Как Google использует визуальные превью и обратную связь пользователей для улучшения связанных запросов в Поиске по картинкам

Описание

Какую задачу решает

Патент решает проблему неэффективности текстовых связанных запросов (Related Searches) в контексте визуального поиска (Image Search). Текстовые подсказки часто неоднозначны и вынуждают пользователя выполнять полный цикл запроса (клик и перезагрузка SERP), чтобы оценить их релевантность. Изобретение улучшает пользовательский опыт (UX), предоставляя визуальный контекст, и внедряет механизм для сбора явной отрицательной обратной связи о качестве предлагаемых связей.

Что запатентовано

Запатентована система и метод улучшения интерфейса связанных запросов путем добавления визуальных превью и элементов обратной связи. Система отображает связанные запросы вместе с Preview Image (изображением, релевантным этому запросу). Также внедряются интерактивные элементы: Hovercard для расширенного предпросмотра и Dismissal Element (например, кнопка «X») для отклонения нерелевантных предложений. Система активно регистрирует эти отказы для улучшения будущих рекомендаций.

Как это работает

Механизм работает следующим образом:

• Визуальное обогащение: В ответ на исходный запрос система предоставляет связанные запросы. Для каждого из них выбирается репрезентативное Preview Image (например, топовый результат) и отображается рядом с текстом.
• Предварительный просмотр (Hovercard): При наведении курсора (Preliminary Selection) система может показать Hovercard — всплывающее окно с несколькими дополнительными изображениями для этого связанного запроса.
• Обратная связь (Dismissal): Если пользователь нажимает на Dismissal Element, связанный запрос скрывается, и система может показать новый.
• Сбор данных: Сигнал об отказе отправляется на сервер и сохраняется как Dismissal Information. Эти данные используются для улучшения работы Related Query Engine и, возможно, Ranking Engine.

Актуальность для SEO

Высокая. Механизмы визуального уточнения запросов (например, кнопки с изображениями в Google Images) являются стандартом в современных поисковых интерфейсах. Сбор явной обратной связи через элементы интерфейса остается критически важным методом для обучения моделей релевантности и понимания намерений пользователя.

Важность для SEO

Влияние на SEO среднее (6/10). Хотя это в первую очередь патент об интерфейсе (UI/UX), он имеет важное стратегическое значение. Он подчеркивает критическую важность оптимизации изображений, так как топовое изображение может стать «лицом» связанного запроса. Что более важно, он раскрывает механизм сбора явной отрицательной обратной связи (Dismissal Information), которая используется Google для оценки качества связей между запросами и может влиять на ранжирование.

Детальный разбор

Термины и определения

Dismissal Element (Элемент отклонения)

Элемент интерфейса (например, кнопка «X»), который пользователь может выбрать, чтобы скрыть определенный связанный запрос. Выбор этого элемента сигнализирует о нерелевантности предложения.

Dismissal Information (Информация об отклонениях)

Хранилище данных на сервере, где записываются факты отклонения пользователями связанных запросов. Включает ассоциацию между исходным запросом и отклоненным связанным запросом.

Hovercard (Всплывающая карточка)

Элемент интерфейса (всплывающее окно, оверлей), который появляется при предварительном выборе связанного запроса. Отображает дополнительные превью-изображения (hovercard images).

Preliminary Selection (Предварительный выбор)

Действие пользователя, указывающее на интерес без финального выбора (клика). Например, наведение курсора. Является триггером для показа Hovercard.

Preview Image (Превью-изображение)

Изображение, отображаемое непосредственно рядом с текстом связанного запроса. Оно представляет собой результат поиска, релевантный этому связанному запросу (часто топовый результат).

Ranking Engine (Система ранжирования)

Компонент, ранжирующий ресурсы. Согласно описанию патента, может использовать Dismissal Information для корректировки результатов поиска.

Related Query (Связанный запрос)

Запрос, который система идентифицирует как связанный с исходным. Может быть уточнением (refinement), предложением (suggestion), прошлым запросом пользователя или запросом на другой тип медиа.

Related Query Engine (Движок связанных запросов)

Компонент, отвечающий за идентификацию и выбор связанных запросов. Использует Dismissal Information для улучшения своих рекомендаций.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод интерфейса и взаимодействия на стороне клиента.

1. Система получает запрос и предоставляет результаты поиска по изображениям.
2. Система предоставляет связанные запросы (related queries). Каждый включает: (i) preview image и (ii) dismissal element.
3. Система предоставляет инструкции клиентскому устройству для отображения этих элементов.
4. Инструкции включают логику: если пользователь выбирает dismissal element для связанного запроса, клиент прекращает отображение этого запроса, его превью и элемента отклонения.

Claim 10 (Независимый пункт): Описывает механизм обратной связи на стороне сервера (ключевой пункт для SEO/IR).

1. Процесс предоставления результатов и инструкций клиенту аналогичен Claim 1.
2. Добавляются шаги обработки обратной связи: Система получает от клиента индикацию о выборе dismissal element.
3. В ответ система сохраняет ассоциацию (storing an association) между исходным запросом и отклоненным связанным запросом.

