Как Google использует повторные клики, прямой трафик и время на сайте для расчета оценки качества домена и корректировки ранжирования

Описание

Какую задачу решает

Патент решает задачу повышения качества поисковой выдачи путем интеграции сигналов, основанных на поведении пользователей, агрегированных на уровне группы ресурсов (например, домена или хоста). Цель — продвигать ресурсы с высококачественных сайтов и понижать ресурсы с низкокачественных, используя поведенческие данные как прокси для оценки качества, лояльности аудитории и авторитетности сайта. Это позволяет системе более точно оценивать удовлетворенность пользователей.

Что запатентовано

Запатентована система и метод расчета group-based modification factor (модификатора на основе группы) с использованием агрегированных метрик поведения пользователей. Ключевыми метриками являются Repeat Click Fraction (RCF, доля повторных кликов как индикатор лояльности) и Deliberate Visit Fraction (DVF, доля прямых заходов как индикатор бренда). Этот фактор затем используется для корректировки исходных оценок ранжирования (initial scores) отдельных ресурсов, принадлежащих к этой группе.

Как это работает

Система работает в двух режимах: офлайн и онлайн.

• Офлайн: Система анализирует логи кликов и посещений для определения поведенческих метрик (RCF, DVF) для групп ресурсов (доменов). Также учитываются защитные факторы: средняя продолжительность визита (AD) и брендовые запросы (GS). Эти метрики нормализуются (например, через сигмовидные функции) и объединяются для вычисления group-based modification factor (M).
• Онлайн (Во время ранжирования): Когда ресурс получает Initial Score (IS), система извлекает соответствующий фактор M. Затем вычисляется resource-specific modification factor. Этот расчет учитывает контекст: фактор не применяется, если запрос является навигационным или если исходная оценка IS ниже определенного порога. Итоговая оценка корректируется.

Актуальность для SEO

Высокая. Оценка качества сайта на основе поведенческих факторов, авторитетности бренда и удовлетворенности пользователей является центральным элементом современного поиска. Учитывая, что ведущим изобретателем является Navneet Panda, этот патент описывает фундаментальные механизмы, лежащие в основе философии алгоритмов качества Google (связанных с E-E-A-T и Helpful Content). Метрики лояльности пользователей и узнаваемости бренда остаются критически важными.

Важность для SEO

Патент имеет критическое значение для SEO (9/10). Он предоставляет детальное описание механизма, посредством которого узнаваемость бренда, лояльность пользователей, прямые заходы и удовлетворенность пользователей напрямую влияют на потенциал ранжирования всего сайта. Это подтверждает необходимость стратегического фокуса на построении бренда и качестве взаимодействия, поскольку эти факторы напрямую влияют на расчет group-based modification factor.

Детальный разбор

Термины и определения

Address-based group of resources (Группа ресурсов на основе адреса)

Набор ресурсов, объединенных общим интернет-адресом (URL). Например, все страницы одного домена (domain.com) или хоста (sub.domain.com). В контексте патента это эквивалентно понятию «сайт».

Average Duration (AD) (Средняя продолжительность)

Статистическая мера времени, которое проходит между кликом пользователя по результату поиска и временем возврата пользователя на страницу результатов поиска. Аналог Dwell Time. Может иметь максимальное ограничение (cap).

Deliberate Visit (DV) (Прямой заход)

Прямой доступ пользователя к ресурсу, например, через ввод URL в адресную строку браузера или использование закладок.

Deliberate Visit Fraction (DVF) (Доля прямых заходов)

Метрика узнаваемости бренда. Рассчитывается как отношение количества прямых заходов (DV) к количеству заходов из результатов поиска (SRV) для группы ресурсов.

Group-based modification factor (M) (Модификатор на основе группы)

Итоговый коэффициент, рассчитываемый для группы ресурсов (сайта) на основе поведенческих метрик (RCF, DVF, AD, GS). Используется для корректировки исходных оценок ранжирования.

Group-Specific Query Metric (GS) (Метрика запросов, специфичных для группы)

Метрика, основанная на количестве запросов, которые ссылаются на данную группу ресурсов (например, брендовые запросы).

Initial Score (IS) (Исходная оценка)

Оценка ранжирования ресурса до применения модификатора на основе группы.

