Как Google использует данные о наведении курсора (Hover Data) для ранжирования в поиске по картинкам и борьбы с кликбейтом

Описание

Какую задачу решает

Патент решает две основные проблемы в ранжировании поиска по изображениям:

• Недостаток данных для редких запросов: Для непопулярных или новых запросов часто не хватает данных о кликах (click data) для надежной оценки качества результатов. Система использует данные о наведении курсора (hover data) как дополнительный сигнал интереса пользователя, чтобы улучшить ранжирование в условиях дефицита кликов.
• Изображения-приманки (Click Magnets): Некоторые изображения могут привлекать внимание (вызывая наведение курсора), но не соответствовать информационным потребностям пользователя и, следовательно, не получать клики (кликбейт). Патент предлагает механизм для выявления и понижения таких изображений в выдаче.

Что запатентовано

Запатентована система, которая интегрирует данные о наведении курсора (hover data) в процесс расчета показателя качества (quality measure) для пары изображение/запрос. Ключевым элементом является динамическое взвешивание (hover weighting) значимости hovers в зависимости от общей популярности запроса (измеряемой по общему количеству кликов). Также система использует соотношение кликов к hovers (Click to Hover Ratio) для корректировки ранжирования и пессимизации «клик-магнитов».

Как это работает

Система собирает данные о кликах (click count) и наведениях курсора (hover count) для каждого изображения в контексте конкретного запроса.

Механизм работает в двух основных направлениях:

• Адаптивное взвешивание Hovers: Система рассчитывает Hover Weighting на основе общего количества кликов по запросу. Если кликов мало (редкий запрос), вес hovers увеличивается. Если кликов много (популярный запрос), вес снижается. Для расчета часто используется сигмовидная функция (sigmoid function).
• Детекция Click Magnets: Рассчитывается Click to Hover Ratio. Если изображение получает много hovers, но мало кликов (низкий ratio), система может применить понижающий фактор (Demoting Factor) к его рейтингу.

Итоговый Quality Measure рассчитывается на основе кликов и взвешенных hovers, и/или путем корректировки исходной оценки качества с помощью Click to Hover Ratio и модифицированного CTR.

Актуальность для SEO

Высокая. Использование поведенческих сигналов и машинного обучения для оценки качества результатов является стандартом. Методы борьбы с кликбейтом и оценка вовлеченности пользователей (включая сигналы, предшествующие клику, такие как hovers в Image Search) остаются критически важными для обеспечения качественной выдачи, независимо от эволюции конкретных формул.

Важность для SEO

Патент имеет высокое значение (85/100) для оптимизации поиска по изображениям (Image SEO). Он раскрывает конкретные механизмы, как Google интерпретирует взаимодействие пользователя с изображениями помимо кликов. Это подчеркивает необходимость не просто привлекать внимание (получать hovers), но и соответствовать интенту пользователя, чтобы конвертировать внимание в клики (поддерживать высокий Click to Hover Ratio). Использование кликбейта напрямую наказывается описанным механизмом.

Детальный разбор

Термины и определения

Click Count (Количество кликов)

Количество раз, когда результат поиска изображения был выбран (кликнут) пользователем при показе в ответ на конкретный запрос.

Click Magnet (Приманка для кликов / Клик-магнит)

Изображение, которое привлекает внимание пользователя (получает много hovers), но не соответствует теме запроса или ожиданиям и не получает пропорционального количества кликов.

Click to Hover Ratio (CHR) (Соотношение кликов к наведениям)

Метрика, рассчитываемая как отношение Click Count к Hover Count для пары изображение/запрос. Используется для выявления Click Magnets.

Demoting Factor (Понижающий фактор)

Коэффициент, применяемый к исходной оценке качества для ее снижения. Рассчитывается на основе Click to Hover Ratio.

Hover Count (Количество наведений)

Количество раз, когда курсор был наведен на результат поиска изображения. В патенте упоминается, что короткие наведения (например, менее 0.5 сек) могут исключаться из подсчета.

Hover Weighting (Вес наведения)

Коэффициент, определяющий значимость Hover Count относительно Click Count. Динамически корректируется на основе популярности запроса (Total Click Count).

Impression Count (Количество показов)

Количество раз, когда результат поиска изображения был предоставлен в ответ на запрос.

Initial Quality Score (IQS) (Начальная оценка качества)

Предварительная оценка качества изображения по запросу, до применения корректировок на основе Hover Data.

Modified Click Through Rate (Модифицированный CTR)

Показатель кликабельности, который учитывает как клики, так и hovers. Рассчитывается как (Clicks + Hovers) / Impressions.

