Как Google использует данные основного Веб-поиска для определения порядка вертикалей (Музыка, Приложения, Книги) в Универсальной выдаче

Описание

Какую задачу решает

Патент решает проблему субоптимального и предвзятого ранжирования в мета-поисковых системах (Meta search engine), которые агрегируют результаты из различных специализированных корпусов или вертикалей (например, Музыка, Книги, Приложения). Проблема возникает, когда ранжирование основано исключительно на внутренних данных об использовании (например, query-to-click ratios). В таких случаях более старые или популярные вертикали могут доминировать над новыми или менее используемыми, даже если запрос пользователя явно относится к последним. Это происходит из-за несбалансированных исторических данных (uneven usage patterns).

Что запатентовано

Запатентована система, которая использует внешний, большой корпус данных (идентифицированный как WWW-based corpus или основной Веб-поиск) для генерации Ranking Signal (сигнала ранжирования) для специализированных, меньших корпусов («small» corpora). Этот сигнал, основанный на классификации результатов Веб-поиска, используется для определения порядка, в котором результаты из разных вертикалей представляются пользователю в смешанной выдаче.

Как это работает

Система работает в рамках архитектуры мета-поиска:

• Запрос и Распределение: Когда поступает запрос, Multi-Corpus Ranker отправляет его параллельно в специализированные вертикали (например, Поиск по Книгам, Поиск по Музыке).
• Внешняя Классификация: Одновременно запрос отправляется в Corpora Classification Engine, работающий на базе основного Веб-индекса (Третий корпус).
• Генерация Сигнала: Классификационный движок анализирует результаты Веб-поиска по этому запросу (включая CTR и объем запросов), чтобы определить вероятность принадлежности запроса к той или иной вертикали (classification likelihood).
• Смешивание: Эта вероятность используется как Ranking Signal для упорядочивания целых блоков вертикалей, отдавая приоритет той, которая наиболее соответствует интерпретации запроса Веб-поиском.

Актуальность для SEO

Высокая. Механизмы смешивания результатов (Universal Search Blending) являются фундаментальной частью современного поиска Google. Определение правильного сочетания вертикальных результатов на основе интента пользователя остается критически важной задачей для обеспечения качественной выдачи, даже если конкретные методы классификации эволюционировали.

Важность для SEO

Влияние на SEO-стратегию среднее/высокое (6/10). Это в первую очередь инфраструктурный патент, описывающий этап Метапоиска и Смешивания. Он имеет ограниченное прямое влияние на оптимизацию стандартного веб-сайта для основного индекса. Однако он критически важен для понимания того, как Google определяет намерение пользователя в отношении различных типов контента (вертикалей) и как сигналы авторитетности и популярности в основном Веб-поиске влияют на видимость в специализированных вертикалях (например, ASO, Google Books).

Детальный разбор

Термины и определения

Corpus (Корпус), Corpora (Корпусы)

Коллекция документов или элементов данных определенного типа (например, корпус Музыки, корпус Приложений).

WWW-based corpus (Веб-корпус)

Корпус, включающий все документы, доступные в Интернете (основной Веб-индекс). Используется как источник данных для классификации запросов. В Claims часто называется Третьим корпусом (third information corpus).

«Small» corpora («Малые» корпусы)

Специализированные вертикали (Музыка, Приложения, Книги). Они могут быть подмножеством Веб-корпуса или частично/полностью не пересекаться с ним (Non-WWW-based corpus). В Claims часто называются Первым и Вторым корпусами.

Meta search engine (Мета-поисковая система)

Поисковая система в среде смешанных корпусов (mixed corpora environments) с несколькими поисковыми бэкендами (вертикалями). Пример: Универсальный поиск Google.

Multi-Corpus Ranker (Ранжировщик смешанных корпусов)

Центральный компонент мета-поисковой системы, который координирует поиск в различных корпусах и определяет финальный порядок результатов.

Corpora Classification Engine (Механизм классификации корпусов)

Компонент, который использует Веб-корпус для анализа запроса и определения вероятности его принадлежности к различным специализированным корпусам.

