Как Google в Автоподсказках (Suggest) предлагает искать запрос в разных вертикалях поиска (Картинки, Новости, Карты)

Описание

Какую задачу решает

Патент решает задачу помощи пользователю в уточнении поискового намерения на самом раннем этапе — при вводе запроса. Он устраняет необходимость сначала выполнять общий поиск, а затем вручную переключаться на нужную вертикаль (например, Картинки, Новости, Карты). Система стремится предугадать не только что ищет пользователь (запрос), но и где он хочет это найти (в каком корпусе), улучшая эффективность и скорость поиска.

Что запатентовано

Запатентована система для динамического «разветвления» (forking) автодополнений (Google Suggest). Система определяет, насколько сильно предложенный вариант запроса коррелирует с различными поисковыми вертикалями (Corpora), такими как Новости, Картинки, Карты (Places), Шоппинг и т.д. Если корреляция (Corpus Score) высока для конкретной вертикали, система отображает этот вариант запроса несколько раз: один раз для поиска в этой конкретной вертикали и один раз для поиска в универсальном корпусе (Universal Search Corpus).

Как это работает

Система работает следующим образом:

• Ввод символов: Пользователь вводит символы (например, «cof»).
• Получение автодополнения: Autocompletion Engine предлагает варианты (например, «coffee»).
• Анализ корпусов: Corpus Engine определяет связанные корпуса и их оценки (Corpus Scores) для этого варианта. Оценка основана на вероятности того, что пользователь выберет этот корпус (например, на основе исторических CTR).
• Выбор корпусов (Forking): Forking Engine выбирает корпуса, чьи оценки превышают порог. Также выбирается Universal Search Corpus.
• Отображение: Пользователю показываются разветвленные варианты. Например: «coffee [иконка Карт] near me» и «coffee [иконка Поиска] general topic».
• Выполнение поиска: При выборе варианта поиск выполняется в соответствующем корпусе.

Актуальность для SEO

Высокая. Механизмы автодополнения и уточнения интента постоянно развиваются. Описанный в патенте интерфейс и логика (предложение поиска в Картах, по теме, в Новостях и т.д. прямо в подсказках) активно используются Google на десктопных и мобильных устройствах в 2025 году. Это фундаментальный механизм управления поисковым поведением.

Важность для SEO

Влияние на SEO значительно (7/10). Патент не описывает алгоритмы ранжирования внутри корпусов, но он критически важен для понимания того, как Google направляет трафик. Он показывает механизм, который может увести пользователя из универсального веб-поиска в специализированную вертикаль еще до того, как он увидит стандартную SERP. Это подчеркивает необходимость сильного присутствия и оптимизации не только в веб-индексе, но и в релевантных вертикалях (Images, News, Local, Video).

Детальный разбор

Термины и определения

Auto-completion (Автодополнение)

Предлагаемый поисковый запрос, основанный на символах, введенных пользователем. Например, «coffee» для ввода «cof».

Corpus / Corpora (Корпус / Корпуса)

Категоризация или набор ресурсов, объединенных по теме или формату. Представляет собой поисковую вертикаль. Примеры, упомянутые в патенте: «News» (Новости), «Images» (Картинки), «Places» (Места/Карты), «Shopping» (Покупки), «Videos» (Видео), «Blogs» (Блоги), «Patents» (Патенты), «Literature» (Литература).

Corpus Score (Оценка корпуса)

Метрика, представляющая меру уверенности (measure of confidence) в том, что пользователь выберет данный корпус при показе данного автодополнения. Может рассчитываться на основе исторических данных о поведении пользователей.

Forked Auto-completion (Разветвленное автодополнение)

Отображение одного и того же автодополнения несколько раз, но с привязкой к разным корпусам.

Forking Engine (Механизм разветвления)

Компонент системы, который получает символы, координирует получение автодополнений и оценок корпусов, выбирает корпуса на основе порогов и формирует финальный список подсказок.

Universal Search Corpus (Универсальный поисковый корпус)

Корпус по умолчанию. В контексте патента (Claim 1) он определяется как включающий два или более корпусов и исключающий первый выбранный корпус (тот, который превысил порог).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы на стороне сервера.