Quality Measure (Показатель качества)

Итоговая метрика, оценивающая производительность изображения как результата поиска для данного запроса. Основана на Click Count и Hover Count.

Sigmoid Function (Сигмовидная функция)

Математическая функция (S-образная кривая), используемая для плавного регулирования Hover Weighting и Demoting Factor.

Total Click Count (Общее количество кликов по запросу)

Суммарное количество кликов по всем результатам поиска изображений для данного запроса. Используется как мера популярности запроса.

Total Selection Count (Общее количество взаимодействий)

Сумма Click Count и скорректированного (взвешенного) Hover Count.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования изображений с использованием динамически взвешенных данных о наведении курсора.

1. Система идентифицирует Click Count для пары изображение/запрос.
2. Система идентифицирует Hover Count для той же пары.
3. Система корректирует Hover Count, используя Hover Weighting, чтобы определить Adjusted Hover Count. Ключевой момент: Hover Weighting основан на Total Click Count для всего запроса (популярности запроса).
4. Система определяет Quality Measure для изображения, основываясь на Click Count и Adjusted Hover Count.
5. Система ранжирует изображение и передает результаты поиска на основе этого ранжирования.

Claim 2 (Зависимый от 1): Уточняет механизм взвешивания. Hover Weighting обратно пропорционален Total Click Count. Это означает, что для редких запросов (мало кликов) вес hover увеличивается, а для популярных (много кликов) — уменьшается.

Claim 3 (Зависимый от 1): Детализирует расчет Quality Measure.

Рассчитывается общее количество взаимодействий по запросу (Total Query Selection Count) и общее количество взаимодействий по изображению (Total Image Selection Count). Quality Measure определяется на основе этих двух значений (вероятно, как их соотношение).

Claim 5 (Зависимый от 1): Добавляет еще один фактор в расчет Quality Measure. Он также основывается на Click to Hover Ratio для пары изображение/запрос. Это механизм для борьбы с кликбейтом.

Claim 6 (Зависимый от 1): Уточняет метод расчета Hover Weighting. Он включает применение сигмовидной функции (sigmoid function) к Total Click Count для запроса. Это обеспечивает плавную регулировку веса.

Где и как применяется

Изобретение применяется в системе поиска изображений (Image Search) и затрагивает несколько этапов поисковой архитектуры.

INDEXING – Индексирование (Обработка логов)
Система непрерывно записывает взаимодействия пользователей (клики и hovers) в Result Selection Logs (или Historical Data). Эти данные агрегируются офлайн для расчета Click Count, Hover Count, Total Click Count для пар изображение/запрос.

RANKING – Ранжирование
Ranking Engine генерирует первоначальный набор результатов и рассчитывает базовые оценки релевантности (relevance scores или IR scores) или Initial Quality Score.

RERANKING – Переранжирование
Основное применение патента. Rank Modifier Engine использует агрегированные поведенческие данные для корректировки первоначального ранжирования.

1. Расчет метрик: Rank Modifier Engine рассчитывает Hover Weighting, Click to Hover Ratio и итоговый Quality Measure для пар изображение/запрос в реальном времени или использует предварительно рассчитанные значения.
2. Корректировка рейтинга: Итоговый рейтинг (rank score) рассчитывается путем комбинации базовой оценки релевантности и Quality Measure (например, путем их перемножения). Происходит пересортировка результатов (Adjusted Ranking).

Входные данные:

• Поисковый запрос и набор релевантных изображений с базовыми оценками.
• Исторические данные взаимодействий (Клики, Наведения, Показы) для пар изображение/запрос.
• Общая популярность запроса (Total Click Count).

Выходные данные:

• Скорректированный набор результатов поиска изображений (Adjusted Ranking).

На что влияет

• Типы контента: Влияет исключительно на результаты поиска изображений.
• Специфические запросы:
  • Редкие/Низкочастотные запросы: Наибольшее положительное влияние за счет увеличения веса Hover Data при недостатке кликов.
  • Запросы, подверженные кликбейту: Влияет на запросы, где часто встречаются изображения-приманки (Click Magnets), понижая их за счет низкого Click to Hover Ratio.
• Конкретные ниши: Ниши с высокой визуальной составляющей (e-commerce, мода, дизайн), где пользователи активно просматривают и сравнивают миниатюры перед кликом.

Когда применяется

• Условия применения: Алгоритм применяется при обработке запросов в поиске по изображениям.
• Фильтрация данных: В патенте упоминается, что короткие hovers (например, менее 0.5 секунды) могут быть исключены из Hover Count, так как они могут быть случайными.
• Пороги данных (Impression Threshold): В одном из вариантов реализации (FIG. 7) система проверяет, достаточно ли показов (Impression Count) для анализа поведенческих данных. Если нет (например, для нового изображения), система может использовать default factor (значение по умолчанию).

