Как Google использует время наведения и паттерн движения курсора (Hover Time) для оценки релевантности результатов без клика

Описание

Какую задачу решает

Патент решает проблему оценки релевантности результатов поиска в ситуациях, когда стандартные метрики, такие как Click-Through Rate (CTR), неинформативны. Это происходит, когда пользователь находит нужную информацию непосредственно в сниппете, определении или блоке с ответом (OneBox result) и не совершает клик, либо когда у информационного элемента нет исходящей ссылки. Система позволяет поисковой машине получать неявную обратную связь о релевантности, основываясь на поведении пользователя на странице выдачи (SERP).

Что запатентовано

Запатентована система и метод измерения предпочтений пользователя путем детального анализа поведения курсора на странице результатов поиска. Основное изобретение заключается в сборе данных о продолжительности времени (length of time) И паттерне движения (pointer movement pattern), в течение которого пользователь удерживает указатель (курсор) над областью отображения конкретного результата поиска, не выбирая его (without selecting). Эти данные, называемые Client Attention Data, используются для обновления оценки релевантности (Relevancy Value) этого результата и влияют на ранжирование в будущих поисковых запросах.

Как это работает

Система работает через взаимодействие клиентского приложения и сервера:

• Мониторинг на клиенте: Компонент на стороне клиента (Client Assistant), например, через JavaScript, отслеживает активность указателя пользователя относительно предопределенных областей на SERP (например, сниппетов).
• Сбор данных: Система фиксирует продолжительность наведения (Client Attention Period) и анализирует паттерн движения (например, движение со скоростью чтения, статичное положение или хаотичное движение).
• Передача данных: Собранные Client Attention Data передаются на сервер. В некоторых вариантах данные передаются, только если продолжительность наведения превышает определенный порог (threshold value), чтобы отфильтровать случайные движения.
• Анализ на сервере: Сервер (User Response Analysis Unit) агрегирует данные от множества пользователей.
• Обновление ранжирования: Сервер (Relevancy Value Update Unit) использует эти данные для генерации коэффициента внимания (Client Attention Coefficient) и обновляет общую оценку релевантности (Relevancy Value) документа для данного запроса, комбинируя ее с другими факторами (например, PageRank).

Актуальность для SEO

Высокая. Концепция неявной обратной связи пользователя и метрики вовлеченности на SERP критически важны для современных поисковых систем, особенно с ростом числа «Zero-Click Searches». Анализ поведения пользователя для оценки качества выдачи, даже без совершения клика, является стандартной практикой, и описанные механизмы лежат в основе сбора поведенческих сигналов ранжирования.

Важность для SEO

Влияние на SEO высокое (85/100). Патент описывает конкретный механизм сбора поведенческих факторов ранжирования, основанный на взаимодействии пользователя со сниппетом. Это подтверждает, что оптимизация сниппетов должна быть направлена не только на привлечение клика (CTR), но и на удержание внимания пользователя (вовлеченность и читабельность). Результаты, которые заставляют пользователя задержаться для изучения сниппета, получают преимущество в ранжировании.

Детальный разбор

Термины и определения

Client Assistant (Клиентский помощник)

Компонент (например, JavaScript код, плагин), ответственный за мониторинг действий пользователя (user browsing activities) на стороне клиента и передачу этой информации на сервер.

Client Attention Data (Данные о внимании клиента)

Информация, собранная Client Assistant. Включает продолжительность наведения указателя (pointer hover period), паттерны движения указателя и другие действия (например, нажатие кнопки мыши).

Client Attention Period / Continuous Hover Period (Период внимания клиента / Период непрерывного наведения)

Продолжительность времени, в течение которого пользователь удерживает указатель над предопределенной областью результата поиска.

Client Attention Coefficient (Коэффициент внимания клиента)

Метрика, генерируемая сервером на основе анализа агрегированных Client Attention Data и Impression Data. Используется для обновления Relevancy Value.

Impression Data (Данные о показах)

Данные о том, сколько раз и в каком порядке информационные элементы были предоставлены клиентским устройствам в ответ на поисковые запросы.

Informational Item (Информационный элемент)

Единица контента в результатах поиска (документы, реклама, определения из словаря, OneBox results и т.д.).

Pointer Movement Pattern (Паттерн движения указателя)

Характер движения курсора над результатом. Патент упоминает: (i) движение с нормальной скоростью чтения (normal reading speed) построчно, (ii) статичное положение, (iii) случайное движение (random movement).