Ranking Signal (Сигнал ранжирования)

Сигнал, генерируемый Corpora Classification Engine на основе анализа Веб-корпуса. Используется Multi-Corpus Ranker для упорядочивания вертикалей в финальной выдаче.

Classification Likelihood (Вероятность классификации)

Метрика, определяющая, к какому корпусу вероятнее всего относится запрос; основа Ranking Signal.

Query-to-click ratio / Clickthrough ratio (CTR)

Поведенческие метрики, используемые как для оценки популярности результатов в Веб-корпусе, так и как пример искаженных внутренних метрик в специализированных корпусах.

Ключевые утверждения (Анализ Claims)

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

1. Система получает поисковый запрос.
2. Идентифицируются результаты из Первого и Второго корпусов. Эти корпусы определены как различные специализированные поисковые системы (Музыка, Приложения, Фильмы, Книги).
3. Идентифицируются результаты из Третьего корпуса. Этот корпус содержит внешнюю информацию, связанную с предыдущими запросами и темой текущего запроса (Веб-корпус).
4. Определяется Ranking Signal для Первого и Второго корпусов на основе результатов из Третьего корпуса.
5. Результаты из Первого и Второго корпусов ранжируются на основе этого Ranking Signal.
6. Критическое уточнение (Агрессивное Смешивание): Если Ranking Signal указывает, что Первый корпус более релевантен запросу, чем Второй, ВСЕ результаты из Первого корпуса ранжируются выше ВСЕХ результатов из Второго корпуса.

Ядро изобретения — использование внешних данных (Третий корпус) для принятия решения о порядке ранжирования целых блоков вертикалей (Первый и Второй корпусы).

Claim 2 (Зависимый от 1): Уточняет типы корпусов.

• Первый и/или Второй корпус могут быть non-WWW-based.
• Третий корпус является WWW-based.
• Ranking Signal основан на классификации результатов из Третьего (Веб) корпуса.

Claims 4, 5 и 6 (Зависимые): Детализируют состав Ranking Signal.

Ranking Signal включает:

• Первую оценку (first score signal), основанную на объеме запросов (query volume) и/или частоте запросов (query frequency) для данного запроса ВНУТРИ Третьего (Веб) корпуса (Claim 4).
• Вторую оценку (second score signal), основанную на метриках популярности (popularity metric) для веб-страниц, найденных в Третьем корпусе (Claim 5). Эти метрики включают query-to-click ratio и CTR (Claim 6).

Система анализирует популярность запроса и взаимодействие пользователей с результатами в основном Веб-поиске, чтобы определить интент и применить это знание для ранжирования вертикалей.

Где и как применяется

Изобретение применяется в архитектуре мета-поиска (Универсальный поиск) для смешивания и упорядочивания результатов из различных источников.

QUNDERSTANDING – Понимание Запросов
На этом этапе Corpora Classification Engine анализирует запрос, используя данные из WWW-based corpus. Цель — определить интент пользователя и рассчитать Classification Likelihood (вероятность того, что запрос относится к Музыке, Книгам, Приложениям и т.д.).

RANKING – Ранжирование
Параллельно специализированные поисковые бэкенды (Корпус 1, Корпус 2…) выполняют поиск и внутреннее ранжирование в своих базах данных (например, Поиск по Музыке ранжирует треки).

METASEARCH – Метапоиск и Смешивание
Основное применение патента. Multi-Corpus Ranker получает внутренне ранжированные списки от этапа RANKING и Ranking Signal от этапа QUNDERSTANDING. Ранкер использует этот сигнал для определения финального порядка целых корпусов (вертикалей) в выдаче, применяя агрессивное смешивание.

Входные данные:

• Пользовательский запрос.
• Результаты поиска от специализированных вертикалей (с внутренними оценками ранжирования).
• Результаты поиска из WWW-based corpus и связанные с ними сигналы (CTR, query volume).

Выходные данные:

• Финальная смешанная страница результатов (SERP), где блоки результатов из разных корпусов упорядочены на основе Ranking Signal.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы, которые могут относиться к разным типам контента (например, название, которое носит и книга, и фильм, и музыкальный альбом).
• Типы контента и Ниши: Влияет на порядок отображения результатов из специализированных вертикалей, явно упомянутых в патенте: Музыка, Фильмы, Книги, Приложения. Применимо к средам, где сосуществуют разные типы медиа (например, маркетплейсы контента).