Это подтверждает, что Google не просто скрывает предложение, но и записывает этот факт для последующего анализа.

Claim 2 (Зависимый от 1): Описывает механизм Hovercard.

• Инструкции для клиента включают определение предварительного выбора (preliminary selection) и отображение hovercard с дополнительными изображениями.

Claims 3 и 4 (Зависимые от 2): Детализируют реализацию Hovercard.

• Изображения для Hovercard могут запрашиваться у системы в момент наведения (Claim 3) или предоставляться клиенту заранее (Claim 4).

Claims 8 и 9 (Зависимые от 1): Детализируют обновление списка предложений.

• После получения индикации об отклонении запроса, система предоставляет новый связанный запрос (new related query) для отображения на клиенте взамен отклоненного.

Где и как применяется

Изобретение затрагивает этапы понимания запросов, ранжирования и финального формирования выдачи.

QUNDERSTANDING – Понимание Запросов
Related Query Engine генерирует список кандидатов для связанных запросов. Данные из Dismissal Information используются для улучшения этого процесса — запросы, которые часто отклоняются пользователями, пессимизируются.

RANKING – Ранжирование
Ranking Engine используется для определения того, какое изображение будет выбрано в качестве preview image или hovercard images (обычно это топовые результаты). Кроме того, согласно описанию патента (не Claims), Ranking Engine может использовать Dismissal Information для корректировки основных результатов поиска.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
На этом этапе формируется финальный SERP. Система интегрирует блок связанных запросов в интерфейс и предоставляет клиентскому устройству инструкции (скрипты) для реализации логики UI (Hovercard, Dismissal). Также здесь может происходить переранжирование основных результатов на основе обратной связи. Например, если для запроса [manhattan] отклоняется связанный запрос [manhattan map], система может обновить основные результаты, понизив изображения карт.

Входные данные:

• Исходный запрос пользователя.
• Индекс изображений (Index Database).
• База данных запросов (Query Database).
• Хранилище Dismissal Information (история отклонений).

Выходные данные:

• Набор связанных запросов, обогащенных preview image.
• Инструкции для клиентского устройства по реализации интерфейса.
• (При отклонении) Запись новой ассоциации в Dismissal Information и, возможно, новый связанный запрос на замену.

На что влияет

• Конкретные типы контента: В первую очередь влияет на Поиск по картинкам (Image Search). Однако в тексте указано, что техники могут использоваться для других типов поиска (видео, новости, веб-поиск).
• Специфические запросы: Наибольшее влияние на широкие или неоднозначные запросы, где пользователю требуется уточнение интента.
• Форматы контента: Влияет на видимость изображений. Изображение, выбранное как preview image, получает значительно больше внимания.

Когда применяется

• Условия работы: Алгоритм применяется, когда поисковая система отображает блок связанных запросов (Related Searches).
• Триггеры активации:
  • Показ Hovercard активируется при preliminary selection (наведение курсора).
  • Механизм отклонения и сбор обратной связи активируются при выборе dismissal element.

Пошаговый алгоритм

Процесс А: Обработка запроса и формирование выдачи

1. Получение запроса: Система получает запрос от клиента.
2. Генерация основных результатов: Search Engine идентифицирует и ранжирует изображения.
3. Генерация связанных запросов: Related Query Engine идентифицирует связанные запросы, фильтруя их на основе Dismissal Information.
4. Выбор превью: Для каждого связанного запроса система выбирает preview image (и, возможно, hovercard images).
5. Формирование ответа: Система компилирует результаты, связанные запросы с превью и инструкции (скрипты) для UI-функций.
6. Отображение (Клиент): Клиент отображает SERP, включая связанные запросы с превью и dismissal element.

Процесс Б: Обработка взаимодействия пользователя и обратная связь

1. Обработка предварительного выбора (Клиент): При наведении курсора клиент отображает Hovercard (используя кэш или запрашивая данные у сервера).
2. Обработка отклонения (Клиент): При выборе dismissal element:
   • Клиент скрывает отклоненный запрос.
   • Клиент отправляет индикацию об отклонении на сервер.
3. Реакция сервера на отклонение:
   • Сервер сохраняет ассоциацию в Dismissal Information.
   • Сервер может отправить новый связанный запрос на замену.
   • (Опционально) Ranking Engine может использовать сигнал для переранжирования основных результатов (уточнение интента).

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Явные): Ключевые данные — это сигналы отклонения (выбор dismissal element). Это явная отрицательная обратная связь о релевантности связанного запроса.
• Поведенческие факторы (Неявные): Предварительный выбор (preliminary selection / наведение курсора) используется как сигнал интереса для активации Hovercard.
• Мультимедиа факторы: Используются данные о ранжировании изображений для выбора preview image и hovercard images.
• Системные данные: Индекс ресурсов (Index Database) и база данных запросов (Query Database).