1. Система получает символы от пользователя.
2. Получает автодополнение, соответствующее символам.
3. Получает данные о нескольких корпусах и их Corpus Score для этого автодополнения.
4. Выбирает первый корпус, чей Corpus Score удовлетворяет порогу (threshold).
5. Выбирает Universal Search Corpus, который включает два или более корпусов и исключает первый выбранный корпус.
6. Предоставляет для отображения в выпадающем меню (drop-down menu):
   • Первую запись: первый экземпляр автодополнения + иконка, представляющая первый корпус, рядом с ним.
   • Вторую запись: второй экземпляр автодополнения, соответствующий Universal Search Corpus, без иконки первого корпуса.

Ядро изобретения — это процесс идентификации высокорелевантного специализированного корпуса и его явное представление в UI (с иконкой) наряду с универсальным поиском (без иконки) для уточнения интента пользователя.

Claim 6 (Независимый пункт): Описывает процесс на стороне клиентского устройства.

1. Устройство получает символы от пользователя.
2. Отправляет их в Forking Engine.
3. Получает от Forking Engine автодополнение и данные о первом корпусе (выбранном по порогу) и Universal Search Corpus (исключающем первый корпус).
4. Отображает в выпадающем меню первую запись (автодополнение + иконка первого корпуса) и вторую запись (автодополнение для универсального корпуса без иконки первого корпуса).

Claim 5 и 14 (Зависимые): Уточняют результат взаимодействия.

Выбор пользователем одной из записей в выпадающем меню вызывает представление ресурсов, соответствующих автодополнению и корпусу, к которому относится выбранная запись (т.е. запускает поиск в выбранной вертикали).

Где и как применяется

Изобретение применяется на стыке взаимодействия пользователя с поисковой строкой и этапа понимания запроса.

QUNDERSTANDING – Понимание Запросов
Это основная фаза применения патента. Система работает в реальном времени по мере ввода запроса пользователем (partial query term). Цель — интерпретировать не только текст, но и намерение пользователя относительно типа контента (вертикали), который он ищет. Это механизм уточнения запроса (Query Refinement) и триггеринга вертикалей.

• Взаимодействие компонентов: Forking Engine получает ввод от пользователя, запрашивает данные у Autocompletion Engine (использует Autocompletion Index) и у Corpus Engine (использует Corpus Index).
• Входные данные: Символы, введенные пользователем. Исторические данные о популярности запросов. Исторические данные о поведении пользователей по отношению к корпусам (для расчета Corpus Scores).
• Выходные данные: Список разветвленных автодополнений с указанием связанных корпусов (например, в виде иконок или текста), предоставляемый пользовательскому устройству.

RANKING / METASEARCH
Патент напрямую не участвует в этих фазах, но он определяет, какая фаза RANKING будет запущена. Выбор пользователя определяет, будет ли запущен поиск в универсальном индексе или в специализированном индексе вертикали (Images, News и т.д.).

На что влияет

• Специфические запросы: Наибольшее влияние на запросы с неоднозначным интентом или запросы, где пользователи часто ищут специфический тип контента. Например, по запросу «Apple» пользователи могут искать новости, товары или изображения.
• Конкретные типы контента и ниши: Сильно влияет на ниши, где вертикальный поиск доминирует: E-commerce (Shopping corpus), Локальный бизнес (Places corpus), Мультимедиа (Images/Video corpus), Актуальные события (News corpus).
• Языковые и географические ограничения: В патенте не указаны, но реализация зависит от доступности специализированных корпусов и наличия достаточных данных для расчета Corpus Scores в конкретном регионе/языке.

Когда применяется

• Условия работы: Алгоритм работает каждый раз, когда пользователь вводит символы в поисковую строку и активируется функция автодополнения.
• Триггеры активации разветвления: Разветвление (Forking) происходит только тогда, когда Corpus Score для автодополнения в определенной вертикали удовлетворяет заданному порогу (threshold). Если ни одна вертикаль не достигает порога, будет показано только стандартное автодополнение для Universal Search Corpus.

