Как Google тестирует релевантность скрытых результатов с помощью связанных запросов и случайного бустинга (Exploration)

Описание

Какую задачу решает

Патент решает проблему, при которой релевантные документы могут быть похоронены глубоко в результатах поиска (на позициях, которые пользователь вряд ли увидит) из-за ограничений алгоритмов ранжирования, нечетких запросов или недостатка данных. В результате система не получает обратной связи (кликов) по этим документам, что мешает ей обучаться. Изобретение предлагает механизм для активного тестирования и выявления такой «скрытой релевантности».

Что запатентовано

Запатентована система модификации поисковой выдачи путем перемещения (relocation) документов с позиций, которые вряд ли будут просмотрены (Lower Tier), на позиции, которые пользователь, скорее всего, увидит (Higher Tier). Это перемещение может инициироваться случайным образом (Exploration) или на основе результатов, полученных по связанным запросам (related queries). Цель — собрать Click-through data по этим документам для улучшения точности ранжирования в будущем.

Как это работает

Система функционирует как механизм обратной связи:

• Генерация результатов: Создается первоначальный ранжированный список.
• Идентификация кандидатов: Система определяет документы для повышения. Это могут быть документы, выбранные случайным образом из Lower Tier, ИЛИ документы, которые высоко ранжируются по связанному запросу (например, предыдущему запросу того же пользователя), но низко по исходному запросу.
• Перемещение (Relocation): Выбранный документ перемещается на высокую позицию.
• Сбор данных и Корректировка: Система отслеживает клики (CTR). Если перемещенный документ популярен, эти данные сохраняются в Popularity Database и используются для повышения его рейтинга в будущих поисках.

Актуальность для SEO

Высокая. Механизмы обратной связи, использование пользовательских сигналов (кликов) для валидации и улучшения алгоритмов ранжирования (например, обучение с подкреплением) являются фундаментальными для современных поисковых систем. Хотя патент имеет ранний приоритет (2003 г.), описанные концепции тестирования результатов и адаптации к контексту сессии остаются критически важными.

Важность для SEO

Патент имеет высокое значение для понимания динамики ранжирования (7/10). Он описывает конкретные механизмы, которые Google использует для самокоррекции и тестирования качества выдачи, что объясняет волатильность SERP. Это подчеркивает критическую важность CTR как сигнала валидации релевантности. Если страница получает временное повышение, высокий CTR может привести к постоянному улучшению позиций.

Детальный разбор

Термины и определения

Article Identifier (Идентификатор статьи/документа)

Элемент, идентифицирующий документ, например, URL или ссылка.

Candidate Result Set (Набор результатов-кандидатов)

Второй набор результатов, используемый как источник документов для вставки в основной набор. Может быть получен по связанному запросу.

Click-through data / Ratio (CTR) (Данные о кликах / Коэффициент кликабельности)

Данные, указывающие, как часто пользователи нажимают на результат. Используются как ключевой сигнал качества и релевантности.

Higher Tier / Lower Tier (Верхний уровень / Нижний уровень)

Способ разделения результатов поиска. Higher Tier содержит результаты, которые пользователь, скорее всего, увидит (например, Топ-20). Lower Tier — результаты в глубине выдачи (например, позиции 50-100).

Popularity Database (База данных популярности)

Хранилище, содержащее показатели популярности документов, включая click-through data. Используется для ранжирования.

Query Reformulation (Переформулировка запроса)

Процесс изменения исходного запроса (например, использование синонимов, исправление ошибок) для создания связанного запроса.

Related Query (Связанный запрос)

Второй запрос, который имеет отношение к первому. Может быть переформулировкой или запросом, поданным тем же пользователем в течение короткого времени (temporal relationship).

Ключевые утверждения (Анализ Claims)

Важно понимать разницу между Описанием (Specification) и Формулой изобретения (Claims). Описание патента обсуждает широкие методы, включая случайный бустинг (Exploration). Однако защищенное ядро изобретения (Claims) в этом конкретном патенте сфокусировано на персонализации.

Claim 1 (Независимый пункт): Описывает метод улучшения поиска на основе предыдущих запросов того же пользователя.

1. Система получает первый набор результатов для первого запроса пользователя (Q1).
2. Идентифицируется второй запрос (Q2) на основании того, что он был ранее отправлен тем же пользователем И связан с первым запросом.
3. Получается второй набор результатов для Q2.
4. Идентифицируется конкретный результат (R) из второго набора.
5. Проверяется, входит ли R в пороговое число (Топ-N) самых высокоранжируемых результатов первого набора.
6. Если НЕТ (он не в топе Q1), система модифицирует первый набор результатов, перемещая R в пределы Топ-N.
7. Модифицированный набор результатов предоставляется пользователю.

Это описывает механизм персонализации на основе контекста поисковой сессии. Если пользователь ищет что-то связанное с недавним поиском, результаты из предыдущего поиска могут быть подмешаны в текущий.