Пошаговый алгоритм

Патент описывает несколько вариантов реализации (embodiments) для расчета Quality Measure. Ниже приведены три ключевых метода, описанных в патенте (FIG 5, 6, 7).

Метод 1: Взвешенные Hovers на основе популярности запроса (FIG. 5)
Цель: Улучшение ранжирования для редких запросов.

1. Определение популярности запроса: Рассчитывается Total Click Count для запроса.
2. Расчет веса Hovers: Определяется Hover Weighting. Применяется сигмовидная функция к Total Click Count (чем больше кликов, тем меньше вес).
3. Корректировка Hover Count: Hover Count для изображения умножается на Hover Weighting.
4. Расчет взаимодействий с изображением: Определяется Total Image Selection Count (сумма Click Count и скорректированного Hover Count).
5. Расчет взаимодействий с запросом: Аналогично рассчитывается Total Query Selection Count.
6. Определение Quality Measure: Рассчитывается как отношение Total Image Selection Count к Total Query Selection Count.

Метод 2: Понижение на основе Click to Hover Ratio (FIG. 6)
Цель: Детекция и понижение Click Magnets.

1. Исходная оценка: Определяется Initial Quality Score (IQS) (например, на основе только кликов).
2. Расчет соотношения: Определяется Click to Hover Ratio (CHR) (Clicks / Hovers).
3. Расчет понижающего фактора: Определяется Demoting Factor (DF) на основе CHR. Применяется сигмовидная функция. Низкое соотношение приводит к большему понижению.
4. Определение Quality Measure: IQS умножается на DF. Может применяться минимальный порог (например, max(1, IQS * DF)).

Метод 3: Комбинированный подход с модифицированным CTR (FIG. 7)
Цель: Интеграция всех сигналов с обработкой исключений.

1. Исходная оценка и показы: Определяются IQS и Impression Count (I).
2. Проверка порога показов: Проверяется, достаточно ли показов (например, I > 0).
   • Если НЕТ: IQS корректируется на Default Factor.
   • Если ДА: Перейти к шагу 3.
3. Расчет модифицированного CTR: Рассчитывается Modified CTR = (Clicks + Hovers) / I.
4. Расчет соотношения: Рассчитывается CHR.
5. Определение Quality Measure: Рассчитывается путем комбинирования IQS, Modified CTR и CHR с использованием настраиваемых весовых коэффициентов (см. Формулу 7 в разделе Метрики).

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Это основные данные, используемые патентом.
  • Click Count (C): Клики на изображение по запросу.
  • Hover Count (H): Наведения на изображение по запросу (фильтрованные от коротких наведений).
  • Impression Count (I): Показы изображения по запросу.
  • Total Click Count: Общее количество кликов по всем изображениям для запроса (мера популярности).
• Системные данные:
  • Relevance Scores (IR scores) или Initial Quality Score (IQS): Базовые оценки релевантности или качества, которые затем модифицируются.

Какие метрики используются и как они считаются

Патент вводит несколько ключевых метрик и формул (Equations) для их расчета.

• Hover Weighting (Вес наведения):
  Формула (Equation 2, пример): 1 / (1 + e^((wd-b)/a))
  Где wd – взвешенный знаменатель (например, Total Click Count), a и b – коэффициенты сглаживания. Результат обратно пропорционален популярности запроса.
• Click to Hover Ratio (CHR):
  Формула (Equation 6): CHR = (C + 1) / (H + 1)
  (Добавление 1 используется для сглаживания).
• Demoting Factor (DF) (Понижающий фактор):
  Формула (Equation 3, пример): 1 / (1 + e^(-(x-b)/a))
  Где x – CHR, a и b – коэффициенты сглаживания. Используется для понижения Click Magnets.
• Modified Click Through Rate (Модифицированный CTR):
  Формула (Equation 5): CTR = (C + H) / I
• Quality Measure (Итоговый показатель качества): Может рассчитываться разными способами.
  Метод 2 (Equation 4): max(1, IQS * DF).
  Метод 3 (Equation 7): IQS * A * (CTR^m * CHR^n)^k. Где A, m, n, k – настраиваемые параметры для тюнинга влияния Modified CTR и CHR.