Когда применяется

• Условия работы: Алгоритм применяется в среде мета-поиска (mixed corpora environments), когда для ответа на запрос задействуются несколько информационных корпусов (вертикалей).
• Триггеры активации: Применяется для преодоления ограничений и предвзятости внутренних данных об использовании (uneven usage patterns), особенно при интеграции новых вертикалей или когда данные о кликах несбалансированы.

Пошаговый алгоритм

Процесс обработки запроса в мета-поисковой системе:

1. Получение и Диспетчеризация запроса: Multi-Corpus Ranker получает запрос и отправляет его параллельно в специализированные поисковые бэкенды (Первый и Второй корпусы) и в Corpora Classification Engine.
2. Специализированное ранжирование (Параллельно): Поисковые бэкенды выполняют поиск и возвращают ранжированные списки с внутренними оценками релевантности.
3. Веб-поиск и Анализ (Параллельно): Corpora Classification Engine выполняет поиск в Третьем корпусе (WWW-based corpus) и анализирует Топ-X результатов (например, Топ-30).
4. Расчет Ranking Signal: На основе анализа Веб-результатов (включая query volume, CTR веб-страниц и классификацию контента) рассчитывается Ranking Signal (Classification Likelihood) для Первого и Второго корпусов.
5. Агрегация данных: Multi-Corpus Ranker получает ранжированные списки от вертикалей и Ranking Signal.
6. Многокорпусное ранжирование (Смешивание): Multi-Corpus Ranker использует Ranking Signal для определения порядка вертикалей. Применяется агрессивная логика: корпус с наивысшей релевантностью (согласно сигналу) может быть размещен целиком выше остальных корпусов (Claim 1).
7. Формирование выдачи: Генерируется финальная смешанная страница результатов.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных из внешнего (Веб) корпуса для ранжирования внутренних корпусов.

Данные из WWW-based Corpus (Третий корпус) — используются для ранжирования МЕЖДУ корпусами:

• Поведенческие факторы:
  • Query volume: Объем запросов в основном Веб-поиске.
  • Query frequency: Частота запросов в Веб-поиске.
  • Query-to-click ratio: Соотношение запросов к кликам на результаты в Веб-поиске.
  • Click-through ratio (CTR): Показатель кликабельности отдельных веб-страниц в результатах Веб-поиска.
• Контентные факторы (Веб): Анализ содержания веб-страниц для их классификации.
  • Наличие специфических терминов (например, Music Terms Availability).
  • Тип веб-страницы (например, Music Web Page Availability).

Данные из Small Corpora (Специализированные вертикали) — используются для ранжирования ВНУТРИ вертикали:

Патент упоминает внутренние сигналы как примеры (иллюстрируется на примере Музыки):

• Поведенческие/Транзакционные факторы: Sell Count (количество продаж), Play Count (количество воспроизведений).
• Временные факторы: Album Release Date (дата выпуска альбома).
• Географические факторы: User Query Location (местоположение пользователя).

Какие метрики используются и как они считаются

• Ranking Signal (Сигнал ранжирования): Ключевая метрика патента. Это агрегированный сигнал, определяющий порядок вертикалей. Он рассчитывается Corpora Classification Engine на основе анализа топовых результатов из WWW-based corpus.
• Состав Ranking Signal:
  • First score signal: Основан на query volume и query frequency в Веб-поиске.
  • Second score signal: Основан на popularity metrics (CTR, query-to-click) результатов Веб-поиска.
• Classification Likelihood (Вероятность классификации): Результат анализа Веб-выдачи, определяющий распределение интента между разными корпусами (например, 80% музыка, 20% книги).

