Offline Analysis):
Требуется асинхронный процесс для анализа базы данных сохраненных результатов, выявления паттернов (частота, удаление, типы) и расчета значений Boost.

На что влияет

• Конкретные типы контента: Влияет на все типы. Наибольшее влияние на контент с долгосрочной полезностью (руководства, справочники, инструменты), который пользователи склонны сохранять или делиться им.
• Реклама (Advertisements): Патент явно указывает: если пользователи сохраняют рекламу, это считается признаком хорошего таргетинга и может указывать на коммерческий характер запроса.
• Специфические запросы: Наибольшее влияние на информационные и исследовательские запросы.

Когда применяется

• Условия работы алгоритма: Алгоритм применяется при наличии достаточного объема данных о сохраненных/расшаренных результатах для документа или запроса.
• Частота применения: Сбор данных происходит непрерывно в реальном времени. Расчет бустов происходит периодически (офлайн). Применение бустов происходит в реальном времени во время ранжирования/переранжирования.

Пошаговый алгоритм

Процесс работы системы можно разделить на три основных потока.

Поток А: Взаимодействие пользователя и сбор данных (Реальное время)

1. Отображение SERP: Пользователю предоставляется SERP с опциями сохранения и шеринга.
2. Действие пользователя: Пользователь выполняет действие (Сохранить, Поделиться, Отправить по почте).
3. Запись данных: Система записывает действие в Saved Results Data Structure, ассоциируя результат с запросом и User ID. Фиксируется временная метка.
4. Управление сохраненным: Пользователь позже может вернуться к результатам для группировки, аннотирования или удаления.
5. Запись изменений: Действия по управлению (особенно удаление) также записываются с временными метками.

Поток Б: Анализ данных и расчет модификаторов (Офлайн/Асинхронно)

1. Агрегация данных: Система анализирует Saved Results Data Structure.
2. Идентификация популярных результатов: Выявляются результаты и типы результатов, которые часто сохраняются/расшариваются.
3. Анализ Постоянства (Persistence/Deletion Analysis): Анализируется время жизни сохраненных результатов. Выявляются быстро удаляемые результаты (негативный сигнал).
4. Расчет Boost значений: На основе частоты, шеринга и анализа удалений рассчитываются значения Boost (Query-dependent и Query-independent).
5. Сохранение модификаторов: Рассчитанные значения Boost сохраняются для использования в ранжировании.

Поток В: Ранжирование и Переранжирование (Реальное время)

1. Получение запроса и базовое ранжирование: Определяется набор кандидатов и их базовые Quality Scores.
2. Применение агрегированных модификаторов: К базовым оценкам добавляются значения Boost (из Потока Б).
3. Анализ схожести для персонализации (Similarity Analysis): Система сравнивает кандидатов с историей сохраненных результатов пользователя, используя признаки схожести (контент, ссылки, верстка).
4. Применение персонализированных модификаторов: Похожие результаты получают дополнительный персонализированный Boost.
5. Финальное ранжирование: Результаты сортируются по итоговым модифицированным Quality Scores.

Какие данные и как использует

Данные на входе

Система использует следующие типы данных:

• Поведенческие факторы (Explicit Actions):
  • Сохранение (Save).
  • Шеринг (Share) и Отправка по почте (Mailing).
  • Удаление (Delete).
  • Группировка (Grouping) и Аннотирование (Annotations/Labels).
  • Порядок сохранения результатов (Order of saving).
• Временные факторы:
  • Время сохранения и время удаления (используется для расчета Deletion Signal).
• Пользовательские факторы:
  • User ID (для агрегации и персонализации).

Для Similarity Analysis при персонализации используются:

• Технические факторы: Сайт/домен результата.
• Контентные и Мультимедиа факторы: Соотношение изображений к тексту; Общие слова, общие редкие (uncommon) слова.
• Структурные факторы: Мета-теги (meta-data tags), форматирование/верстка (formatting/layout).
• Ссылочные факторы: Исходящие ссылки (outgoing links), Входящие ссылки (incoming links).

Какие метрики используются и как они считаются

• Частота сохранений/шеринга/отправки (Frequency of Saves/Shares/Mailings): Агрегированное количество действий для документа. Используется для расчета Boost по популярности.
• Постоянство сохранения (Persistence) / Скорость удаления (Deletion Velocity): Время между сохранением и удалением. Используется для сравнения качества двух результатов (R1 vs R2).
• Предпочтение типа результата (Result Type Preference): Частота сохранения одного типа результата по сравнению с другими для данного запроса.
• Схожесть результатов (Similarity Score): Метрика, определяющая насколько текущий результат похож на ранее сохраненные пользователем. Рассчитывается на основе взвешивания общих признаков (сайт, контент, ссылки, верстка).
• Boost (Повышение): Итоговый модификатор, применяемый к Quality Score. Рассчитывается на основе вышеперечисленных метрик.