Выводы

1. Hovers как значимый сигнал вовлеченности: Google рассматривает наведение курсора на изображение как явный сигнал интереса пользователя, который используется для корректировки ранжирования в Image Search.
2. Динамическое взвешивание поведенческих сигналов: Система адаптивна. Для редких запросов с малым количеством кликов hovers становятся более важным фактором ранжирования (Hover Weighting увеличивается). Для популярных запросов система больше полагается на клики.
3. Борьба с Click Magnets (Кликбейтом): Патент описывает конкретный механизм для выявления изображений, которые привлекают внимание (много hovers), но не удовлетворяют интент (мало кликов). Низкий Click to Hover Ratio используется для расчета Demoting Factor и понижения таких результатов.
4. Модифицированный CTR: Google может использовать метрику CTR, которая включает не только клики, но и hovers (Modified CTR = (C+H)/I), что дает более полное представление о вовлеченности.
5. Сложные модели оценки качества: Финальный Quality Measure может быть результатом сложной комбинации различных метрик (IQS, Modified CTR, CHR) с возможностью тонкой настройки весов (как в Формуле 7), что указывает на использование сложных моделей для оптимизации ранжирования.
6. Обработка «холодного старта»: Система имеет механизмы для обработки новых изображений без истории взаимодействий (при низком Impression Count), используя default factor.

Практика

Best practices (это мы делаем)

• Оптимизация под интент (Конверсия Hovers в Клики): Ключевая стратегия. Создавайте изображения, которые не просто привлекают внимание, но и точно соответствуют запросу. Миниатюра (thumbnail) в выдаче должна правдиво отражать содержание полного изображения и контекст страницы. Цель – максимизировать Click to Hover Ratio.
• Создание привлекательных и информативных миниатюр: Так как Hover Data является сигналом интереса, необходимо создавать качественные, четкие и эстетически привлекательные изображения, которые выделяются в выдаче и мотивируют пользователя навести на них курсор.
• Оптимизация под низкочастотные (Long-Tail) запросы: В нишах с редкими запросами, где данных о кликах мало, привлечение внимания (получение hovers) имеет больший вес в ранжировании (Высокий Hover Weighting). Убедитесь, что ваши изображения максимально заметны и релевантны для этих запросов.
• Анализ производительности изображений: Уделяйте пристальное внимание CTR изображений в Google Search Console. Низкий CTR при высоком количестве показов может косвенно указывать на проблему низкого Click to Hover Ratio (изображение привлекает внимание, но не получает кликов).

Worst practices (это делать не надо)

• Использование Clickbait и Click Magnets: Использование шокирующих, нерелевантных или вводящих в заблуждение изображений для привлечения внимания. Система активно выявляет такие изображения через низкий Click to Hover Ratio и применяет Demoting Factor.
• Игнорирование качества миниатюр: Использование нечетких, плохо кадрированных или непривлекательных миниатюр снизит вероятность получения как hovers, так и кликов, что негативно скажется на Quality Measure и Modified CTR.
• Манипуляции с поведенческими факторами: Попытки искусственно накручивать hovers. Накрутка наведений без пропорционального увеличения кликов приведет к падению Click to Hover Ratio и понижению в выдаче.

Стратегическое значение

Патент подтверждает критическую важность поведенческих факторов в ранжировании Image Search. Он демонстрирует, что Google не просто считает клики, но и анализирует паттерны взаимодействия (соотношение кликов и hovers) для оценки удовлетворенности пользователя и качества результата. Стратегия SEO должна фокусироваться на качестве пользовательского опыта на всех этапах – от первого впечатления от миниатюры до клика.

Практические примеры

Сценарий 1: Оптимизация изображения для E-commerce (Редкий запрос)

• Запрос: «винтажная латунная настольная лампа ар-деко» (редкий запрос, мало кликов).
• Ситуация: Из-за редкости запроса Total Click Count низкий, следовательно, Hover Weighting высокий.
• Действие: Создать максимально четкое, хорошо освещенное и привлекательное фото лампы, которое выделяется на фоне конкурентов.
• Результат: Пользователи чаще наводят курсор на ваше изображение. Благодаря высокому Hover Weighting, эти hovers оказывают значительное положительное влияние на Quality Measure (по Методу 1), повышая рейтинг изображения даже при малом количестве кликов.

Сценарий 2: Борьба с Click Magnet (Кликбейт)

• Запрос: «как быстро похудеть» (популярный запрос, подвержен кликбейту).
• Ситуация: Конкурент использует яркое, но вводящее в заблуждение изображение (например, фото «до/после» с экстремальным результатом).
• Механизм Google: Пользователи часто наводят курсор на это изображение (высокий Hover Count), но, понимая, что это обман или нерелевантный контент, не кликают (низкий Click Count).
• Результат: Система рассчитывает низкий Click to Hover Ratio. Применяется Demoting Factor (по Методу 2 или 3), и изображение понижается в выдаче. Ваше честное изображение (например, фото здоровой еды) с умеренным количеством hovers, но высокой конверсией в клики, получает преимущество.

Вопросы и ответы