Пошаговый алгоритм

Процесс обработки ввода пользователя

1. Получение ввода: Forking Engine получает один или несколько символов от пользовательского устройства (например, «bas»).
2. Получение автодополнений: Forking Engine передает символы в Autocompletion Engine, который извлекает из индекса наиболее релевантные или популярные варианты автодополнения (например, «baseball»).
3. Получение данных о корпусах: Для полученного автодополнения («baseball») система запрашивает у Corpus Engine связанные корпуса и их оценки (Corpus Scores). Пример из патента: {News: 91, Shopping: 44, Images: 39, Universal: 29}.
4. Выбор корпусов (Применение порогов): Forking Engine выбирает корпуса на основе оценок.
   • Вариант А (Claim 1): Выбирается корпус, превысивший порог (например, порог 80; выбирается «News»), и Universal Search Corpus.
   • Вариант Б (Описание патента): Выбираются Топ-N корпусов с наивысшими оценками (например, N=3; выбираются «News», «Shopping», «Images»).
5. Формирование списка подсказок: Forking Engine формирует список разветвленных автодополнений. Например: «baseball [News icon]», «baseball [Universal icon]».
6. Предоставление данных: Список отправляется на устройство пользователя для отображения в выпадающем меню.
7. Обработка выбора пользователя: Пользователь выбирает подсказку. Запрос (автодополнение + выбранный корпус) отправляется в Search Engine.
8. Выполнение поиска: Search Engine выполняет поиск ресурсов в указанном корпусе, релевантных запросу.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании агрегированных данных о поведении пользователей для принятия решения о разветвлении.

• Поведенческие факторы: Критически важны для расчета Corpus Score. Используются метрики, связанные с автодополнением и ресурсами, предоставленными в ответ на этот запрос в прошлом. Патент явно упоминает:
  • Click-Through Rate (CTR): Частота выбора ресурсов, принадлежащих к определенному корпусу, в ответ на запрос.
  • Click Length (Продолжительность клика): Может использоваться как метрика качества взаимодействия с корпусом.
  • General Traffic (Общий трафик): Объем трафика на ресурсы корпуса по данному запросу.
• Пользовательские факторы (Персонализация): В патенте упоминается возможность использования пользовательских метрик (user-specific metrics) для расчета Corpus Scores. Например, если конкретный пользователь всегда ищет новости, «News» корпус может быть выбран для него всегда, независимо от общей оценки.
• Технические факторы: Введенные пользователем символы (частичный запрос).

Какие метрики используются и как они считаются

• Corpus Score (Оценка корпуса): Мера уверенности или вероятности выбора корпуса. Рассчитывается на основе поведенческих факторов (например, CTR).

  Пример расчета (указан в патенте): Если по запросу «coffee» ресурсы из корпуса «Places» выбираются в 75% случаев, из «Images» в 15%, из «News» в 5%, то Corpus Scores могут быть: {Places: 0.75, Images: 0.15, News: 0.05}.

• Порог (Threshold): Минимальное значение Corpus Score, необходимое для выбора корпуса и активации разветвления.
• Ранг автодополнения: Метрика популярности или релевантности самого автодополнения (например, частота выбора пользователями), используемая Autocompletion Engine для выбора вариантов запросов.

Выводы

1. Сегментация интента на этапе ввода запроса: Google активно пытается определить не только тему запроса, но и тип желаемого контента (вертикаль) еще до выполнения поиска. Система использует автоподсказки как инструмент для направления пользователя в наиболее релевантный корпус.
2. Corpus Score как ключевая метрика: Решение о том, какие вертикали предложить, основано на Corpus Score. Эта метрика рассчитывается на основе агрегированного поведения пользователей (например, исторических CTR по разным вертикалям для данного запроса).
3. Приоритет специализированных вертикалей: Если система уверена (Score > Threshold), что запрос сильно связан с конкретной вертикалью (например, «coffee» и Карты/Places), она будет активно предлагать эту вертикаль наравне с универсальным поиском.
4. Важность оптимизации под вертикали (Vertical SEO): Для SEO это означает, что видимость сайта зависит не только от ранжирования в универсальном поиске, но и от способности системы ассоциировать контент сайта с релевантными корпусами (Images, News, Local и т.д.) и от того, насколько высок Corpus Score этой вертикали для целевых запросов.
5. Персонализация подсказок: Система может адаптировать Corpus Scores на основе индивидуальной истории пользователя (user-specific metrics), предпочитая вертикали, которые пользователь выбирает чаще.

