Как Google фильтрует персонализированные поисковые подсказки на основе контента просматриваемой страницы и глубины навигации

Описание

Какую задачу решает

Патент решает проблему релевантности персонализированных поисковых подсказок (Query Suggestions), когда пользователь покидает страницу результатов поиска (SERP) и просматривает контент. Подсказки, основанные только на истории поиска, могут не соответствовать текущему контексту страницы. Изобретение гарантирует, что предложения релевантны как прошлому интересу пользователя (истории), так и его текущему контексту (содержанию страницы), и предотвращает показ устаревших предложений, если пользователь сменил тему в процессе навигации.

Что запатентовано

Запатентована система (реализуемая на клиенте или сервере) для генерации и фильтрации поисковых подсказок. Сначала создается набор кандидатов (Candidate set) на основе истории поиска пользователя (Search History Data). Затем, когда пользователь просматривает ресурс, этот набор фильтруется с использованием критерия релевантности (Relevancy criterion) относительно контента этого ресурса. Система также учитывает глубину навигации (N subsequent links) для ограничения своей работы.

Как это работает

Механизм работает в несколько этапов:

• Персонализация: Система анализирует Search History Data пользователя (логи запросов и кликов) для генерации Candidate set of search query suggestions.
• Отслеживание навигации: Система мониторит переходы пользователя по ссылкам от исходного результата поиска, формируя Link graph.
• Проверка порога: Система проверяет, находится ли текущий ресурс в пределах допустимого порога (Evaluation relevance threshold), например, в пределах N кликов от начала навигации.
• Контекстуальная фильтрация: Если порог не превышен, каждая подсказка-кандидат оценивается на соответствие Relevancy criterion по отношению к контенту текущего ресурса (например, с помощью Term Frequency Function).
• Отображение: Подсказки, прошедшие фильтрацию, включаются в Final set и отображаются пользователю (например, в тулбаре браузера).

Актуальность для SEO

Средняя. Персонализация и понимание контекста сессии остаются фундаментальными для Google. Однако конкретная реализация, описанная в патенте (например, показ подсказок в тулбаре при просмотре внешнего сайта), может быть менее распространена в 2025 году по сравнению с подсказками внутри SERP или в интерфейсе браузера (например, Chrome). Тем не менее, базовые принципы фильтрации персонализированных сигналов на основе текущего контекста актуальны.

Важность для SEO

Влияние на SEO опосредованное (4/10). Патент не описывает алгоритмы ранжирования. Он фокусируется на пользовательском опыте (UX) и механизмах генерации подсказок после того, как пользователь уже перешел на сайт. Прямого влияния на позиции нет, но он дает понимание того, как Google анализирует контент страницы в реальном времени для сопоставления с намерениями пользователя и его историей, что косвенно влияет на поведение пользователя в рамках сессии.

Детальный разбор

Термины и определения

Candidate set of search query suggestions (Набор кандидатов предложений запросов)

Предварительный набор поисковых подсказок, сгенерированный на основе исходного запроса и Search History Data пользователя, до применения фильтрации по контенту ресурса.

Evaluation relevance threshold (Порог оценки релевантности)

Порог, определяющий, следует ли продолжать генерацию/фильтрацию подсказок для текущей страницы. Может основываться на расстоянии (N кликов) от исходного результата поиска или на схожести контента.

Final set of search query suggestions (Финальный набор предложений запросов)

Набор подсказок, отобранных из Candidate Set, которые удовлетворяют Relevancy Criterion.

Link Graph (Граф ссылок)

Структура данных, отражающая навигацию пользователя. Используется для отслеживания дистанции от исходного результата поиска.

N subsequent links (N последующих ссылок/кликов)

Метрика глубины навигации в Link graph. Используется в Evaluation relevance threshold.

Relevancy criterion (Критерий релевантности)

Критерий, определяющий, является ли предложенный запрос релевантным содержанию просматриваемого ресурса. Может включать пороговые значения или ранжирование (Топ-N).

Relevancy measure (Мера релевантности)

Числовая оценка релевантности предложения контенту. В патенте упоминается использование Term Frequency function для ее расчета.

Search History Data (Данные истории поиска)

Данные о предыдущих запросах (Query logs) и действиях пользователя (Click logs). Могут храниться на сервере или локально на клиенте.

Subsequent resource (Последующий ресурс)

Ресурс, на который пользователь перешел по цепочке ссылок, начиная с ресурса, открытого из результатов поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной механизм фильтрации предложений для последующих ресурсов с учетом глубины навигации.

1. Система получает первый набор предложений запросов для Запроса Q (предназначенный для отображения с первым Ресурсом R1, который был ответом на Q).
2. Система получает контент последующего Ресурса R2 (Subsequent resource). R1 является предком R2 в Link graph.
3. Система проверяет условие: находится ли R2 в пределах N кликов (N subsequent links) от R1 (N >= 1).
4. Если ДА (ресурс не слишком далеко), система выполняет фильтрацию:
   • Определяет, соответствует ли предложение запроса Relevancy criterion относительно контента R2.
   • Если соответствует — включается в Final set. Если нет — исключается.
5. Final set предоставляется для отображения на устройстве пользователя.