Relevancy Value / Ranking Value (Оценка релевантности / Значение ранжирования)

Числовое значение, используемое для упорядочивания результатов поиска. Может включать как зависимые от запроса (например, Client Attention Data), так и независимые (например, PageRank) компоненты.

Snippet (Сниппет)

Выбранная часть текста из информационного элемента, отображаемая в результатах поиска. Ключевая область для мониторинга активности курсора.

Threshold Value (Пороговое значение)

Минимальная продолжительность Client Attention Period, необходимая для того, чтобы система зарегистрировала событие как значимое и отфильтровала шум.

Ключевые утверждения (Анализ Claims)

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

1. Система определяет Client Attention Data, получая информацию, представляющую (а) pointer movement pattern И (б) продолжительность времени (length of time), в течение которого пользователь наводит указатель на область отображения первого результата поиска, не выбирая его (without selecting).
2. Система обновляет как минимум одну Relevancy Value, связанную с первым результатом поиска, на основе этих Client Attention Data.
3. В ответ на последующий поисковый запрос система предоставляет второй результат поиска, имеющий Relevancy Value, обновленную в соответствии с Client Attention Data.

Ядро изобретения — использование комбинации времени наведения и паттерна движения курсора без клика как сигнала для обновления оценки релевантности результата для будущих поисковых выдач.

Claim 3 (Зависимый от 1): Уточняет область мониторинга.

Первый результат поиска содержит часть, являющуюся сниппетом (snippet). Определение продолжительности времени наведения включает определение времени, в течение которого пользователь наводит указатель именно на этот сниппет.

Claim 4 (Зависимый от 1): Детализирует Pointer Movement Pattern.

Результат поиска включает строку сниппета. Паттерн движения указателя является одним из: (i) движение указателя с normal reading speed над строкой сниппета, (ii) статичное положение над строкой сниппета, или (iii) random movement над строкой сниппета.

Это указывает на сложный анализ поведения: система пытается определить, действительно ли пользователь читает сниппет.

Claim 5 (Зависимый от 1): Описывает дополнительные условия для оценки внимания.

Определение Client Attention Data дополнительно включает определение того, превышает ли продолжительность времени threshold value и есть ли связанное с этим действие нажатия кнопки мыши (mouse-down action).

Claim 9 (Зависимый от 1): Описывает дифференцированную оценку внимания.

Первый результат поиска состоит из первой части и второй части. Client Attention Data рассчитываются по-разному, когда пользователь наводит указатель на первую часть, а не на вторую (например, разный вес для наведения на заголовок и сниппет).

Где и как применяется

Изобретение затрагивает этапы сбора данных о поведении пользователя и использования этих данных для ранжирования.

CRAWLING & Data Acquisition (Сбор данных)
В контексте этого патента «сбор данных» относится к сбору поведенческих данных пользователей в реальном времени. Client Assistant на устройстве пользователя собирает Client Attention Data во время взаимодействия с SERP и отправляет их на сервер.

INDEXING & Feature Extraction (Индексирование и извлечение признаков)
Агрегированные Client Attention Data и рассчитанные Client Attention Coefficients обрабатываются и сохраняются. Этот процесс может происходить периодически (например, ежедневно, еженедельно). Эти данные становятся признаками (features) для документа в контексте конкретного запроса.

RANKING (Ранжирование)
На этом этапе система использует обновленные Relevancy Values. При получении запроса система извлекает Relevancy Values, которые уже включают в себя влияние агрегированных Client Attention Data (через Client Attention Coefficient), а также другие факторы (например, PageRank). В патенте также упоминается, что обновление Relevancy Value может происходить во время выполнения запроса (at query time).

Входные данные:

• Данные о движении и положении указателя пользователя на SERP (координаты, временные метки).
• Информация о действиях мыши (mouse-down, click-through).
• Impression Data (какие результаты были показаны и в каком порядке).
• Существующие метрики ранжирования (например, PageRank).

Выходные данные:

• Client Attention Data (передаваемые с клиента на сервер).
• Client Attention Coefficient (рассчитанный на сервере).
• Обновленное Relevancy Value для пары документ-запрос.

На что влияет

• Конкретные типы контента: Наибольшее влияние оказывается на контент, где информация может быть получена из сниппета. Патент особо выделяет OneBox results (например, словарь, котировки акций, погода), где положительная обратная связь (длительное наведение) подтверждает полезность этого блока.
• Реклама: Патент упоминает применение к рекламным объявлениям (advertising items), особенно ориентированным на брендинг, где внимание пользователя может быть метрикой успеха даже без клика.
• Специфические запросы: Влияет на информационные запросы, где пользователь сравнивает несколько результатов на SERP или если ответ найден на SERP.

