Как Google выбирает разнообразные связанные запросы и блоки рекламы на основе полезности и расхождения интентов

Описание

Какую задачу решает

Патент решает проблему показа пользователю релевантного, но при этом разнообразного набора контента (в частности, рекламы) и предложений по уточнению запроса (Query Suggestions). Цель — улучшить пользовательский опыт, предлагая визуальный механизм уточнения запроса, повысить релевантность рекламы и увеличить показатели отклика на рекламу (ad response rates), показывая контент не только для исходного запроса, но и для связанных, но отличающихся друг от друга запросов.

Что запатентовано

Запатентован метод выбора и представления дополнительных запросов (Additional Queries) и связанного с ними контента (например, рекламы) на странице результатов поиска. Ключевым элементом является критерий выбора этих запросов: они должны быть релевантны исходному запросу, но при этом максимально разнообразны (diverse) между собой. Разнообразие измеряется через метрику «полезности» (Utility): выбираются запросы, которые часто следуют за исходным, но редко следуют друг за другом.

Как это работает

Система работает следующим образом:

• Получение исходного запроса: Пользователь вводит запрос.
• Выбор дополнительных запросов: Query Reviser Engine выбирает дополнительные запросы, используя критерии полезности и разнообразия. Выбирается первый дополнительный запрос с высокой полезностью к исходному. Затем выбирается второй запрос, который также имеет высокую полезность к исходному, но низкую полезностью к первому дополнительному запросу.
• Идентификация контента: Для каждого выбранного дополнительного запроса система идентифицирует релевантный контент (например, рекламу), формируя Content Block.
• Отображение: На странице результатов поиска отображаются результаты исходного запроса, а также выбранные дополнительные запросы и/или связанные с ними блоки контента.

Актуальность для SEO

Высокая. Диверсификация выдачи и понимание различных пользовательских интентов, скрывающихся за одним запросом, являются центральными задачами современного поиска. Механизмы, описанные в патенте, напрямую связаны с тем, как Google формирует блоки «Связанные запросы» (Related Searches) и как структурирует рекламную выдачу для охвата смежных тематик, обеспечивая разнообразие предложений.

Важность для SEO

Патент имеет среднее-высокое значение для SEO (65/100). Хотя он в значительной степени фокусируется на рекламе (PPC), он раскрывает критически важные механизмы того, как Google анализирует пути пользователей (query sessions) и определяет расхождение интентов с помощью метрики Utility. Понимание того, какие разнообразные направления Google считает высокополезными для конкретного запроса, необходимо для разработки комплексной контент-стратегии и построения Topical Authority.

Детальный разбор

Термины и определения

Additional Query (Дополнительный запрос)

Запрос, автоматически сгенерированный или выбранный системой на основе исходного запроса. Также упоминается как Revised Query, Suggested Query. Используется для предложения пользователю альтернативных направлений поиска или для показа связанного контента.

Ad Selector Engine (Механизм выбора рекламы)

Компонент системы, который выбирает кандидатов в рекламные объявления, релевантные как исходному, так и дополнительным запросам.

Auction Engine (Аукционный механизм)

Компонент, который проводит конкуренцию (аукцион) среди рекламодателей для выбора подмножества рекламных объявлений для показа.

Commerciality (Коммерческая ценность)

Оценка бизнес-ценности дополнительного запроса. Учитывается при выборе запросов. Может включать ожидаемый доход, наличие коммерческих ключевых слов (например, «купить», «продать») в результатах поиска по этому запросу.

Content Block (Блок контента)

Набор из одного или нескольких элементов контента (например, рекламных объявлений), связанных с определенным дополнительным запросом.

Diversity (Разнообразие)

Метрика, определяющая степень различия между двумя запросами. В патенте часто определяется как обратная величина полезности (1.0 — Utility): если два запроса имеют низкую полезность друг к другу, они считаются разнообразными.

Initial Query (Исходный запрос)

Запрос, введенный пользователем (или сгенерированный автоматически) для начала поиска.

Mixer Engine (Механизм смешивания)

Компонент, который координирует работу других движков (Query Reviser, Ad Selector, Search Engine) и собирает итоговую страницу результатов поиска (SERP).

Query Reviser Engine (Механизм пересмотра запросов)

Компонент, который генерирует или выбирает дополнительные запросы на основе исходного запроса, применяя модели пересмотра запросов и критерии разнообразия/полезности.

Utility (Полезность)

Ключевая метрика патента. Полезность запроса B по отношению к запросу A определяется как вероятность (или доля времени), что пользователь в конечном итоге перейдет к запросу B, начав с запроса A в рамках одной сессии. Высокая полезность означает сильную связь интентов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выбора разнообразных запросов и контента.

