Как Google использует историю поисковых сессий для предсказания следующего или финального запроса пользователя

Описание

Какую задачу решает

Патент решает проблему ограниченности традиционных систем подсказок, которые генерируют предложения, основываясь только на последнем введенном запросе и его общей популярности. Такой подход игнорирует контекст текущей поисковой задачи и путь, который пользователь уже прошел. Изобретение улучшает релевантность подсказок, учитывая всю последовательность предыдущих запросов пользователя в рамках одной сессии (query path), чтобы лучше понять его информационную потребность.

Что запатентовано

Запатентована система генерации поисковых подсказок на основе контекста сессии. Система сравнивает набор запросов текущей поисковой сессии (current search session) с историческими данными о прошлых сессиях (previous search sessions). При обнаружении схожих сессий система определяет, какие запросы чаще всего следовали за текущей последовательностью (follow-up queries) или какие запросы завершали аналогичные сессии (concluding queries). Эти запросы предлагаются пользователю.

Как это работает

Механизм работы системы включает несколько этапов:

• Отслеживание сессии: Система группирует последовательные запросы пользователя в рамках одной сессии (например, на основе времени или тематической связи).
• Поиск схожих сессий: Текущий набор запросов сравнивается с историческими логами (Query Log) для поиска прошлых сессий с аналогичным query path.
• Идентификация кандидатов: Система анализирует схожие сессии и идентифицирует потенциальные подсказки. Основной метод (Claim 1) фокусируется на поиске наиболее частых завершающих запросов (concluding search queries). Альтернативные методы включают поиск наиболее частых следующих запросов (follow-up search queries).
• Выбор и предоставление: Наиболее популярные кандидаты выбираются, если их частота превышает порог уверенности (suggestion threshold), и предоставляются пользователю.

Актуальность для SEO

Высокая. Понимание контекста сессии и предсказание пути пользователя (search journey) являются критически важными для современных поисковых систем. Сложные информационные потребности редко удовлетворяются одним запросом. Этот патент описывает фундаментальный механизм использования исторических данных для помощи пользователю в навигации по пространству запросов, что остается крайне актуальной задачей.

Важность для SEO

Влияние на SEO – умеренно высокое (65/100). Патент не описывает алгоритмы ранжирования документов, но он напрямую влияет на то, как пользователи формулируют свои запросы и перемещаются между ними. Понимание этого механизма критически важно для исследования ключевых слов и разработки контент-стратегии. SEO-специалистам необходимо оптимизировать контент не под отдельные запросы, а под целые поисковые сценарии и пути пользователя (User Journeys).

Детальный разбор

Термины и определения

Concluding Search Query (Завершающий поисковый запрос)

Финальный запрос (final search query), введенный в рамках исторической поисковой сессии. Предполагается, что этот запрос привел к удовлетворительным результатам и завершению поиска.

Current Search Session (Текущая поисковая сессия)

Набор или последовательность запросов, введенных пользователем. Определяется близостью по времени или тематической связью.

Follow-up Search Query (Последующий поисковый запрос)

Запрос, который следует за определенным набором запросов в рамках сессии. Может быть как непосредственным следующим запросом, так и любым запросом, введенным позже в этой же сессии.

Query Log (Лог запросов)

Хранилище исторических поисковых запросов (Previous Search Sessions), используемое для анализа паттернов поведения.

Query Path (Путь запроса)

Последовательность запросов в рамках одной сессии, отражающая эволюцию информационной потребности пользователя.

Similar Search Session (Схожая поисковая сессия)

Предыдущая сессия, которая содержит набор запросов, совпадающий (полностью или частично, согласно threshold percentage) с набором запросов текущей сессии.

Suggestion Threshold (Порог предложения)

Минимальный уровень популярности (частоты) или статистической значимости, необходимый для того, чтобы запрос был предложен в качестве подсказки.

Ключевые утверждения (Анализ Claims)

Патент описывает несколько вариантов реализации. Основной независимый пункт (Claim 1) фокусируется на предсказании конечной цели, в то время как зависимые пункты (Claims 4 и 5) описывают альтернативные подходы.

Claim 1 (Независимый пункт): Описывает метод генерации подсказок на основе завершающих запросов.

1. Система получает набор запросов в рамках текущей сессии.
2. Идентифицируются similar search sessions на основе общего query path. Условие схожести: предыдущая сессия включает пороговый процент (threshold percentage) запросов, совпадающих с текущей сессией.
3. Идентифицируются concluding search queries – запросы, которые были финальными в этих схожих сессиях.
4. Определяется популярность (popularity) каждого завершающего запроса на основе числа сессий, которые он завершил.
5. Выбирается конкретный завершающий запрос как most popular query modification, если (i) его популярность выше, чем у других, И (ii) его популярность превышает suggestion threshold.
6. Этот запрос предоставляется как подсказка.

Claim 4 (Зависимый): Описывает альтернативный метод на основе общей частоты запросов в схожих сессиях.

1. Для каждого запроса, который встречается в схожих сессиях (и еще не был введен в текущей), определяется общее количество его вхождений (number of occurrences).
2. Выбираются наиболее частые запросы.
3. Эти запросы предоставляются пользователю.