Когда применяется

• Условия работы: Алгоритм сбора данных активируется каждый раз, когда пользователь взаимодействует со страницей результатов поиска.
• Триггеры активации: Движение указателя в предопределенную область результата поиска (например, сниппет).
• Пороговые значения: В варианте реализации «толстый клиент» (thick-client) данные отправляются на сервер, только если Client Attention Period превышает threshold value. Это фильтрует случайные, кратковременные наведения.
• Частота применения: Обновление Relevancy Value может происходить периодически после накопления достаточного объема статистических данных или во время выполнения запроса (at query time).

Пошаговый алгоритм

Процесс А: Мониторинг на стороне клиента (Client Assistant)

1. Отображение результатов: Клиентское приложение отображает результаты поиска в предопределенных областях.
2. Мониторинг активности указателя: Client Assistant отслеживает положение и движение указателя пользователя относительно этих областей.
3. Идентификация наведения: Система определяет, когда указатель входит в область результата и когда выходит из нее.
4. Анализ паттерна движения: Отслеживается траектория движения внутри области для определения Pointer Movement Pattern (чтение, статичное положение, случайное движение).
5. Измерение внимания (Вариант Thick-Client):
   1. Рассчитывается Client Attention Period.
   2. Проверяется, превышает ли этот период threshold value.
   3. Если ДА, информация об активности (включая период и паттерн) передается на сервер.
   4. Если НЕТ, данные игнорируются.
6. Измерение внимания (Вариант Thin-Client):
   1. Данные об активности указателя (например, координаты и временные метки событий входа/выхода, паттерн движения) передаются на сервер без предварительной фильтрации и расчета периода.

Процесс Б: Обработка на стороне сервера

1. Получение и агрегация данных: Сервер получает Client Attention Data от клиентских устройств и агрегирует их.
2. Анализ внимания и паттернов: Сервер анализирует полученные данные для определения значимых Client Attention Periods и оценки уровня внимания на основе Pointer Movement Pattern (например, чтение ценится выше случайного движения).
3. Получение данных о показах: Сервер извлекает Impression Data для соответствующих информационных элементов и запросов.
4. Генерация коэффициента: На основе агрегированных Client Attention Data и Impression Data генерируется Client Attention Coefficient.
5. Обновление релевантности: Client Attention Coefficient комбинируется с другими факторами (например, PageRank) для расчета обновленного Relevancy Value.
6. Применение: Обновленные значения используются в будущих запросах.

Какие данные и как использует

Данные на входе

Патент фокусируется на поведенческих факторах, связанных с активностью указателя, и системных данных о показах.

• Поведенческие факторы:
  • Pointer Placement (Положение указателя): Координаты указателя относительно областей результатов поиска (вход/выход).
  • Pointer Hover Period (Время наведения): Продолжительность времени, в течение которого указатель находится над результатом.
  • Pointer Movement Pattern (Паттерн движения): Скорость и траектория движения указателя (например, имитация чтения).
  • Mouse Actions (Действия мыши): Нажатие кнопки (mouse-down action) и клики (click-through action), которые также фиксируются для контекста.
• Системные данные:
  • Impression Data: Количество показов результата.
  • Query-Independent Metrics: Упоминается PageRank как пример метрики, с которой комбинируются данные о внимании пользователя.

Какие метрики используются и как они считаются

• Client Attention Period: Рассчитывается как разница во времени между событием входа указателя в область результата и событием выхода из нее.
• Threshold Value (Пороговое значение): Предопределенное значение времени. Используется для фильтрации кратковременных наведений, которые не отражают подлинного интереса пользователя.
• Pointer Movement Pattern Classification: Классификация движения на основе скорости и траектории (нормальная скорость чтения, статичное положение, случайное движение).
• Client Attention Coefficient: Метрика, производная от агрегированных Client Attention Data и Impression Data. Это статистический параметр, надежность которого растет по мере накопления данных.
• Relevancy Value: Обновленное значение ранжирования. Рассчитывается путем комбинирования Client Attention Coefficient с другими факторами (например, PageRank).
• Весовые коэффициенты (W1, W2): В описании упоминается, что время наведения на разные части информационного элемента (например, сниппет vs заголовок) может иметь разные веса при определении Relevancy Value.