Protection Factor (PF) (Защитный фактор)

Компонент модификатора M, основанный на AD и GS. Используется для смягчения понижения в ранжировании для сайтов с высоким вовлечением или сильным брендом.

Repeat Click (RC) (Повторный клик)

Клик пользователя по результату поиска, если этот же пользователь ранее уже кликал на результат, ведущий на тот же ресурс, в ответ на тот же запрос, но в рамках другой поисковой сессии. Важнейшее ограничение: для каждой группы ресурсов учитывается только один повторный клик от любого данного пользователя.

Repeat Click Fraction (RCF) (Доля повторных кликов)

Метрика лояльности и удовлетворенности. Рассчитывается как отношение количества повторных кликов (RC) к количеству уникальных кликов (UC) для группы ресурсов.

Resource-specific Modification Factor (f) (Модификатор для конкретного ресурса)

Фактический множитель, применяемый к IS. Он рассчитывается на основе M, но с учетом типа запроса (навигационный или нет) и значения IS (пороги T1, T2).

Search Result Visit (SRV) (Заход из результатов поиска)

Доступ к ресурсу, инициированный кликом пользователя по результату поиска.

Sigmoid Function (Сигмовидная функция)

Функция, используемая для преобразования метрик (RCF, DVF) в коэффициент в заданном диапазоне (например, от базового значения до 1.0), обеспечивая нормализацию.

Unique Click (UC) (Уникальный клик)

Клик по результату поиска, идентифицирующему ресурс в группе, сделанный пользователем, который ранее не кликал ни на один результат, идентифицирующий какой-либо ресурс в этой группе (первый клик пользователя по сайту).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый механизм системы с фокусом на повторные клики.

1. Система получает доступ к данным о кликах (record of click data) от множества пользователей.
2. Для каждой address-based group of resources (сайта) определяется количество повторных кликов (count of repeat clicks).
3. Ключевое ограничение (Анти-накрутка): Учитывается только один повторный клик от любого данного пользователя для группы ресурсов. Если пользователь совершил несколько повторных кликов, засчитывается только один.
4. На основе количества повторных кликов для каждой группы вычисляется group-based modification factor (M).
5. При получении запроса и генерации initial scores (IS) для результатов, система корректирует эти оценки, используя соответствующий group-based modification factor.

Claim 5 (Зависимый от 1): Детализирует расчет модификатора через RCF.

1. Определяется количество Unique Clicks (UC).
2. Вычисляется Repeat Click Fraction (RCF) по формуле: $RCF = \frac{RC}{UC}$.
3. RCF используется для определения модификатора M.

Claim 7 (Зависимый от 1): Уточняет условия для засчитывания повторного клика.

Повторный клик засчитывается, если первый и второй клик совершены одним пользователем на один и тот же ресурс в ответ на один и тот же текстовый запрос, и при этом клики произошли в разных сессиях (время между кликами превышает порог). Подтверждается, что третий и последующие клики того же пользователя не засчитываются.

Claim 8 (Зависимый от 1): Вводит использование прямых посещений (Сила бренда).

1. Система получает количество Deliberate Visits (DV) и Search Result Visits (SRV).
2. Вычисляется Deliberate Visit Fraction (DVF) по формуле: $DVF = \frac{DV}{SRV}$.
3. DVF используется для генерации модификатора M.

Claims 13-16 (Зависимые): Вводят факторы защиты (Вовлеченность и Брендовый интерес).

Система использует Average Duration (AD) и Group-Specific Query Metric (GS) для корректировки модификатора. Итоговый фактор M рассчитывается как сумма базового модификатора (из RCF и DVF) и фактора защиты, основанного на AD и GS (Claim 16).

Где и как применяется

Изобретение функционирует на нескольких уровнях архитектуры поиска, разделяя процесс на офлайн-вычисления и применение в реальном времени.

INDEXING – Индексирование и извлечение признаков (Офлайн-процессы)
На этом этапе происходит основная работа по вычислению модификаторов. Система непрерывно обрабатывает логи поведения пользователей (record of click data, логи посещений и запросов) для расчета RCF, DVF, AD и GS для различных address-based groups. Результаты (group-based modification factors, M) сохраняются в базе данных (Modification Factor Database) для быстрого доступа.

