Как Google использует генетические алгоритмы и данные о поведении пользователей для оптимизации порядка применения корректировок ранжирования (Twiddlers)

Описание

Какую задачу решает

Патент решает проблему определения оптимальной последовательности применения различных корректировок ранжирования (adjusters или твидлеров) на этапе переранжирования (RERANKING). Порядок, в котором эти корректировки (например, повышение за свежесть, локализацию, разнообразие) применяются к исходным оценкам (initial scores), существенно влияет на финальную выдачу. Патент предлагает автоматизированный, основанный на данных (Data-Driven) метод поиска оптимальной последовательности для повышения удовлетворенности пользователей.

Что запатентовано

Запатентована система для автоматического выбора оптимального «Списка улучшений оценки» (Score Improvement List) – упорядоченной последовательности корректировщиков ранжирования. Система использует генетические алгоритмы и эволюционный подход. Различные последовательности конкурируют друг с другом, а их эффективность оценивается на основе исторических данных о поведении пользователей (user selection data), чтобы определить, какая конфигурация лучше всего соответствует предпочтениям пользователей.

Как это работает

Система работает итеративно, используя эволюционный подход:

• Инициализация: Создается пул (pool) различных Score Improvement Lists (упорядоченных списков adjusters).
• Тестирование (Турнир): Пары списков выбираются из пула и тестируются на исторических поисковых данных.
• Оценка Фитнеса (Fitness Evaluation): Для конкретного запроса определяется «Предпочитаемый пользователем результат» (User Preferred Search Result) на основе кликов или времени на сайте. Список, который ранжирует этот результат выше, объявляется «победителем» и получает очки (point value).
• Эволюция (Breeding): Списки с высокими оценками «скрещиваются» с использованием генетических операторов (кроссовер, мутация) для создания новых, потенциально лучших списков, которые добавляются в пул.
• Повторение: Процесс повторяется до достижения критериев остановки. Лучший список выбирается для использования в поисковой системе.

Актуальность для SEO

Высокая. Автоматическая оптимизация сложных систем ранжирования с помощью машинного обучения (Learning to Rank) является стандартом для современных поисковых систем. Использование обратной связи от пользователей (поведенческих сигналов) для настройки и валидации конфигурации алгоритмов остается критически важным компонентом улучшения качества поиска.

Важность для SEO

Патент имеет умеренно высокое значение для SEO (6.5/10). Он носит инфраструктурный характер и описывает внутренний механизм оптимизации Google. SEO-специалисты не могут напрямую влиять на порядок применения adjusters. Однако патент критически важен для понимания того, на основе чего Google настраивает свою конфигурацию ранжирования: система оптимизируется так, чтобы максимизировать удовлетворенность пользователя, измеряемую через клики и время, проведенное на сайте (Dwell Time).

Детальный разбор

Термины и определения

Adjusters (Корректировщики)

Функции или правила, которые применяются к исходным оценкам (initial scores) результатов поиска для их корректировки. Это соответствует понятию Твидлеров (Twiddlers) – механизмам переранжирования (например, повышение за свежесть, локализацию, обеспечение разнообразия).

Breeder (Селекционер)

Компонент системы, который создает новые Score Improvement Lists («потомков») на основе существующих («родителей»), используя генетические операторы.

Fitness Function (Функция пригодности)

Логика, используемая для определения победителя между двумя списками. Основана на том, какой список ранжирует User Preferred Search Result выше.

Genetic Operators (Генетические операторы)

Методы, используемые для создания новых списков. Включают Crossover (скрещивание частей двух списков) и Mutation (случайное изменение порядка в списке).

Point Value (Значение очков)

Числовая оценка, присваиваемая каждому Score Improvement List, отражающая его эффективность в тестах. Увеличивается при победе и может уменьшаться при проигрыше.

Score Improvement List (Список улучшений оценки)

Упорядоченный список Adjusters. Определяет последовательность, в которой корректировки применяются к результатам поиска (serially applied in order).

Search Query Data (Данные поисковых запросов)

Исторические данные (логи), включающие запросы пользователей, предоставленные результаты и данные о взаимодействии пользователей с этими результатами (user selection data).

