Как Google использует поведенческие данные и превью для улучшения кросс-языкового поиска по картинкам

Описание

Какую задачу решает

Патент решает проблему ограниченности результатов в Поиске по картинкам, когда пользователь вводит запрос на одном языке, но более качественные, релевантные или многочисленные результаты существуют для этого же концепта на другом языке. Например, при поиске японской поп-культуры на английском языке результаты могут быть хуже, чем на японском. Система помогает пользователю обнаружить эти результаты, не требуя знания иностранного языка.

Что запатентовано

Запатентована система предоставления опций кросс-языкового поиска (Cross-language search options) в интерфейсе поиска изображений. Система автоматически определяет и оценивает переводы исходного запроса и представляет лучшие из них пользователю. Ключевой особенностью является включение визуального превью (preview) для каждого перевода, что позволяет пользователю визуально оценить релевантность альтернативной выдачи.

Как это работает

Система работает в несколько этапов:

• Генерация переводов: Исходный запрос переводится на другие языки (используются точные и приблизительные переводы).
• Оценка (Scoring): Каждый перевод оценивается на основе исторических поведенческих данных: частота использования перевода как запроса (Frequency of submission), общий CTR его результатов, и как часто пользователи переключаются между языками (Frequency of revision).
• Выбор опций: Выбираются переводы с наивысшей оценкой.
• Выбор превью: Для каждой опции выбирается репрезентативное изображение. Согласно патенту (Claim 1), это изображение, которое чаще всего выбирают (кликают) пользователи (most frequently selected) при поиске по этому переводу.
• Отображение: В интерфейсе отображаются основные результаты и кросс-языковые опции с текстом и превью.

Актуальность для SEO

Высокая для Image SEO. Кросс-языковой информационный поиск (CLIR) остается фундаментальной задачей. Хотя современные модели (например, MUM) обрабатывают мультиязычность на более глубоком уровне, базовые принципы, описанные в патенте — оценка качества запросов на основе поведенческих данных и использование визуального контекста для преодоления языкового барьера — остаются высоко актуальными для поиска по картинкам.

Важность для SEO

Влияние на SEO умеренное (5.5/10), но критически важное для международного Image SEO. Патент не описывает алгоритмы ранжирования, но раскрывает механизм расширения запросов и формирования UI, который напрямую влияет на видимость изображений. Он подтверждает критическую роль CTR в поиске по картинкам: изображение с высоким CTR может стать «лицом» запроса для пользователей из других стран. Это открывает возможности для международного трафика через визуальный контент.

Детальный разбор

Термины и определения

Approximate Translation (Приблизительный перевод)

Перевод запроса на второй язык, который семантически похож на исходный, но не является словарным эквивалентом. Может определяться на основе схожести результатов поиска или поведения пользователей.

Candidate Translations (Кандидаты на перевод)

Набор потенциальных точных и приблизительных переводов, сгенерированных системой для оценки.

Cross-Language Search Option (Опция кросс-языкового поиска)

Элемент UI, включающий перевод запроса и превью (миниатюру) результатов, соответствующих этому переводу.

Frequency of revision measurement (Измерение частоты переформулировок)

Метрика, показывающая, как часто пользователи меняют запросы с первого языка на соответствующие запросы на втором языке в рамках одной сессии. Используется для оценки связи между языками.

Frequency of submission measurement (Измерение частоты отправки)

Метрика, показывающая, как часто данный перевод используется пользователями в качестве поискового запроса.

Historical Data Store (Хранилище исторических данных)

База данных, хранящая логи запросов и данные о действиях пользователей (клики).

Preview (Превью)

Визуальное представление результатов поиска по переводу. Согласно Claim 1, это изображение, которое чаще всего выбирается пользователями (most frequently selected).

Translation Engine (Механизм перевода)

Компонент системы, отвечающий за генерацию (Translation Generator), оценку (Translation Scorer) и выбор (Translation Selector) переводов.

Unique users measurement (Измерение уникальных пользователей)

Оценка количества уникальных пользователей, которые использовали данный перевод как запрос.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод кросс-языкового поиска изображений.

1. Система получает первый запрос поиска изображений (на Языке 1) и его результаты.
2. Система получает переводы запроса на другие языки.
3. Для каждого перевода система получает соответствующие результаты.
4. Система предоставляет инструкции для отображения UI, включающего:
   • Результаты первого запроса.
   • Cross-language search option для каждого перевода.
5. Каждая опция включает текст перевода и превью (preview) результатов.
6. Критическое уточнение: Превью является изображением, которое наиболее часто выбирается пользователями (most frequently selected by users) в ответ на отправку этого перевода в качестве поискового запроса.

Ядро изобретения — это не просто перевод запроса, а специфический способ выбора визуального превью на основе агрегированных поведенческих данных (максимальный CTR).

Claim 4 (Зависимый от 1): Детализирует процесс выбора переводов.