RANKING – Ранжирование
Ranking Engine генерирует стандартный набор результатов поиска с initial scores (IS) для каждого ресурса в ответ на запрос.

RERANKING – Переранжирование
Основной этап применения патента в реальном времени. Score Modification Engine получает Initial Scores. Для каждого результата определяется его группа и извлекается соответствующий фактор M. Затем система проверяет условия (навигационный запрос, пороги IS) и рассчитывает resource-specific modification factor (f). Исходная оценка IS корректируется для получения финальной оценки.

Входные данные:

• (Офлайн): Логи кликов, посещений и запросов.
• (Онлайн): Запрос пользователя; Набор ресурсов-кандидатов с Initial Scores; Modification Factor Database (M).

Выходные данные:

• Скорректированные оценки ранжирования для ресурсов.

На что влияет

• Конкретные типы контента и сайты: Влияет на все типы сайтов, которые могут быть определены как address-based group. Наибольшее влияние оказывается на сайты, где поведенческие сигналы сильно различаются (например, авторитетные бренды против агрегаторов низкого качества или MFA-сайтов).
• Специфические запросы: Согласно описанию (Description), механизм НЕ применяется к запросам, которые классифицированы как навигационные (navigational) к данному ресурсу. Влияние максимально на информационные и коммерческие запросы, где важна оценка качества источника.

Когда применяется

Расчет модификаторов происходит офлайн. Применение модификаторов к результатам поиска происходит в реальном времени при соблюдении следующих условий (описанных в Description):

• Условие 1: Запрос НЕ является навигационным по отношению к данному ресурсу.
• Условие 2 (Порог T1): Initial Score (IS) ресурса превышает первый пороговый уровень (T1). Если оценка уже низкая, модификация не производится.
• Условие 3 (Порог T2): В зависимости от того, находится ли IS между T1 и вторым, более высоким порогом (T2), или выше T2, применяется разная логика расчета модификатора (f1 или f2, с возможным сглаживанием для высоких IS).

Пошаговый алгоритм

Процесс А: Офлайн-расчет модификатора группы (M)

1. Сбор данных: Агрегация данных о кликах и посещениях для группы ресурсов (сайта).
2. Расчет RCF (Лояльность):
   1. Определение Unique Clicks (UC).
   2. Определение Repeat Clicks (RC), учитывая строгие условия (разные сессии, только один RC на пользователя для группы).
   3. Вычисление RCF = RC/UC.
   4. Нормализация RCF с помощью сигмовидной функции ($S_{RCF}$).
3. Расчет DVF (Бренд):
   1. Определение Deliberate Visits (DV).
   2. Определение Search Result Visits (SRV).
   3. Вычисление DVF = DV/SRV.
   4. Нормализация DVF с помощью сигмовидной функции ($S_{DVF}$).
4. Комбинирование: Вычисление $M_{RCF,DVF}$ путем усреднения или взвешивания $S_{RCF}$ и $S_{DVF}$.
5. Расчет Защитного Фактора (PF) (Опционально):
   1. Вычисление Average Duration (AD).
   2. Вычисление Group-Specific Query Metric (GS).
   3. Расчет PF с использованием поверхностной сигмовидной функции от AD и GS.
6. Финальный расчет M: Корректировка $M_{RCF,DVF}$ с помощью PF (например, M = $M_{RCF,DVF}$ + PF).
7. Хранение: Сохранение M для группы в базе данных.

Процесс Б: Онлайн-применение модификатора (на основе Description)

1. Получение данных: Система получает запрос, ресурс и его Initial Score (IS).
2. Идентификация группы и получение M: Определяется группа ресурса и извлекается модификатор M.
3. Проверка навигационности: Определяется, является ли запрос навигационным к ресурсу.
   • Если ДА: Модификация не применяется (f=1).
4. Проверка первого порога (T1): Определяется, ниже ли IS первого порога T1.
   • Если ДА (IS < T1): Модификация не применяется (f=1).
5. Проверка второго порога (T2) и Генерация модификатора ресурса (f):
   • Если T1 <= IS < T2 (Средняя оценка): Генерируется первый модификатор (f1) на основе M и IS.
   • Если IS >= T2 (Высокая оценка): Генерируется второй модификатор (f2), который может включать функцию сглаживания (smoothing function).
6. Применение: Исходная оценка (IS) корректируется с использованием фактора f (например, умножением).