1. Система получает исходный запрос (IQ) и результаты для него.
2. Идентифицируется множество дополнительных запросов (AQs), связанных с IQ.
3. Для каждого AQ вычисляется первая мера полезности (First Utility Measure). Эта мера представляет вероятность того, что AQ станет финальным запросом в сессии, включающей IQ.
4. Выбирается Первый запрос (Q1) из AQs, чья первая мера полезности удовлетворяет порогу полезности (Utility Threshold) для IQ. (Q1 тесно связан с IQ).
5. Для оставшихся AQs вычисляется вторая мера полезности (Second Utility Measure). Эта мера представляет вероятность того, что AQ станет финальным запросом в сессии, включающей выбранный Q1.
6. Определяется Второй запрос (Q2) из AQs. Условия: (i) Первая мера полезности Q2 удовлетворяет порогу для IQ (Q2 тесно связан с IQ). (ii) Вторая мера полезности Q2 НЕ удовлетворяет порогу для Q1 (Q2 слабо связан с Q1, т.е. разнообразен по отношению к нему).
7. Идентифицируется контент для Q1 и Q2.
8. Предоставляется страница результатов, включающая результаты IQ и контент для Q1 и Q2.

Claim 2 (Зависимый от 1): Уточняет расчет меры полезности. Мера полезности между IQ и Q2 основана на количестве раз, когда пользователь, отправивший IQ, впоследствии отправил Q2.

Claim 3 (Зависимый от 1): Вводит понятие меры разнообразия (Measure of Diversity) между Q1 и Q2 и требование, чтобы эта мера удовлетворяла порогу разнообразия (Diversity Threshold).

Claim 4 (Зависимый от 3): Указывает, что порог разнообразия может базироваться на сигналах коммерческой ценности: генерируемый доход, количество показанных элементов контента, длинные/короткие клики или наличие коммерческих ключевых слов в результатах.

Claim 15 (Независимый пункт): Описывает схожий метод, но фокусируется на отображении самих дополнительных запросов (а не обязательно контента для них).

1. Получение IQ.
2. Выбор дополнительных запросов (Q1 и Q2), связанных с IQ.
3. Q1 имеет первую меру полезности, удовлетворяющую порогу для IQ (мера показывает вероятность, что Q1 будет следующим запросом после IQ в сессии).
4. Q2 имеет вторую меру полезности, удовлетворяющую порогу для IQ.
5. Q2 имеет третью меру полезности, НЕ удовлетворяющую порогу для Q1 (мера показывает вероятность, что Q2 будет следующим запросом после Q1 в сессии).
6. Предоставление Q1 и Q2 для отображения на клиентском устройстве.

Где и как применяется

Изобретение в основном применяется на этапах понимания запросов и формирования выдачи.

QUNDERSTANDING – Понимание Запросов
На этом этапе происходит основной анализ. Query Reviser Engine анализирует исторические данные о сессиях пользователей (query sessions) для расчета метрик Utility между запросами. Это позволяет понять, как пользователи переформулируют запросы и какие интенты связаны, а какие расходятся. На основе этих данных выбираются дополнительные запросы (Additional Queries).

RANKING / METASEARCH – Ранжирование / Метапоиск и Смешивание
Хотя патент не описывает ранжирование органических результатов, он напрямую влияет на выбор и ранжирование дополнительного контента (рекламы) и связанных запросов.

1. Выбор контента: Ad Selector Engine и Auction Engine используют выбранные дополнительные запросы для идентификации и отбора релевантного контента (рекламы).
2. Смешивание: Mixer Engine отвечает за интеграцию этого контента и/или самих дополнительных запросов в итоговую страницу выдачи (SERP) вместе с результатами исходного запроса.

Входные данные:

• Исходный запрос (Initial Query).
• Исторические данные о поисковых сессиях (для расчета Utility).
• Данные о контенте/рекламе (для Ad Selector/Auction Engine).
• Сигналы коммерческой ценности (Commerciality signals).

Выходные данные:

• Набор дополнительных запросов, которые релевантны исходному и разнообразны между собой.
• Блоки контента (Content Blocks), связанные с этими дополнительными запросами.
• Итоговая страница SERP, объединяющая все элементы.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие или неоднозначные запросы (например, «citizen», «apple», «windows»), где существует несколько отчетливых, высокополезных направлений для уточнения интента.
• Конкретные типы контента: В первую очередь влияет на отображение рекламы (Google Ads), структурируя ее в блоки по связанным запросам. Также влияет на блоки типа «Связанные запросы» или «Люди также ищут».
• Коммерческие ниши: Патент явно упоминает Commerciality как фактор выбора. Это значит, что система будет предпочитать показывать разнообразные запросы, имеющие коммерческую ценность (например, для запроса «бег» могут быть показаны уточнения «кроссовки для бега» и «приложения для трекинга бега»).