1. Генерация множества кандидатов в переводы.
2. Определение оценки (score) для каждого кандидата.
3. Выбор итоговых переводов на основе этих оценок.

Claims 5-9 (Зависимые от 4): Определяют метрики, используемые для расчета оценки (score) кандидата.

• Claim 5: Frequency of submission measurement (как часто используется).
• Claim 6: Frequency of revision measurement (как часто пользователи переключаются на этот язык).
• Claim 7: Click-through rate (CTR) результатов перевода.
• Claim 8: Unique users measurement (сколько уникальных пользователей).
• Claim 9: Quantity of results measurement (общее количество результатов).

Где и как применяется

Изобретение применяется исключительно в контексте Поиска по картинкам (Image Search System).

QUNDERSTANDING – Понимание Запросов
На этом этапе работает Translation Engine. Он генерирует кандидатов в переводы (точные и приблизительные) и оценивает их. Translation Scorer использует Historical Data Store для расчета поведенческих метрик (CTR, частота использования) для оценки качества кандидатов.

RANKING – Ранжирование
Search Engine выполняет параллельные поисковые операции: ранжирование для исходного запроса и ранжирование для каждого из выбранных переводов.

METASEARCH – Метапоиск и Смешивание (UI Generation)
Instruction Engine формирует финальный интерфейс. Ключевая задача на этом этапе — выбор изображения для preview. Система идентифицирует изображение, которое имеет наибольшую частоту кликов (most frequently selected) для данного перевода, используя исторические данные.

Входные данные:

• Исходный запрос поиска изображений.
• Логи запросов и данные о кликах (Historical Data Store).
• Индекс изображений.

Выходные данные:

• Инструкции для отображения SERP с результатами исходного запроса и блоком Cross-language search options (текст + превью).

На что влияет

• Типы контента: Исключительно поиск по изображениям и визуальному контенту.
• Специфические запросы: Наибольшее влияние на запросы, связанные с международными или культурно-специфическими темами (имена, локации, бренды, события), где контент на языке оригинала может быть богаче.
• Языковые и географические ограничения: Направлен на преодоление этих барьеров.

Когда применяется

• Условия работы: Алгоритм активируется при обработке запросов в поиске по картинкам.
• Триггеры активации: Отображение опций происходит, если система находит переводы исходного запроса, которые удовлетворяют пороговым значениям качества (высокий Score на основе поведенческих метрик).

Пошаговый алгоритм

Процесс А: Генерация и оценка переводов (Translation Engine)

1. Генерация кандидатов: Translation Generator создает список Candidate Translations для исходного запроса (точные и приблизительные переводы).
2. Сбор метрик: Translation Scorer собирает данные для каждого кандидата из Historical Data Store:
   • Частота использования (Frequency of submission).
   • Частота переформулировок (Frequency of revision).
   • Общий CTR результатов.
   • Количество уникальных пользователей и количество результатов.
3. Расчет оценки: Translation Scorer вычисляет итоговую оценку (score) для каждого кандидата (например, взвешенная сумма метрик).
4. Выбор переводов: Translation Selector выбирает лучшие переводы на основе оценок.

Процесс Б: Обработка запроса пользователя и формирование UI

1. Получение запроса и результатов: Система получает исходный запрос и генерирует первичные результаты.
2. Получение переводов и результатов: Система получает список лучших переводов (из Процесса А) и выполняет поиск по ним.
3. Выбор превью: Для каждого перевода система идентифицирует изображение для preview. Согласно Claim 1, это изображение, которое наиболее часто кликалось пользователями (самый высокий исторический CTR) по этому переводу.
4. Формирование интерфейса: Instruction Engine генерирует инструкции для отображения UI, включающего первичные результаты и Cross-language search options.
5. Обработка выбора: Если пользователь выбирает опцию, система предоставляет новый интерфейс с результатами для выбранного перевода.

Какие данные и как использует

Данные на входе

Патент фокусируется почти исключительно на использовании поведенческих данных для оценки качества переводов и выбора превью.

• Поведенческие факторы: Это ядро изобретения. Используются данные из Historical Data Store:
  • Логи запросов (Query Logs): Для определения частоты использования запросов (Frequency of submission, Unique users) и анализа последовательности запросов в сессии (Frequency of revision).
  • Логи кликов (Click Logs): Для определения CTR как для оценки качества переводов, так и для выбора конкретного изображения для превью (most frequently selected).

Другие факторы (контентные, ссылочные, технические) в данном патенте не упоминаются.

Какие метрики используются и как они считаются

Система вычисляет оценку (Score) для каждого кандидата на перевод. Эта оценка является агрегацией следующих метрик:

• Frequency of submission measurement: Как часто этот перевод используется в качестве запроса.
• Frequency of revision measurement: Как часто пользователи переформулируют запросы с исходного языка на язык перевода в рамках одной сессии.
• Click-through rate (CTR): Общий CTR результатов поиска по этому переводу.
• Unique users measurement: Количество уникальных пользователей, использующих этот перевод как запрос.
• Quantity of results measurement: Общее количество найденных изображений для этого перевода.