Ядро изобретения — это условная фильтрация персонализированных подсказок. Фильтрация по контенту активируется только для ресурсов, которые находятся достаточно близко к началу поисковой сессии.

Claim 2 (Зависимый от 1): Уточняет, что первый набор предложений основан на Search History Data.

Claim 5 и 6 (Зависимые от 2): Указывают, что система может быть реализована как на устройстве пользователя (Claim 5, история хранится локально), так и на сервере/поисковой системе (Claim 6).

Где и как применяется

Изобретение функционирует на этапах, связанных с персонализацией и взаимодействием с пользователем после основного ранжирования.

QUNDERSTANDING – Понимание Запросов
На этом этапе система использует Search History Data для генерации персонализированного набора предложений-кандидатов (Candidate set). Это часть процесса понимания намерения пользователя в контексте его истории.

Пользовательский Интерфейс (Post-SERP Interaction)
Основное применение патента происходит после того, как пользователь покинул SERP и просматривает контент ресурса. Механизм может быть реализован в браузере, тулбаре или через взаимодействие с поисковой системой в реальном времени.

• Компоненты: Взаимодействует с Query Suggestion System (серверной или клиентской) и хранилищем Search History Data.
• Входные данные: Исходный запрос, Search History Data, контент просматриваемого ресурса, данные о навигации (link graph, глубина N).
• Выходные данные: Final set of search query suggestions.

На что влияет

• Пользовательский опыт (UX): Влияет на то, какие подсказки видит пользователь во время просмотра веб-страницы, повышая их релевантность текущему контексту.
• Специфические запросы: Наибольшее влияние на информационные и исследовательские запросы, где пользователь изучает тему и нуждается в уточнении поиска по ходу изучения.

Когда применяется

• Триггер активации: Пользователь просматривает ресурс, на который он перешел из результатов поиска или по последующим ссылкам.
• Пороговые значения (Evaluation relevance threshold): Алгоритм фильтрации активен, только если текущий ресурс находится в пределах N кликов от первого ресурса (например, N=5, 10 или 15).
• Альтернативные пороги: Вместо кликов может использоваться мера схожести контента (например, Cosine similarity). Если схожесть падает ниже порога, механизм отключается.
• Исключения: В патенте рассматривается вариант, когда фильтрация может не применяться к первому ресурсу, открытому из SERP, а только к последующим (Subsequent resources). Также не применяется при прямом вводе URL или открытии закладки.

Пошаговый алгоритм

Этап 1: Инициация и генерация кандидатов

1. Получение запроса и истории: Пользователь отправляет запрос. Система получает доступ к Search History Data.
2. Генерация кандидатов: Система генерирует Candidate Set подсказок на основе запроса и истории.
3. Переход на ресурс (R1): Пользователь выбирает результат поиска и переходит на первый ресурс (R1). Подсказки могут быть показаны (с фильтрацией или без).

Этап 2: Навигация и контекстная фильтрация

1. Переход на последующий ресурс (R2): Пользователь переходит по ссылке с R1 на R2. Система обновляет Link graph.
2. Проверка порога (Evaluation Relevance Threshold): Система проверяет, находится ли R2 в пределах допустимого порога (N кликов или схожесть контента).
   • Если порог превышен: Процесс останавливается. Подсказки, связанные с исходным поиском, не отображаются.
   • Если порог не превышен: Перейти к анализу контента.
3. Анализ контента R2: Система анализирует содержание ресурса R2.
4. Применение критерия релевантности (Relevancy Criterion): Для каждой подсказки из Candidate Set рассчитывается Relevancy Measure (например, с помощью Term Frequency Function) относительно контента R2.
5. Формирование финального набора: Подсказки, удовлетворяющие критерию (например, превышающие порог или входящие в Топ-N), включаются в Final Set.
6. Отображение: Final Set отображается пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Ключевые данные. Используются Search History Data (Query Logs, Click Logs) для генерации персонализированных кандидатов. Также используется текущая навигация пользователя (построение Link graph) для определения контекста сессии.
• Контентные факторы: Текст просматриваемого ресурса анализируется для оценки релевантности подсказок (фильтрация).
• Пользовательские факторы: Уникальный идентификатор (unique identifier) пользователя или устройства для доступа к истории поиска.