Claim 3 и 4 (Зависимые): Уточняют, что модификация происходит при условии, что результат R высоко ранжируется для второго запроса (Q2). Это гарантирует подмешивание только качественных результатов.

Claim 7 (Зависимый): Подтверждает цель изобретения как механизма обратной связи. После показа модифицированной выдачи система собирает информацию (клики), чтобы определить, имеет ли перемещенный результат более высокую релевантность, чем предполагалось его исходной позицией.

Claim 8 (Зависимый): Уточняет, что связь между Q1 и Q2 может определяться на основе временной близости (temporal relationship) между ними.

Где и как применяется

Изобретение применяется на финальных этапах обработки поисковой выдачи.

QUNDERSTANDING – Понимание Запросов
Система должна идентифицировать связанные запросы. Это включает анализ истории поиска пользователя в текущей сессии (для Claim 1) или использование офлайн-данных о частых переформулировках (например, исправление ошибок: «infinity» -> «infiniti»).

RANKING – Ранжирование
Генерируется исходный набор результатов (Initial Search Result Set) с использованием стандартных алгоритмов и данных из Popularity Database.

RERANKING – Переранжирование
Основной этап применения патента. Система берет исходный набор результатов и модифицирует его.

1. Идентификация кандидатов: Определяются документы для перемещения (из связанных запросов или случайным образом из Lower Tier, как описано в Specification).
2. Применение бустинга: Выбранные документы перемещаются в Higher Tier.
3. Сбор обратной связи: После показа выдачи система собирает Click-through data для этих документов, обновляя Popularity Database.

Входные данные:

• Исходный запрос (Q1).
• Исходный ранжированный набор результатов.
• Данные о сессии пользователя (предыдущие запросы, идентификатор пользователя).
• Кандидатские наборы результатов (от связанных запросов).

Выходные данные:

• Модифицированный набор результатов поиска.
• Обновленные данные в Popularity Database (после взаимодействия пользователя).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы, запросы с ошибками или запросы, являющиеся частью сессии с уточнением интента. Также влияет на широкие запросы, где релевантные документы могут теряться в Lower Tier.
• Конкретные типы контента: Влияет на документы, которые могут быть высокорелевантными, но не обладают сильными традиционными сигналами ранжирования (например, новый контент) или документы, релевантные связанному интенту.

Когда применяется

• Триггеры активации (Связанные запросы): Когда система идентифицирует связанный запрос (например, предыдущий запрос пользователя в сессии), И когда результат из связанного запроса высоко ранжируется там, но низко в исходном запросе.
• Триггеры активации (Случайный выбор/Exploration): Как описано в спецификации патента, система может периодически или случайно выбирать документы из Lower Tier (например, результаты 50-100) для тестирования их релевантности.
• Пороговые значения: Система использует пороги для определения того, что считается Higher Tier (например, Топ-20) и Lower Tier.

Пошаговый алгоритм

Вариант А: Использование связанных запросов (На основе Claim 1 и FIG. 3)

1. Получение запроса (Q1) и генерация исходных результатов.
2. Идентификация связанного запроса (Q2): Анализ предыдущих запросов пользователя в текущей сессии или использование известных переформулировок.
3. Генерация кандидатских результатов для Q2.
4. Выбор документа: Идентификация документа, высоко ранжируемого в Q2.
5. Сравнение ранжирования: Проверка позиции этого документа в Q1.
6. Условие перемещения: Если документ не входит в Higher Tier в Q1.
7. Перемещение (Relocation): Документ перемещается на высокую позицию в Q1, создавая Modified Result Set.
8. Предоставление результатов и сбор данных: Модифицированный набор предоставляется пользователю. Отслеживается Click-through data.
9. Обновление данных: Popularity Database обновляется на основе полученных кликов.

Вариант Б: Случайное тестирование (Exploration, на основе Specification)

1. Генерация исходных результатов.
2. Случайный выбор: Система случайным образом выбирает документ из Lower Tier (например, позиции 50-100).
3. Перемещение (Relocation): Документ перемещается в Higher Tier (например, позиция 5).
4. Предоставление результатов и сбор данных: Отслеживается Click-through data.
5. Обновление данных: Popularity Database обновляется.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и системных данных для корректировки ранжирования.

• Поведенческие факторы: Критически важные данные. Используются данные о сессии пользователя (предыдущие запросы, временная близость запросов). Основная цель — сбор новых Click-through data для корректировки ранжирования. Логи запросов используются для выявления связей между запросами.
• Пользовательские факторы: Идентификатор пользователя (например, Cookie или IP-адрес) используется для связывания последовательных запросов в рамках одной сессии (как указано в Claim 1).
• Системные данные: Исходные оценки ранжирования и данные из Popularity Database.

Какие метрики используются и как они считаются

• Ranking Position (Позиция в ранжировании): Используется для определения порогов Higher Tier (например, Топ-20) и Lower Tier. Это определяет, является ли позиция видимой или нет.
• Temporal Relationship (Временная взаимосвязь): Время между двумя последовательными запросами. Используется для определения того, связаны ли запросы в рамках одной сессии.
• Click-Through Ratio (CTR): Ключевая метрика, которую система измеряет для перемещенного документа. Рассчитывается как отношение кликов к показам. Высокий CTR подтверждает релевантность и приводит к улучшению органического ранжирования в будущем.