Кроме того, используется индивидуальный CTR конкретного изображения для выбора его в качестве Preview.

Выводы

1. Поведенческие данные определяют качество перевода запроса: Google оценивает полезность перевода не столько лингвистически, сколько на основе агрегированных действий пользователей. Переводы с высоким CTR, высокой частотой использования и частыми переключениями на них из других языков имеют приоритет.
2. Кликабельность (CTR) критична для выбора превью: Ключевой инсайт (Claim 1) заключается в том, что для превью выбирается не самый высокоранжированный результат, а изображение, которое наиболее часто кликают пользователи (most frequently selected) по данному переводу.
3. Визуальный контекст как мост между языками: В поиске по картинкам визуальные превью используются для преодоления языкового барьера, позволяя пользователю оценить релевантность выдачи на незнакомом языке.
4. Использование приблизительных переводов: Система учитывает не только точные (exact), но и приблизительные (approximate) переводы, основанные на семантической схожести результатов или поведения пользователей. Это расширяет возможности поиска связанных концептов.
5. Специфика Image SEO: Описанные механизмы строго ограничены поиском по картинкам и подчеркивают уникальные факторы успеха в этой вертикали, в частности, важность визуальной привлекательности контента.

Практика

Best practices (это мы делаем)

Рекомендации касаются исключительно Image SEO.

• Оптимизация привлекательности миниатюр (Thumbnail Optimization): Это критически важно. Поскольку для превью выбирается наиболее кликабельное изображение (most frequently selected), необходимо создавать визуально привлекательные, четкие и релевантные изображения, которые стимулируют клик. Высокий CTR изображения напрямую повышает его шансы стать превью в кросс-языковом поиске.
• Локализация контекста изображений: Для международного SEO необходимо убедиться, что изображения размещены в релевантном контексте на страницах, оптимизированных под целевой язык (локализованный окружающий текст, заголовки, атрибуты ALT).
• Анализ популярных запросов на целевых языках: Исследуйте, какие запросы популярны в целевых регионах (высокий Frequency of submission). Оптимизация под эти запросы увеличивает шансы того, что система выберет соответствующий перевод и покажет ваше изображение пользователям из других стран.
• Учет приблизительных переводов (сленг, синонимы): Оптимизируйте контент не только под прямые переводы ключевых слов, но и под семантически близкие термины, популярные на целевом рынке.

Worst practices (это делать не надо)

• Использование кликбейтных изображений: Попытки манипулировать CTR с помощью вводящих в заблуждение миниатюр могут привести к краткосрочному успеху, но в долгосрочной перспективе навредят поведенческим факторам (короткие клики) и ранжированию.
• Игнорирование Image SEO на международных рынках: Рассмотрение изображений как универсального контента без локализации. Если изображение не релевантно популярным запросам на целевом языке или имеет низкий CTR в этом регионе, оно не будет эффективно участвовать в кросс-языковом поиске.
• Использование некачественных или непонятных изображений: Изображения с низким CTR не будут выбраны в качестве репрезентативного превью.

Стратегическое значение

Патент подтверждает стратегическую важность поведенческих сигналов в Google Images. CTR используется не только как возможный фактор ранжирования, но и как прямой механизм для выбора контента, отображаемого в функциях SERP. Долгосрочная стратегия Image SEO должна быть направлена на создание визуально привлекательного контента, который пользователи хотят кликать. Успех на локальном рынке (высокий CTR) может стать драйвером для получения дополнительной видимости в других странах.

Практические примеры

Сценарий: Оптимизация изображений для международного E-commerce

1. Задача: Увеличить видимость товара (например, дизайнерской сумки) в Google Images на рынках Франции и США.
2. Анализ (на основе патента): Чтобы изображение сумки появилось в кросс-языковом блоке, оно должно иметь высокий CTR по релевантным запросам на целевом языке.
3. Действия:
   • Создать высококачественные, привлекательные фотографии товара.
   • Оптимизировать страницу на французском под популярный запрос (например, «sac à main de luxe»).
   • Оптимизировать страницу на английском под «luxury handbag».
   • Отслеживать CTR изображений в GSC для разных стран и работать над его повышением.
4. Ожидаемый результат: Изображение сумки достигает наивысшего CTR по запросу «sac à main de luxe» во Франции. Когда пользователь в США ищет «luxury handbag», Google определяет «sac à main de luxe» как высококачественный перевод. Система выбирает ваше изображение (как most frequently selected) в качестве превью для этой кросс-языковой опции. Пользователь из США видит ваше изображение и может перейти к результатам.

Вопросы и ответы