Выводы

1. Веб-поиск как «источник истины» для определения интента: Google полагается на огромный объем данных основного Веб-индекса (WWW-based corpus) для понимания неоднозначных запросов в мета-поиске. Веб-данные служат эталоном для классификации запросов и определения релевантности специализированных вертикалей.
2. Борьба с внутренней предвзятостью данных: Система разработана для явного противодействия смещению (bias), которое возникает при использовании только внутренних данных о кликах (например, когда старые вертикали доминируют над новыми). Внешний сигнал обеспечивает коррекцию релевантности.
3. Агрессивное смешивание и Упорядочивание вертикалей: Ключевой аспект (Claim 1) заключается в агрессивном смешивании: все результаты из корпуса А размещаются выше всех результатов из корпуса Б, если А признан более релевантным. Это объясняет блочную структуру Универсального поиска.
4. Импорт внешних поведенческих сигналов: Сигналы популярности (CTR, Query Volume) из Веб-поиска импортируются и используются как Ranking Signal в Мета-поиске для определения порядка вертикалей.

Практика

Best practices (это мы делаем)

Патент описывает механизмы смешивания результатов (Универсальный поиск). Рекомендации применимы для владельцев контента в вертикалях (Приложения, Музыка, Книги) и для общей SEO-стратегии.

• Обеспечение сильного присутствия в основном Веб-поиске: Для контента в специализированных вертикалях критически важно иметь авторитетные, хорошо ранжируемые и кликабельные страницы в основном Веб-индексе (официальный сайт, обзоры в СМИ, Википедия). Поскольку WWW-based corpus используется для генерации Ranking Signal, сильное присутствие в нем повышает вероятность того, что ваша вертикаль будет признана релевантной.
• Укрепление сущностей и четкость интента: Используйте структурированные данные (Schema.org), чтобы помочь Google правильно классифицировать ваш контент в Веб-поиске. Это помогает Corpora Classification Engine корректно интерпретировать Веб-результаты и генерировать сильный сигнал для соответствующей вертикали.
• Стимулирование поискового спроса в Вебе: Увеличение брендового и тематического поискового спроса (Query Volume) в основном Веб-поиске положительно влияет на Ranking Signal для связанной вертикали.

Worst practices (это делать не надо)

• Изолированная оптимизация в вертикали: Полагаться исключительно на оптимизацию внутри специализированного корпуса (например, только ASO для Приложения), игнорируя присутствие в основном Веб-поиске. Недостаток сигналов из Веба может привести к понижению в мета-поиске, даже если внутренние метрики вертикали высоки.
• Игнорирование поведенческих факторов в Вебе: Пренебрежение работой над CTR и привлекательностью сниппетов в основном Веб-поиске, так как эти сигналы напрямую используются для оценки интента и ранжирования вертикалей.

Стратегическое значение

Патент подчеркивает глубокую взаимосвязанность экосистемы Google. Основной Веб-индекс выступает в роли центральной системы для понимания пользовательского интента во всех продуктах. Для SEO-стратегов это означает, что фундаментальная работа над авторитетностью, популярностью и видимостью в основном поиске оказывает каскадное влияние на видимость во всех остальных специализированных вертикалях.

Практические примеры

Сценарий: Ранжирование новой песни против старого приложения с тем же названием.

Ситуация: Выходит новая популярная песня под названием «Starlight». Существует также старое приложение с тем же названием.

1. Проблема: В мета-поиске вертикаль Приложений существует дольше и имеет больше исторических кликов по запросу «Starlight». Система могла бы показать Приложение выше Песни.
2. Активация механизма: Пользователь вводит «Starlight». Corpora Classification Engine анализирует Веб-корпус.
3. Анализ Веб-корпуса: Система видит резкий всплеск Query Volume в Вебе. Анализ Топ-30 Веб-результатов показывает новости о релизе песни, официальное видео, обсуждения. CTR этих страниц высок.
4. Генерация Ranking Signal: Система генерирует сильный Ranking Signal в пользу корпуса Музыки.
5. Смешивание: Multi-Corpus Ranker получает сигнал и применяет агрессивное смешивание (Claim 1): весь блок Музыки (с новой песней) размещается выше блока Приложений.
6. Результат: Пользователь видит песню на первом месте, что соответствует его актуальному интенту, несмотря на исторические данные Приложения.

Вопросы и ответы