Выводы

1. Ранжирование является динамическим и самокорректирующимся: Google активно тестирует свои результаты. Система не предполагает, что текущее ранжирование идеально, и использует механизмы для его улучшения, исследуя результаты в глубине выдачи (Exploration).
2. Обратная связь пользователя (клики) валидирует релевантность: Основная цель перемещения документов — измерить реакцию пользователя. Click-through data является прямым сигналом, используемым для подтверждения или опровержения релевантности. Успешный тест (высокий CTR) приводит к улучшению ранжирования.
3. Использование связанных запросов для поиска «скрытых жемчужин»: Система использует семантически или контекстуально связанные запросы (переформулировки, исправления ошибок), чтобы найти документы, которые могли быть упущены стандартным ранжированием по исходному запросу.
4. Персонализация на основе истории сессии: Как защищено в Claim 1, предыдущий запрос пользователя может напрямую влиять на ранжирование текущего запроса. Система адаптируется к интенту пользователя на основе его недавних действий.
5. Объяснение волатильности SERP: Этот механизм объясняет, почему рейтинги могут временно колебаться. Страница может внезапно появиться в Топе не из-за изменения ее факторов ранжирования, а потому что Google решил ее протестировать.

Практика

Best practices (это мы делаем)

• Оптимизация для высокого CTR (Titles и Descriptions): Это критически важно. Данный патент направлен на измерение CTR как сигнала обратной связи. Если ваша страница получит временный бустинг (случайный или через связанный запрос), высокий CTR подтвердит ее релевантность и поможет закрепиться на высоких позициях органически.
• Охват связанных запросов и переформулировок (Topical Authority): Создавайте контент, который отвечает не только на основной запрос, но и на его вариации, синонимы и частые уточнения. Если ваша страница хорошо ранжируется по связанному запросу, этот механизм может повысить ее в выдаче по основному запросу.
• Обеспечение глубокой релевантности и удовлетворения интента: Убедитесь, что контент полностью соответствует запросу. Если страница будет выбрана для тестирования (Exploration), она должна удовлетворить пользователя, чтобы получить клик и положительный поведенческий сигнал.

Worst practices (это делать не надо)

• Игнорирование пользовательского опыта и CTR: Нельзя полагаться исключительно на статические сигналы. Если страница не привлекает клики при показе в ТОПе, ее релевантность будет поставлена под сомнение, и она не пройдет тест.
• Создание узконаправленного контента под одну фразу: Контент, оптимизированный только под одну точную формулировку запроса, упускает возможность быть идентифицированным через механизм связанных запросов (Related Queries).
• Игнорирование User Journey и контекста сессии: Непонимание того, как пользователи ищут информацию последовательно. Стратегия должна учитывать не только изолированный запрос, но и логическую цепочку интентов пользователя.

Стратегическое значение

Этот патент подтверждает стратегический сдвиг в сторону поведенческих сигналов как конечной меры релевантности. Он демонстрирует, что Google постоянно исследует (Explore) и корректирует выдачу, используя SERP как лабораторию. Долгосрочная SEO-стратегия должна фокусироваться на создании контента, который пользователи активно ищут, на который они кликают и который удовлетворяет их интент.

Практические примеры

Сценарий 1: Исправление ошибки через связанные запросы (На примере «infinity/infiniti» из патента)

1. Исходный запрос (Q1): Пользователь ищет «infinity car» (с ошибкой).
2. Исходная выдача: Сайт www.infiniti.com находится на 50-й позиции.
3. Идентификация связанного запроса: Система знает (из исторических данных или анализа сессии пользователя), что за этим запросом часто следует «infiniti car» (Q2).
4. Анализ кандидатов: Система видит, что www.infiniti.com ранжируется №1 по Q2, но №50 по Q1.
5. Перемещение: Система перемещает www.infiniti.com на позицию №3 в выдаче по Q1.
6. Сбор данных: Пользователи видят результат и активно кликают на него (высокий CTR).
7. Результат: Система обновляет Popularity Database, повышая релевантность www.infiniti.com для запроса с ошибкой в будущих поисках.

Сценарий 2: Случайное тестирование (Exploration)

1. Исходный запрос: «лучшие бюджетные смартфоны 2025».
2. Исходная выдача: Новая, качественная статья на менее авторитетном сайте находится на 80-й позиции (Lower Tier).
3. Случайный выбор: Система случайным образом выбирает эту новую статью для тестирования.
4. Перемещение: Статья перемещается на позицию №5 (Higher Tier).
5. Сбор данных: Статья имеет привлекательный сниппет, пользователи активно кликают.
6. Результат: Высокий CTR подтверждает релевантность. Статья получает значительный буст в органическом ранжировании на постоянной основе.

Вопросы и ответы