Когда применяется

• Триггеры активации: Алгоритм активируется, когда для исходного запроса существует несколько дополнительных запросов, удовлетворяющих критериям полезности и разнообразия.
• Пороговые значения: Применяется, когда Utility Measure дополнительных запросов к исходному запросу превышает установленный Utility Threshold, а их полезность друг к другу не превышает этот порог. Также может применяться Diversity Threshold.
• Исключения: Может не применяться, если обнаружен семантический дрейф (semantic drift) или если для дополнительных запросов не найдено подходящего контента (например, рекламы) или они не удовлетворяют критериям коммерческой ценности.

Пошаговый алгоритм

Процесс выбора разнообразных предложений запросов

1. Получение исходного запроса (IQ): Система получает запрос от пользователя.
2. Идентификация кандидатов: Query Reviser Engine идентифицирует множество потенциальных дополнительных запросов (AQs), связанных с IQ (например, используя модели синонимов, исторические данные сессий).
3. Расчет первой полезности (Utility к IQ): Для каждого кандидата AQ рассчитывается мера полезности, отражающая вероятность перехода от IQ к AQ в рамках одной сессии.
4. Фильтрация по полезности: Отбираются кандидаты, чья полезность к IQ превышает установленный порог (Utility Threshold).
5. Выбор первого дополнительного запроса (Q1): Из отфильтрованного списка выбирается первый запрос Q1 (например, с наивысшей полезностью или коммерческой ценностью).
6. Расчет второй полезности (Utility к Q1): Для оставшихся кандидатов рассчитывается мера полезности по отношению к Q1 (вероятность перехода от Q1 к кандидату).
7. Выбор второго дополнительного запроса (Q2): Выбирается запрос Q2, который удовлетворяет двум условиям: (i) Его полезность к IQ по-прежнему выше порога; (ii) Его полезность к Q1 ниже порога (т.е. он разнообразен по отношению к Q1).
8. Итерация (Опционально): Процесс может повторяться для выбора Q3, Q4 и т.д., обеспечивая высокую полезность к IQ и низкую полезность ко всем ранее выбранным запросам (Q1, Q2…).
9. Идентификация контента: Для выбранных Q1, Q2… Ad Selector Engine и Auction Engine подбирают соответствующий контент (рекламу).
10. Формирование и предоставление SERP: Mixer Engine собирает итоговую выдачу, включающую результаты IQ, а также выбранные дополнительные запросы (Q1, Q2…) и/или их контент.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных о поведении пользователей и коммерческих сигналах для выбора запросов.

• Поведенческие факторы (Критически важно): Данные о поисковых сессиях (query sessions) и последовательностях запросов. Используются для расчета метрики Utility. Также упоминаются данные о кликах (long click или short click) на контент, показанный в ответ на дополнительные запросы. Упоминается co-click measure (частота кликов по обоим дополнительным запросам в одной сессии) как способ измерения схожести.
• Коммерческие факторы: Данные о доходе (revenue generated), генерируемом дополнительным запросом. Данные об инвентаре рекламы (ad inventory) и количестве рекламодателей, таргетирующихся на запросы.
• Контентные факторы (Косвенно): Анализ результатов поиска по дополнительным запросам для выявления коммерческих ключевых слов (commerce keywords, например, «buy», «sell»). Также упоминается схожесть сниппетов и результатов поиска (snippet and search result similarity) как альтернативный метод измерения разнообразия.

Какие метрики используются и как они считаются

• Utility Measure (Мера полезности): Рассчитывается как вероятность или доля времени, когда пользователь переходит от одного запроса к другому в рамках сессии. Например, как количество раз, когда пользователь после запроса A ввел запрос B.
• Utility Threshold (Порог полезности): Предопределенное значение, используемое для определения, является ли связь между запросами достаточно сильной (высокая полезность) или слабой (низкая полезность/высокое разнообразие).
• Diversity Measure (Мера разнообразия): Может рассчитываться как (1.0 — Utility). Также может рассчитываться на основе co-click measure, схожести рекламного инвентаря или схожести контента/сниппетов результатов поиска.
• Diversity Threshold (Порог разнообразия): Предопределенное значение, которому должна удовлетворять мера разнообразия.
• Commerciality Score (Оценка коммерческой ценности): Агрегированная оценка, основанная на доходах, количестве рекламы, длительности кликов и наличии коммерческих ключевых слов.