Практика

Best practices (это мы делаем)

• Оптимизация под релевантные вертикали (Corpora): Необходимо обеспечить максимальную видимость в тех вертикалях, которые важны для бизнеса. Если вы локальный бизнес, критична оптимизация под «Places» корпус (Google Maps/Local Pack). Если вы СМИ — под «News» корпус. Если E-commerce — под «Shopping» и «Images». Это увеличивает шансы получить трафик, когда система направляет пользователей в эти вертикали.
• Усиление ассоциации контента с корпусом: Используйте соответствующие технические сигналы, чтобы помочь Google правильно классифицировать контент:
  • Images/Video: Оптимизация метаданных, alt-текстов, использование Sitemap для изображений/видео.
  • News: Соответствие требованиям Google News, использование разметки NewsArticle.
  • Places: Полнота и актуальность профиля Google Business Profile.
  • Shopping: Оптимизация продуктовых фидов и разметки Product.
• Анализ автоподсказок для ключевых запросов: Регулярно проверяйте, какие корпуса Google предлагает в подсказках для ваших основных запросов. Это дает прямое понимание того, как Google интерпретирует интент пользователей (на основе Corpus Scores) и куда направляет трафик.
• Повышение поведенческих факторов в вертикалях: Так как Corpus Score основан на CTR и других поведенческих метриках, необходимо работать над привлекательностью сниппетов в выдаче конкретных вертикалей. Например, создавать качественные и кликабельные изображения товаров, чтобы повысить CTR в Image Search.

Worst practices (это делать не надо)

• Игнорирование вертикального поиска: Фокусироваться только на оптимизации для универсального веб-поиска (10 синих ссылок). Этот патент показывает, что значительная часть трафика может быть перенаправлена в специализированные корпуса еще до формирования SERP.
• Некорректная разметка контента: Использование неподходящей микроразметки или ее отсутствие может привести к тому, что контент не будет ассоциирован с нужным корпусом и не сможет ранжироваться в соответствующей вертикали.

Стратегическое значение

Патент подтверждает стратегию Google на развитие Универсального Поиска и важность вертикалей. Для долгосрочной SEO-стратегии критически важно понимать, что Google рассматривает интернет как набор специализированных корпусов. Успешное продвижение требует глубокой интеграции в эти корпуса. Авторитетность сайта должна проявляться не только в веб-поиске, но и в способности генерировать высококачественный контент для релевантных вертикалей, который привлекает пользователей (высокий CTR), тем самым влияя на будущие Corpus Scores.

Практические примеры

Сценарий: Оптимизация для локальной кофейни

1. Анализ: SEO-специалист проверяет ввод «coffee» в своем регионе. Он видит подсказки: «coffee [Places icon] near me» и «coffee [Web icon] general topic». Это означает, что Corpus Score для «Places» очень высок.
2. Действие: Специалист фокусируется на максимальной оптимизации Google Business Profile (GBP): актуализирует часы работы, добавляет качественные фото, стимулирует отзывы, использует Posts в GBP. Цель — повысить локальное ранжирование и CTR в «Places» корпусе (Карты).
3. Ожидаемый результат: Когда пользователи выбирают подсказку «coffee near me», кофейня имеет высокие шансы появиться в результатах поиска Карт, получая прямой трафик от пользователей с четким локальным интентом.

Сценарий: Оптимизация интернет-магазина кроссовок

1. Анализ: При вводе названия популярной модели (например, «Nike Air Max») специалист видит подсказки с иконками «Shopping» и «Images».
2. Действие: Специалист обеспечивает наличие качественных, уникальных изображений товара с оптимизированными alt-тегами и названиями файлов (для «Images» корпуса). Также настраивается продуктовый фид и используется разметка Product (для «Shopping» корпуса).
3. Ожидаемый результат: Пользователи, ищущие визуальную информацию или намеревающиеся купить товар, направляются напрямую в соответствующие вертикали, где магазин хорошо представлен, что увеличивает вероятность конверсии.

Вопросы и ответы