Выводы

1. Неявная обратная связь как сигнал ранжирования: Патент подтверждает использование неявных поведенческих сигналов для корректировки ранжирования. Время, проведенное пользователем за изучением результата на SERP (Hover Time), интерпретируется как показатель интереса и релевантности, даже без клика.
2. Сложный анализ поведения (Качество взаимодействия): Система не просто измеряет время наведения, но и анализирует Pointer Movement Pattern. Попытка отличить осмысленное чтение (движение курсора построчно с нормальной скоростью) от случайного движения или статичного положения указывает на высокую сложность анализа поведенческих сигналов.
3. Сниппет как объект взаимодействия: Патент подчеркивает роль сниппета как ключевой области для оценки внимания. Вовлеченность пользователя со сниппетом напрямую влияет на Relevancy Value документа.
4. Фильтрация шума: Использование пороговых значений (threshold values) для игнорирования кратковременных наведений является ключевым механизмом для обеспечения качества данных.
5. Дифференцированная оценка взаимодействия: Система может придавать разный вес взаимодействию с разными частями результата (например, заголовок и сниппет), что требует стратегического подхода к формированию этих элементов.
6. Комбинирование сигналов: Поведенческие сигналы (Client Attention Coefficient) не заменяют другие факторы ранжирования, а комбинируются с ними (например, с PageRank) для формирования итоговой Relevancy Value.

Практика

Best practices (это мы делаем)

• Оптимизация сниппетов для читабельности и вовлечения: Сниппеты должны быть связным, информативным текстом, который побуждает пользователя прочитать его целиком. Это увеличивает Client Attention Period и повышает вероятность регистрации положительного паттерна движения (чтения).
• Предоставление ценности в сниппете: Для информационных запросов старайтесь предоставить краткий ответ или ключевую информацию уже в той части контента, которая вероятнее всего попадет в сниппет или Featured Snippet. Если пользователь найдет ответ в сниппете и задержится на нем для чтения, это будет положительным сигналом.
• Оптимизация Заголовков (Title) для удержания внимания: Заголовки должны быть четкими и привлекательными. Поскольку наведение на заголовок также отслеживается и может иметь отдельный вес, его оптимизация критична для захвата первоначального внимания и мотивации пользователя изучить сниппет.
• Использование структурированных данных для расширенных сниппетов: Расширенные сниппеты (Rich Snippets) увеличивают площадь (display region) результата поиска и могут предоставлять дополнительную информацию (например, цены, отзывы), стимулируя пользователя дольше изучать результат на SERP.

Worst practices (это делать не надо)

• Кликбейт в заголовках и сниппетах: Создание заголовков, которые привлекают внимание, но не соответствуют содержанию. Пользователь может быстро понять это, прочитав сниппет, и быстро увести курсор, что приведет к короткому Client Attention Period и отсутствию положительных сигналов.
• Перенасыщение сниппетов ключевыми словами в ущерб читабельности: Нечитаемые сниппеты не будут удерживать внимание пользователя, снижая Hover Time и потенциально генерируя паттерны случайного движения (random movement).
• Игнорирование качества сниппетов, генерируемых Google: Если Google генерирует неудачный сниппет для вашей страницы, который пользователи быстро пролистывают, это может негативно повлиять на Client Attention Coefficient. Необходимо корректировать контент так, чтобы стимулировать формирование качественных сниппетов.

Стратегическое значение

Патент подчеркивает важность SERP как основного поля взаимодействия пользователя с поисковой системой. Стратегия SEO должна включать оптимизацию представления сайта на SERP (SERP Optimization) как ключевой элемент. Успех определяется не только позицией и кликами, но и тем, как пользователи взаимодействуют с результатом на этой позиции. Поисковые системы стремятся максимизировать удовлетворенность пользователя, используя любые доступные сигналы, включая самые тонкие, такие как движение курсора.

Практические примеры

Сценарий: Оптимизация сниппета для информационного запроса

Задача: Улучшить ранжирование статьи по запросу «как выбрать палатку для похода».

Действия:

1. Анализ текущего сниппета: Текущий сниппет неинформативен и выглядит как реклама. Он не дает конкретики.
2. Корректировка контента/Meta Description: Создается новый сниппет, ориентированный на читабельность и информативность: «Выбор палатки для похода зависит от сезона, количества человек и веса. Узнайте разницу между купольными и туннельными конструкциями, а также о важности водостойкости тента (PU 3000+).»
3. Ожидаемый результат: Пользователи будут тратить больше времени на чтение этого детализированного сниппета. Это увеличит средний Client Attention Period. Система зафиксирует это поведение (возможно, даже отследив построчное чтение курсором) и повысит Client Attention Coefficient, что положительно скажется на ранжировании статьи.

Вопросы и ответы