User Preferred Search Result (Предпочитаемый пользователем результат поиска)

Результат поиска для данного запроса, который система идентифицирует как наиболее предпочтительный. Определяется на основе того, какой результат выбирало большинство пользователей (CTR) или на каком ресурсе пользователи проводили больше всего времени (Dwell Time).

User Selection Data (Данные о выборе пользователя)

Данные, идентифицирующие, какие результаты поиска были выбраны пользователями. Явно включают продолжительность времени, проведенного пользователем на ресурсе (length of user time spent).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной итеративный процесс оптимизации конфигурации ранжирования (Турнир).

1. Система получает исторические данные запросов, включая user selection data.
2. Система поддерживает пул Score Improvement Lists (упорядоченных adjusters), каждый с point value.
3. Итеративно выбираются пары списков из пула для тестирования.
4. Для каждой пары автоматически:
   • Последовательность adjusters каждого списка применяется к результатам поиска для определенного запроса.
   • Определяется итоговый порядок результатов для каждого списка.
   • Определяется победитель и проигравший на основе search query data.
   • Корректируется point value победителя и/или проигравшего.
5. Тестирование повторяется до достижения критериев остановки (ending criteria).
6. Выбирается один или несколько списков на основе итоговых point values.

Claim 2 (Зависимый): Детализирует механизм эволюции (Breeding).

1. Выбираются списки с высокими point values.
2. Эти списки «скрещиваются» друг с другом с использованием genetic operators для создания «дочерних» списков (children score improvement lists).
3. Дочерние списки добавляются в пул для дальнейшего тестирования.

Claim 6 (Зависимый от 1): Определяет функцию фитнеса (как определяется победитель).

1. Выбирается User Preferred Search Result для запроса на основе user selection data.
2. Определяется, что этот предпочитаемый результат имеет более высокий рейтинг в выдаче одного из списков.
3. Список, обеспечивший более высокий рейтинг предпочитаемому результату, назначается победителем.

Claim 7 (Зависимый от 6): Определяет, что такое User Preferred Search Result.

Это результат, который был выбран большинством пользователей (majority of users), ИЛИ результат с наибольшим временем, проведенным пользователем на связанном ресурсе (greatest user time spent / Dwell Time).

Где и как применяется

Этот патент описывает мета-систему для оптимизации конфигурации ранжирования (Learning to Rank), а не сам процесс ранжирования в реальном времени.

Офлайн-оптимизация и обучение (Offline Optimization)
Основная работа системы (тестирование, оценка фитнеса, эволюция) происходит офлайн. Система анализирует исторические данные для настройки конфигурации.

Сбор Данных (Логирование)
Система полагается на сбор и хранение Search Query Data и подробных поведенческих данных (User Selection Data, Dwell Time), которые затем используются системой оптимизации.

RANKING – Ранжирование
На этом этапе генерируются исходные оценки (initial scores) для результатов поиска, которые используются как входные данные для симуляции и корректировок.

RERANKING – Переранжирование (Twiddlers)
Это этап, на котором применяется результат работы патента. Оптимизированный Score Improvement List, выбранный системой, используется для последовательного применения Adjusters (твидлеров) к исходным оценкам для получения финального порядка выдачи в реальном времени.

Входные данные (для системы оптимизации):

• Пул Score Improvement Lists (кандидаты на конфигурацию).
• Search Query Data (логи запросов, результаты, клики, dwell time).
• Initial scores результатов поиска (из логов или симуляции).

Выходные данные:

• Один или несколько оптимизированных Score Improvement Lists с наивысшими Point Values для внедрения в продакшн.

На что влияет

• Взаимодействие факторов ранжирования: Патент напрямую влияет на то, как различные сигналы и корректировки взаимодействуют друг с другом. Изменение порядка может усилить или ослабить влияние конкретного Adjuster.
• Все типы запросов и контента: Поскольку система ищет глобально оптимальную последовательность, она влияет на все типы запросов, особенно на те, где активируется несколько конфликтующих корректировок (например, запрос, требующий одновременно свежести, локализации и разнообразия).