Какие метрики используются и как они считаются

• Relevancy measure (Мера релевантности): Оценка релевантности подсказки контенту. Рассчитывается на основе Term Frequency function (частота терминов из подсказки в контенте). Для многословных подсказок значения TF могут усредняться.
• Relevancy criterion (Критерий релевантности): Условие включения подсказки в финальный набор. Варианты: превышение минимального порога Relevancy measure, вхождение в Топ-N предложений, или нормализация оценок.
• Evaluation relevance threshold (Порог оценки релевантности): Определяет активность механизма. Варианты:
  • Дистанция в графе (N subsequent links): Максимальное количество кликов от первого ресурса.
  • Схожесть контента: Минимальный порог схожести (например, Cosine similarity между векторами терминов текущего и первого ресурсов).

Выводы

1. Это патент о UX и персонализации, а не о ранжировании: Описанные механизмы не влияют на то, как сайты ранжируются в Google. Они направлены на улучшение пользовательского опыта после того, как пользователь покинул SERP.
2. Персонализация фильтруется контекстом: Google стремится к тому, чтобы подсказки были релевантны не только общей истории пользователя (которая генерирует кандидатов), но и его текущему контексту (контент просматриваемой страницы, который их фильтрует).
3. Анализ контента для валидации: Система активно проверяет соответствие подсказки содержанию страницы, используя такие метрики, как частота терминов (Term Frequency Function).
4. Ограничение поисковой сессии: Система включает защитные механизмы (Evaluation Relevance Threshold), чтобы прекратить показ подсказок, если пользователь сменил тему (контент сильно отличается) или ушел слишком далеко от первоначального поиска (превышено количество кликов N).
5. Гибкость реализации (Клиент/Сервер): Патент предусматривает реализацию как на сервере, так и на клиенте (с локальным хранением истории для повышения конфиденциальности).

Практика

Best practices (это мы делаем)

Хотя патент имеет ограниченное прямое влияние на SEO, он дает понимание того, как Google анализирует контент в контексте сессии пользователя.

• Поддерживайте четкую тематическую направленность и глубину контента: Поскольку система использует Relevancy Criterion (например, частоту терминов) для валидации подсказок, контент с четким фокусом и достаточной глубиной повышает вероятность того, что релевантные персонализированные подсказки будут показаны пользователю.
• Используйте комплексную терминологию и синонимы: Насыщайте текст релевантными терминами и LSI-фразами, которые соответствуют потенциальным следующим шагам пользователя. Это повышает вероятность того, что контент удовлетворит Relevancy Criterion для связанных подсказок.
• Оптимизируйте внутреннюю перелинковку для поддержки контекста: Система отслеживает навигацию через Link graph. Логичная перелинковка, ведущая пользователя по связанным темам, помогает поддерживать поисковый контекст в пределах N кликов и способствует сохранению активности механизма предложений.

Worst practices (это делать не надо)

• Создание «тонкого» контента (Thin Content): Страницы с недостаточным объемом текста могут не пройти проверку Relevancy Criterion, так как система не сможет определить достаточную частоту терминов для валидации подсказок.
• Размытие тематики страницы: Контент, охватывающий много несвязанных тем, может затруднить системе определение релевантности конкретных поисковых подсказок.
• Резкая смена темы при перелинковке: Ссылки на совершенно не связанные темы могут привести к тому, что система определит изменение контекста (низкая схожесть контента или превышение порога N) и деактивирует механизм предложений.

Стратегическое значение

Патент подтверждает стратегический фокус Google на понимании всего пути пользователя (Search Journey) и контекстуальной адаптации. Для SEO это означает, что анализ контента используется не только для ранжирования, но и для управления поведением пользователя в реальном времени. Стратегия должна учитывать не только привлечение трафика, но и поддержку дальнейшего исследования темы пользователем, оптимизируя контент под сложные поисковые намерения и потенциальные следующие шаги.

Практические примеры

Сценарий: Фильтрация подсказок при выборе ноутбука

1. История пользователя: Пользователь искал «лучшие ультрабуки 2025», «время работы батареи ультрабуков».
2. Текущий запрос: «Обзор Dell XPS 13».
3. Генерация Кандидатов (Персонализированные): Система предлагает: «Сравнение Dell XPS 13 и Macbook Air», «Dell XPS 13 время работы», «Dell XPS 13 тесты производительности».
4. Переход на страницу (Ресурс R1): Пользователь открывает детальный обзор. Система анализирует контент. Все три подсказки релевантны контенту и отображаются.
5. Переход по ссылке (Ресурс R2): Внутри обзора пользователь кликает на ссылку «Фотогалерея Dell XPS 13» (в пределах N кликов).
6. Анализ контента и Фильтрация (R2): Система анализирует контент фотогалереи (в основном изображения и короткие подписи).
   • «Dell XPS 13 время работы» и «Dell XPS 13 тесты производительности» получают низкую Relevancy measure (термины не встречаются) и отфильтровываются.
   • «Сравнение Dell XPS 13 и Macbook Air» также может быть отфильтровано, если нет сравнений.
7. Результат: На странице фотогалереи пользователь видит меньше подсказок, так как контент менее релевантен его исследовательскому интенту.

Вопросы и ответы