Какие данные и как использует

Данные на входе

Патент полностью сосредоточен на использовании поведенческих факторов, агрегированных на уровне группы (сайта).

• Поведенческие факторы:
  • Клики (Click Data): Используются для расчета Unique Clicks (UC) и Repeat Clicks (RC). Учитываются идентификаторы пользователей, текст запроса, URL ресурса и временные метки.
  • Данные о посещениях (Visit Data): Используются для расчета Deliberate Visits (DV) и Search Result Visits (SRV). Требует данных об источнике трафика.
  • Время взаимодействия (Dwell Time): Используется для расчета Average Duration (AD). Измеряется время между кликом на SERP и возвратом на SERP.
  • Логи запросов: Используются для расчета Group-Specific Query Metric (GS) путем анализа запросов, ссылающихся на группу (брендовые запросы).
• Технические факторы:
  • URL-структура: Используется для определения принадлежности ресурса к address-based group (домену или хосту).
• Пользовательские факторы: Идентификаторы пользователей (например, cookies или логины) для отслеживания поведения во времени и в разных сессиях.

Какие метрики используются и как они считаются

Система вычисляет несколько ключевых метрик для каждой группы ресурсов:

1. Repeat Click Fraction (RCF):

$RCF = \frac{RC}{UC}$

2. Deliberate Visit Fraction (DVF):

$DVF = \frac{DV}{SRV}$

3. Group-Specific Query Metric (GS):

$GS = \frac{max(s-a, 0) \cdot b}{q^c}$
Где s – количество запросов, ссылающихся на группу; q – количество уникальных запросов, по которым был получен клик на ресурс группы; a, b, c – константы.

4. Комбинированный модификатор ($M_{RCF,DVF}$):

Метрики нормализуются через сигмовидные функции и комбинируются (например, взвешенное среднее):

$M_{RCF,DVF} = min(w \cdot S_{RCF}(RCF) + (1-w) \cdot S_{DVF}(DVF), 1)$

5. Итоговый модификатор группы (M):

Корректировка с учетом фактора защиты (PF), основанного на AD и GS:

$M = M_{RCF,DVF} + S_{AD,GS}(AD,GS)$

6. Модификатор для ресурса (f1) (Применяется, если IS между T1 и T2):

$f_1 = \frac{T_1 + (IS — T_1) \cdot M}{IS}$

7. Модификатор для ресурса (f2) (Применяется, если IS выше T2):

$f_2 = \frac{f_1}{log_{T_2}(IS) \cdot g(f_1)}$
Где g(f1) — функция сглаживания (smoothing function).

Выводы

1. Поведенческие данные как основа оценки качества сайта: Патент детально описывает, как агрегированные поведенческие данные на уровне домена/хоста используются для вычисления оценки качества сайта (представленной как Modification Factor). Это подтверждает критическую важность общесайтового пользовательского опыта и авторитетности.
2. Ключевые метрики качества: Лояльность, Бренд, Вовлеченность: Система использует три типа сигналов:
   • Лояльность (Repeat Click Fraction): пользователи возвращаются на сайт для решения той же задачи.
   • Сила бренда (Deliberate Visit Fraction и Group-Specific Query Metric): пользователи ищут сайт по имени или заходят напрямую.
   • Вовлеченность (Average Duration): пользователи проводят на сайте много времени после перехода из поиска (Long Clicks / Dwell Time).
3. Строгое определение Repeat Click и защита от накруток: Определение повторного клика очень специфично (тот же пользователь, запрос, ресурс, разные сессии). Критически важно ограничение: учитывается только один повторный клик на пользователя для всей группы ресурсов. Это измеряет широту удовлетворенности и защищает от простых манипуляций.
4. Механизм понижения с защитой: Рассчитанный модификатор (M) используется преимущественно для понижения сайтов с низкими показателями (M < 1). Однако система включает факторы защиты (PF), основанные на AD и GS, чтобы предотвратить избыточное понижение сайтов с хорошей вовлеченностью или сильным брендом.
5. Условное применение модификатора: Система разработана так, чтобы не вредить ранжированию по навигационным запросам. Логика применения также зависит от исходной оценки ранжирования (IS) – очень низкие оценки не модифицируются (IS < T1), а для очень высоких оценок (IS > T2) влияние сглаживается.