Какие метрики используются и как они считаются

Конкретные формулы в патенте не приводятся, но описаны следующие концепции:

• Частота отклонений (Dismissal Rate): Система собирает Dismissal Information. Патент утверждает: «В целом, связанный запрос, который часто отклоняется при показе для данного запроса, не является хорошим связанным запросом для отображения». Это подразумевает расчет частоты отклонений для пары (Исходный запрос, Связанный запрос).
• Оценки Ранжирования (Ranking Scores): Используются для выбора превью. Система выбирает топовые изображения, релевантные связанному запросу.
• Ассоциация (Association): Сохраняется связь между исходным запросом и отклоненным. Эта ассоциация используется для фильтрации будущих предложений и для корректировки понимания интента исходного запроса.

Выводы

1. Визуализация как ключ к уточнению запроса: В поиске по картинкам текстовых подсказок недостаточно. Google использует Preview Images и Hovercards, чтобы пользователь мог мгновенно оценить направление уточнения без клика.
2. Критическая важность ТОП-1 в Image Search: Изображение, занимающее первую позицию по запросу, с высокой вероятностью станет Preview Image, когда этот запрос предлагается как связанный. Это значительно повышает видимость контента.
3. Явная отрицательная обратная связь (Explicit Negative Feedback): Механизм Dismissal Element позволяет Google собирать точные данные о том, какие связи между запросами пользователи считают нерелевантными. Это прямой сигнал для машинного обучения.
4. Использование данных об отклонении (Dismissal Information): Эти данные используются как минимум для двух целей: (1) Улучшение работы Related Query Engine (фильтрация плохих предложений). (2) Потенциально для корректировки основных результатов ранжирования (Ranking Engine может понизить контент, соответствующий отклоненному интенту).
5. Уточнение интента в реальном времени: Отклонение связанного запроса помогает системе лучше понять истинный интент пользователя методом исключения и скорректировать выдачу.

Практика

Best practices (это мы делаем)

• Цель — ТОП-1 в Image Search: Необходимо усилить работу над SEO для изображений. Занятие первой позиции по ключевым запросам критически важно, так как это увеличивает вероятность выбора вашего изображения в качестве Preview Image в блоках связанных запросов на других SERP.
• Создание визуально понятных и качественных изображений: Изображения должны быть привлекательными и мгновенно считываемыми даже в миниатюре. Если ваше изображение используется как Preview Image, оно должно мотивировать пользователя кликнуть на связанный запрос, а не отклонить его.
• Анализ блоков связанных запросов: Регулярно изучайте, какие связанные запросы предлагает Google для ваших основных ключей. Это дает представление о том, как система интерпретирует интент и какие смежные темы она считает релевантными.
• Построение сильных тематических связей и соответствие интенту: Создавайте контент, который четко соответствует определенному интенту. Это снизит вероятность того, что пользователи будут отклонять (Dismiss) связанные запросы, ассоциированные с вашим контентом, из-за кажущейся нерелевантности.

Worst practices (это делать не надо)

• Использование кликбейтных или вводящих в заблуждение изображений: Если кликбейтное изображение станет Preview Image, но не будет соответствовать ожиданиям, пользователи могут активно использовать Dismissal Element. Это отправит Google сильные негативные сигналы (Dismissal Information).
• Игнорирование Image SEO: Недооценка поиска по картинкам. Патент показывает, что изображения являются критически важным элементом навигации и уточнения запросов.
• Низкое качество изображений: Использование изображений, которые становятся неразборчивыми при уменьшении до размера миниатюры. Они не будут эффективно работать в качестве Preview Image.

Стратегическое значение

Патент подтверждает стратегию Google на использование интерфейсных решений для сбора явных поведенческих данных для машинного обучения. Он демонстрирует, как Google использует негативную обратную связь (Dismissal) для валидации своих алгоритмов понимания запросов (Query Understanding) и потенциально для корректировки ранжирования. Стратегически важно создавать визуальный контент, который не только хорошо ранжируется, но и служит качественным представителем своей тематики в интерфейсе поиска.

Практические примеры

Сценарий: Оптимизация изображения для Preview Image в E-commerce

1. Анализ: SEO-специалист интернет-магазина анализирует выдачу по широкому запросу [кроссовки]. Он замечает блок связанных запросов с превью: «мужские кроссовки», «кроссовки для бега», «кроссовки Nike».
2. Задача: Сделать так, чтобы изображение товара магазина стало Preview Image для запроса «кроссовки Nike».
3. Действия:
   • Провести аудит оптимизации топовых изображений товаров Nike (Alt-текст, контекст на странице, качество, визуальная привлекательность в миниатюре).
   • Улучшить сигналы (внутренние, внешние), указывающие на релевантность этих изображений запросу «кроссовки Nike», чтобы занять ТОП-1 в Image Search.
4. Ожидаемый результат: Изображение магазина занимает ТОП-1 и начинает отображаться в качестве Preview Image в блоке связанных запросов основного поиска. Качественное превью снижает вероятность его отклонения (Dismiss) и увеличивает видимость бренда и трафик.

Вопросы и ответы