Выводы

1. Явные сигналы вовлеченности как фактор качества: Патент доказывает, что Google использует явные действия пользователя (сохранение, шеринг), а не только неявные (клики), как прямые индикаторы качества и полезности контента.
2. Шеринг как сильный позитивный сигнал: Акт шеринга или отправки по почте является сильным сигналом удовлетворенности, который приводит к повышению Quality Score (это основной фокус Claims патента).
3. Долгосрочная полезность и анализ удалений (Persistence): Система анализирует, как долго результат остается сохраненным. Быстрое удаление (Deletion Signal) интерпретируется как негативный сигнал относительно результатов, которые хранятся долго.
4. Многоуровневое повышение (Boosting): Повышение может быть как Query-dependent (улучшает ранжирование по конкретному запросу), так и Query-independent (повышает общую авторитетность документа).
5. Глубокая персонализация через анализ схожести: Патент описывает сложный механизм персонализации. Система повышает результаты, похожие на ранее сохраненные, используя широкий спектр признаков, включая контент, ссылки, структуру и даже верстку (layout).
6. Анализ интента через типы контента: Предпочтения в сохранении определенных типов контента (например, изображений) используются для понимания интента запроса и корректировки ранжирования.

Практика

Best practices (это мы делаем)

• Создание «Bookmarkable» контента: Фокусируйтесь на создании контента, который пользователи захотят сохранить для повторного использования (исчерпывающие руководства, исследования, чек-листы, инструменты). Контент должен обладать долгосрочной ценностью, чтобы максимизировать сигнал Persistence.
• Стимулирование легитимного шеринга («Share-worthy» content): Создавайте контент, которым пользователи захотят поделиться или отправить по почте. Согласно Claims патента, это напрямую влияет на модификацию Quality Score.
• Оптимизация удовлетворенности пользователя (User Satisfaction): Необходимо полностью удовлетворить интент. Контент, который разочаровывает после изучения, может быть удален из сохраненного, активируя негативный Deletion Signal.
• Внимание к структуре и верстке (Layout/Formatting): Поскольку форматирование и верстка указаны как признаки для Similarity Analysis при персонализации, поддержание чистого, профессионального и консистентного дизайна может способствовать повышению видимости других страниц вашего сайта для лояльных пользователей.
• Улучшение ссылочного профиля и метаданных: Качественные входящие и исходящие ссылки, а также мета-теги используются для Similarity Analysis и могут усилить эффект персонализации.

Worst practices (это делать не надо)

• Кликбейт без долгосрочной ценности: Контент, который привлекает трафик, но не предлагает реальной пользы. Он не получит Boost от этого механизма и может сгенерировать негативные сигналы (быстрое удаление).
• Введение пользователя в заблуждение: Если контент не соответствует ожиданиям, пользователь может сохранить его для изучения, но быстро удалить. Механизм Deletion Analysis зафиксирует это как признак низкой полезности.
• Игнорирование разнообразия типов контента: Если анализ ниши показывает предпочтение определенного типа контента (например, видео), игнорирование этого может привести к потере позиций, так как система корректирует ранжирование на основе предпочтений Result Type.

Стратегическое значение

Патент подчеркивает стратегическую важность перехода от метрик трафика к метрикам вовлеченности и долгосрочной удовлетворенности. Стратегия SEO должна быть направлена на создание ресурсов, которые становятся «избранными» для пользователей. Это также подтверждает важность механизмов персонализации в поиске: Google стремится показывать пользователям больше того, что им уже понравилось (сохранено), основываясь на комплексном анализе схожести контента и структуры.

Практические примеры

Сценарий 1: Повышение ранжирования исчерпывающего руководства (Анализ частоты и шеринга)

1. Контент: Сайт публикует «Исчерпывающее руководство по техническому SEO аудиту 2025».
2. Действие пользователя: SEO-специалисты, найдя руководство по запросу «чек-лист технического SEO», массово сохраняют его (например, в Google Collections) и делятся им с коллегами.
3. Механизм Google: Система фиксирует высокую частоту сохранений и шеринга для этого документа по данному запросу.
4. Результат: Система применяет Query-dependent boost к Quality Score этого руководства, значительно улучшая его позиции. Также может быть применен Query-independent boost.

Сценарий 2: Анализ удалений и пессимизация кликбейта (Deletion Analysis)

1. Контент: Сайт А публикует статью «Секретный фактор ранжирования», сайт Б публикует «Анализ обновлений Google».
2. Действие пользователя: Пользователи сохраняют обе статьи. Изучив статью А (кликбейт), они удаляют ее из сохраненного в течение часа. Статью Б оставляют для референса.
3. Механизм Google: Система применяет Deletion Analysis. Фиксируется, что статья А быстро удаляется (низкий Persistence), а статья Б остается (высокий Persistence).
4. Результат: Quality Score статьи Б повышается относительно Quality Score статьи А.

Вопросы и ответы