Практика

Best practices (это мы делаем)

• Фокус на удовлетворении интента и удержании пользователя: Создавайте контент, который настолько полно отвечает на запрос пользователя, что он захочет вернуться к нему снова (повышение RCF) и не будет быстро возвращаться на выдачу (повышение AD). Это требует предоставления исключительного UX и ценности контента.
• Построение бренда и стимулирование прямых заходов: Инвестируйте в узнаваемость бренда. Чем больше пользователей ищут ваш бренд (повышение GS) и заходят на сайт напрямую или через закладки (повышение DVF), тем выше будет оценка качества сайта (Modification Factor).
• Улучшение вовлеченности (Dwell Time): Работайте над увеличением времени пребывания пользователя на сайте после перехода из поиска (повышение AD). Качественный контент, внутренняя перелинковка и интерактивные элементы способствуют этому и служат фактором защиты (PF).
• Обеспечение стабильности URL: Поскольку Repeat Click привязан к конкретному ресурсу (URL), важно поддерживать стабильную структуру URL и избегать частых изменений адресов ценного контента для накопления истории повторных кликов.

Worst practices (это делать не надо)

• Кликбейт и обман ожиданий: Привлечение трафика с помощью обманчивых заголовков приведет к низкому AD (быстрый возврат на SERP) и крайне низкому RCF, что негативно скажется на модификаторе всего сайта.
• Игнорирование силы бренда и зависимость только от SEO-трафика: Стратегия, направленная исключительно на сбор поискового трафика без работы над узнаваемостью, приведет к низким показателям DVF и GS, делая сайт уязвимым для понижения.
• Создание сайтов для одноразового посещения (MFA, тонкий контент): Сайты, не рассчитанные на формирование лояльной аудитории и повторные визиты, будут иметь низкие показатели RCF и DVF и подвергаться пессимизации этим алгоритмом.
• Манипуляции поведенческими факторами: Попытки искусственно накрутить повторные клики неэффективны из-за строгих ограничений в патенте (учет только одного повторного клика на пользователя для группы ресурсов, требование разных сессий).

Стратегическое значение

Этот патент является одним из самых ясных подтверждений того, что для Google понятия «Качество сайта», «Сила бренда» и «Удовлетворенность пользователя» — это конкретные вычисляемые метрики, основанные на поведении пользователей. Долгосрочная SEO-стратегия должна быть неразрывно связана с продуктовой стратегией и бренд-маркетингом. Успех в современном поиске требует создания ресурса, к которому пользователи хотят возвращаться напрямую и который они считают авторитетным источником.

Практические примеры

Сценарий 1: Улучшение RCF для информационного ресурса (Справочник)

1. Задача: Повысить Repeat Click Fraction (RCF) для справочника по HTML.
2. Действия: Улучшение страниц тегов: добавление интерактивных примеров кода, таблиц совместимости с браузерами, четких определений. Цель – сделать страницу настолько удобной, чтобы разработчик возвращался к ней при повторном поиске (например, «html тег table»).
3. Результат: Пользователи предпочитают этот справочник другим результатам при повторных поисках. RCF растет, улучшая group-based modification factor и ранжирование всего сайта.

Сценарий 2: Влияние DVF и GS на E-commerce

1. Ситуация: Небольшой интернет-магазин полностью зависит от SEO. Прямых заходов и брендовых запросов почти нет. DVF и GS низкие.
2. Действие: Запускается программа лояльности, активный email-маркетинг и медийная реклама для повышения узнаваемости бренда. Улучшается сервис для стимулирования повторных покупок.
3. Результат: Увеличивается количество прямых заходов (Deliberate Visits) и брендовых запросов (GS). DVF растет. Система распознает сайт как более авторитетный, что приводит к улучшению позиций по коммерческим запросам.

Вопросы и ответы