Когда применяется

• Процесс оптимизации: Выполняется периодически или непрерывно в офлайн-режиме по мере накопления новых Search Query Data или при изменении набора Adjusters.
• Применение в поиске: Выбранная оптимальная последовательность Adjusters применяется в реальном времени на этапе RERANKING при обработке запросов пользователей.

Пошаговый алгоритм

Процесс оптимизации конфигурации ранжирования (Турнир и Эволюция)

1. Получение данных и Инициализация: Система получает Search Query Data и формирует начальный пул Score Improvement Lists. Каждому списку присваивается начальный Point Value.
2. Итеративное тестирование (Цикл):
   • Выбор пар и запроса: Из пула выбираются пары списков. Выбирается тестовый запрос из исторических данных.
   • Симуляция Ранжирования: Система применяет последовательности Adjusters из обоих списков к исходным оценкам результатов запроса. Генерируются два варианта выдачи.
   • Определение Предпочтений: На основе User Selection Data определяется User Preferred Search Result (по кликам или Dwell Time).
   • Оценка Фитнеса: Сравнивается позиция User Preferred Search Result в обоих вариантах выдачи.
   • Корректировка Оценок: Списку, который ранжировал предпочитаемый результат выше, начисляются очки (Point Value увеличивается), проигравшему – могут сниматься.
3. Эволюция (Breeding) (Периодически): Система выбирает списки с высокими Point Values и создает из них новые списки с помощью Genetic Operators (Crossover и Mutation). Новые списки добавляются в пул.
4. Проверка критериев остановки: Цикл повторяется до тех пор, пока не будут достигнуты Ending Criteria (например, стабилизация оценок, достижение лимита итераций или значительное превосходство одного из списков).
5. Выбор результата: Выбираются один или несколько Score Improvement Lists с наивысшими Point Values для применения в продакшн-системе ранжирования.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих данных для оптимизации системной конфигурации.

• Поведенческие факторы: Являются критически важными для работы системы и служат основой для Fitness Function.
  • User Selection Data: Данные о том, какие результаты выбирались пользователями (клики).
  • Length of user time spent / Dwell Time: Продолжительность времени, проведенного пользователем на ресурсе после клика по результату.
• Системные данные:
  • Initial scores: Базовые оценки релевантности результатов поиска до применения корректировок.
  • Adjusters: Сами функции (твидлеры), которые применяются для корректировки оценок.
  • Search Queries: Исторические запросы пользователей из логов.

Какие метрики используются и как они считаются

• Point Value: Основная метрика качества Score Improvement List. Изменяется по результатам тестов (например, +1 за победу, -1 за поражение). Может корректироваться с весом, основанным на разнице в позициях предпочитаемого результата.
• User Preferred Search Result: Ключевая метрика, определяющая «идеальный» результат для конкретного запроса. Рассчитывается одним из двух способов (согласно Claim 7):
  • Результат, выбранный большинством пользователей (majority of users) – максимальный CTR.
  • Результат с наибольшим временем, проведенным пользователем на ресурсе (greatest user time spent) – максимальный Dwell Time.
• Алгоритмы машинного обучения: Система использует Генетические Алгоритмы (Genetic Algorithms) – метод эволюционной оптимизации для поиска оптимального решения в большом пространстве вариантов.

Выводы

1. Автоматизация настройки ранжирования (Learning to Rank): Google использует автоматизированные методы (генетические алгоритмы) для настройки конфигурации своей системы ранжирования, в частности, для определения оптимального порядка применения корректировок (Adjusters/Твидлеров).
2. Порядок применения факторов критичен: Патент подчеркивает, что последовательность применения различных сигналов и корректировок существенно влияет на финальную выдачу. Это не просто сумма факторов, а сложный последовательный процесс.
3. Оптимизация под удовлетворенность пользователя: Вся система оптимизации конфигурации настроена на максимизацию удовлетворенности пользователя. Функция фитнеса (Fitness Function) напрямую зависит от того, насколько высоко система ранжирует результаты, которые предпочитают пользователи.
4. Поведенческие данные как эталон качества (Ground Truth): User Selection Data (клики) и время, проведенное на сайте (Dwell Time), используются как основные индикаторы предпочтений пользователей и служат эталоном для обучения и настройки системы ранжирования.
5. Подтверждение использования Dwell Time: Патент явно указывает greatest user time spent (наибольшее время, проведенное пользователем) как один из двух ключевых критериев для определения User Preferred Search Result.
6. Инфраструктурный фокус: Патент не вводит новые факторы ранжирования, но определяет, как существующие факторы взаимодействуют между собой, и подтверждает стратегическую важность оптимизации под поведение пользователей.