Выводы

1. Разнообразие определяется расхождением путей пользователя: Ключевой инсайт патента — это определение разнообразия (Diversity) через метрику полезности (Utility). Два запроса считаются разнообразными, если пользователи редко переходят между ними в рамках одной сессии, даже если оба они тесно связаны с исходным запросом.
2. Цель — охватить разные интенты: Система стремится идентифицировать и представить пользователю различные, но популярные (высокополезные) направления поиска, исходящие из начальной точки. Это механизм для разрешения неоднозначности запросов и предложения альтернатив.
3. Важность анализа поисковых сессий: Расчет Utility полностью зависит от анализа последовательности запросов в рамках сессий. Google активно отслеживает и использует пути пользователей для формирования выдачи.
4. Коммерческая ценность как фактор выбора: Патент явно указывает, что Commerciality (доход, наличие рекламы, коммерческие ключевые слова) используется при выборе дополнительных запросов и установке порогов разнообразия. Google предпочитает показывать разнообразные запросы, которые можно монетизировать.
5. Многогранность понятия «Разнообразие»: Хотя Utility является основным методом, патент также упоминает альтернативные способы измерения разнообразия: схожесть контента результатов поиска, совместные клики (co-click) и пересечение рекламного инвентаря.

Практика

Best practices (это мы делаем)

• Исследование и кластеризация интентов за пределами ключевых слов: Необходимо анализировать не только семантику запроса, но и то, как пользователи его уточняют. Используйте данные из Google Search Console, блоки «Связанные запросы» и «Люди также ищут», чтобы понять, какие разнообразные (Diverse) и высокополезные (High Utility) направления видит Google.
• Создание контента для покрытия разнообразных направлений: Если исходный запрос имеет несколько отчетливых направлений (например, информационное и коммерческое), стратегия должна охватывать оба. Это подтверждает важность создания хабовых страниц, которые адресуют разные интенты и направляют пользователей по разным путям.
• Анализ коммерческой направленности (Commerciality): Приоритизируйте создание контента для тех направлений, которые имеют высокую коммерческую ценность, так как Google с большей вероятностью будет продвигать их в качестве дополнительных запросов.
• Оптимизация под финальный запрос сессии: Сосредоточьтесь на оптимизации страниц под запросы, которые являются конечной целью пользователя (финальный запрос сессии с высокой Utility), а не только под широкие начальные запросы.

Worst practices (это делать не надо)

• Фокус только на одном интенте для широкого запроса: Игнорирование разнообразных направлений, которые Google считает полезными, приведет к потере охвата и ограничению Topical Authority. Если вы фокусируетесь только на «обзорах», упуская «покупку» и «настройку», вы не покрываете все высокополезные пути.
• Смешивание несовместимых интентов на одной странице: Попытка ранжироваться по двум запросам, которые Google считает разнообразными (низкая Utility друг к другу), на одной странице может быть неэффективной. Лучше создать отдельные страницы для разных кластеров интентов.
• Игнорирование анализа поведения пользователей: Опираться только на объем поиска (search volume) без учета того, как пользователи перемещаются между запросами и контентом, является устаревшей практикой.

Стратегическое значение

Патент подтверждает стратегическую важность понимания всего пути пользователя (Customer Journey) и анализа поисковых сессий. Для SEO это означает переход от оптимизации под отдельные ключевые слова к оптимизации под сценарии решения задач. Система, описанная в патенте, демонстрирует, как Google алгоритмически кластеризует интенты на основе реального поведения. Стратегия SEO должна зеркально отражать эту кластеризацию, обеспечивая покрытие всех значимых и разнообразных направлений в рамках тематики.

Практические примеры

Сценарий: Оптимизация сайта по теме «Умные часы»

1. Исходный запрос (IQ): «Умные часы».
2. Анализ Utility: SEO-специалист анализирует связанные запросы и данные поведения. Он обнаруживает, что пользователи часто переходят от IQ к двум основным направлениям: Q1=»Лучшие умные часы 2025″ (Обзоры/Выбор) и Q2=»Настройка умных часов [Бренд]» (Поддержка/Использование).
3. Анализ Diversity: Специалист предполагает, что пользователи, ищущие обзоры (Q1), редко в той же сессии ищут настройку конкретной модели (Q2). Google классифицирует их как разнообразные (низкая Utility между Q1 и Q2).
4. Стратегия контента:
   • Создается главная хабовая страница под IQ=»Умные часы», которая кратко охватывает оба направления.
   • Создается подробный кластер контента (статьи, рейтинги) под Q1.
   • Создается отдельный раздел поддержки с гайдами под Q2 и связанные запросы.
5. Ожидаемый результат: Сайт лучше соответствует алгоритму диверсификации Google. Он может ранжироваться по IQ и имеет сильные позиции по обоим высокополезным направлениям (Q1 и Q2), эффективно захватывая пользователей на разных этапах их пути.

Вопросы и ответы