Практика

Best practices (это мы делаем)

Хотя патент носит инфраструктурный характер, он подтверждает критическую важность работы над поведенческими факторами.

• Фокус на удовлетворении интента и вовлеченности: Ключевая стратегия. Необходимо создавать контент и оптимизировать юзабилити так, чтобы пользователи не только кликали на результат, но и проводили на сайте значимое время (высокий Dwell Time). Это увеличивает вероятность того, что ваша страница будет идентифицирована как User Preferred Search Result.
• Оптимизация поведенческих факторов (CTR и Dwell Time): Работайте над повышением CTR сниппетов в выдаче (релевантные Title/Description) и одновременно над удержанием пользователя на странице (качество контента, UX/UI, скорость загрузки). Система Google настраивает свои алгоритмы так, чтобы отдавать предпочтение страницам с сильными поведенческими сигналами.
• Анализ реальных предпочтений пользователей в нише: Изучайте, какой тип контента и какие сайты пользователи реально выбирают и на каких задерживаются в вашей тематике. Стремитесь соответствовать этим предпочтениям, чтобы стать User Preferred Search Result.

Worst practices (это делать не надо)

• Кликбейт без удержания: Создание заголовков и сниппетов, которые генерируют клики, но приводят к быстрому возврату в выдачу (низкий Dwell Time, pogo-sticking). Это приведет к тому, что страница не будет считаться User Preferred Search Result по критерию времени на сайте (Claim 7).
• Игнорирование юзабилити и качества контента: Фокус только на технических факторах или ключевых словах без учета того, как реальные пользователи взаимодействуют с контентом. Если пользователи не вовлекаются, это негативно скажется на данных, используемых Google для настройки ранжирования.
• Манипуляции краткосрочными сигналами: Накрутка CTR без последующего удержания пользователя на сайте. Система учитывает не только факт клика, но и user time spent.

Стратегическое значение

Патент подтверждает стратегическую важность использования данных о поведении пользователей для машинного обучения и автоматической настройки алгоритмов Google. Он демонстрирует, что Google не просто использует статические правила, а постоянно адаптирует конфигурацию своей системы на основе реальной обратной связи. Долгосрочная SEO-стратегия должна быть сосредоточена на создании контента, который обеспечивает наилучший пользовательский опыт и максимальную вовлеченность, поскольку именно эти метрики лежат в основе оптимизации конфигурации ранжирования Google.

Практические примеры

Сценарий: Оптимизация страницы статьи для повышения ее статуса как User Preferred Search Result

1. Цель: Увеличить вероятность того, что Google будет использовать данные по этой странице для положительной настройки своих алгоритмов ранжирования.
2. Анализ текущей ситуации: Страница ранжируется в ТОП-5 по запросу «как выбрать треккинговые ботинки». CTR средний, пользователи быстро уходят (низкий Dwell Time).
3. Действия по оптимизации сниппета (для метрики «majority of users»/CTR): Переработка Title и Description для повышения релевантности и привлекательности, чтобы максимизировать CTR по сравнению с конкурентами.
4. Действия по оптимизации контента (для метрики «greatest user time spent»/Dwell Time):
   • Улучшение первого экрана: добавление краткого резюме статьи и интерактивного оглавления.
   • Углубление контента: добавление сравнительных таблиц, реальных примеров и видеообзоров.
   • Улучшение юзабилити и скорости загрузки.
5. Ожидаемый результат: Увеличение CTR и значительное увеличение Dwell Time. Страница становится User Preferred Search Result. Google использует эти данные при тестировании конфигураций ранжирования (как описано в патенте) и отдает предпочтение тем конфигурациям, которые ранжируют эту страницу выше.

Вопросы и ответы