Claim 5 (Зависимый): Описывает альтернативный метод на основе частоты непосредственно следующих запросов.

1. Идентифицируются запросы, которые следуют сразу за текущим набором запросов в схожих сессиях.
2. Для каждого такого запроса определяется количество сессий, в которых он является следующим шагом.
3. Выбираются наиболее частые следующие шаги.
4. Эти запросы предоставляются пользователю.

Где и как применяется

Изобретение применяется на этапах, связанных с обработкой запросов и взаимодействием с пользователем.

QUNDERSTANDING – Понимание Запросов
Это основная область применения. Система должна обрабатывать Query Logs (офлайн), чтобы структурировать исторические данные по сессиям и вычислять частотность различных Query Paths. В реальном времени система определяет границы текущей сессии пользователя и сравнивает ее с историческими паттернами для генерации предсказаний.

Взаимодействие с интерфейсом (Search Engine Interface)
Query Suggestion Module взаимодействует с интерфейсом для предоставления сессионных подсказок в момент ввода запроса или просмотра результатов (например, в Autocomplete или блоках Related Searches).

• Входные данные:
  • Данные текущей сессии (Query Path).
  • Исторические данные о сессиях (Query Log / Session Data).
• Выходные данные:
  • Один или несколько предложенных запросов (Suggested Search Queries).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на информационные и исследовательские запросы (exploratory searches), где пользователь уточняет свою потребность в течение нескольких шагов.
• Сложные задачи (Complex Tasks): Влияет на сценарии, требующие многоэтапного поиска (планирование путешествия, диагностика проблемы, сравнение продуктов).

Когда применяется

• Триггеры активации: Алгоритм активируется, когда пользователь уже ввел как минимум один (а чаще два или более) запрос в рамках текущей сессии, сформировав Query Path.
• Условия применения: Применяется, если система может идентифицировать достаточное количество исторических сессий, схожих с текущей (соответствие threshold percentage).
• Пороговые значения: Применяется, если популярность потенциальной подсказки превышает установленный Suggestion Threshold, что гарантирует статистическую значимость.

Пошаговый алгоритм

Процесс генерации сессионных подсказок:

1. Получение запросов и определение сессии: Система получает запросы от пользователя и определяет границы сессии (на основе тайм-аута или тематической связи). Формируются данные текущей сессии.
2. Сравнение с историческими данными: Набор запросов текущей сессии сравнивается с данными из Query Log.
3. Идентификация схожих сессий: Выявляются предыдущие сессии, которые соответствуют критериям схожести (threshold percentage).
4. Агрегация кандидатов для подсказок: Система агрегирует потенциальные подсказки из схожих сессий. Используется один из трех вариантов:
   • Вариант А (Concluding — Claim 1): Агрегируются только финальные запросы, которые завершали схожие сессии.
   • Вариант Б (Frequent — Claim 4): Агрегируются все запросы в схожих сессиях (помимо уже введенных).
   • Вариант В (Follow-up — Claim 5): Агрегируются запросы, которые непосредственно следовали за совпадающим набором запросов.
5. Расчет популярности: Для каждого кандидата рассчитывается частота (популярность) его использования в агрегированных данных.
6. Применение порогов и выбор: Популярность кандидатов сравнивается между собой и с Suggestion Threshold. Выбираются наиболее популярные кандидаты, превышающие порог.
7. Предоставление подсказок: Выбранные запросы отправляются в Search Engine Interface и отображаются пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на данных о поведении пользователей в рамках поисковых сессий.

• Поведенческие факторы:
  • Query Logs: Исторические записи всех введенных запросов.
  • Session Data: Структурированные данные, где запросы сгруппированы в сессии (последовательность запросов, временные метки).
  • Текущая сессия пользователя: Набор запросов, введенных пользователем в реальном времени.
• Временные факторы: Используются для определения границ сессий.

Какие метрики используются и как они считаются

• Схожесть сессий (Session Similarity): Метрика, определяющая, насколько предыдущая сессия похожа на текущую. Рассчитывается как процент совпадающих запросов (threshold percentage). Может учитывать или не учитывать порядок запросов.
• Популярность запроса (Query Popularity): Основная метрика для выбора подсказок. Рассчитывается по-разному:
  • Частота, с которой запрос завершает схожую сессию (concluding query).
  • Частота, с которой запрос является следующим шагом (follow-up query).
  • Общее количество вхождений (number of occurrences) запроса в схожих сессиях.
• Suggestion Threshold (Порог предложения): Пороговое значение для фильтрации статистически незначимых подсказок. Может быть определен как минимальная относительная частота (Threshold Frequency) или минимальное абсолютное количество наблюдений (Numerical Threshold).

Выводы

1. Контекст сессии важнее отдельного запроса: Google стремится понять намерение пользователя в рамках всей поисковой задачи (Search Journey), а не только последнего запроса. Система использует коллективный опыт (Query Logs) для предсказания пути к решению задачи.
2. Два подхода к предсказанию: следующий шаг vs. конечная цель: Патент четко разделяет два основных подхода: (1) предложить наиболее вероятный следующий шаг (follow-up query) для продолжения исследования или (2) предложить наиболее вероятную конечную цель (concluding query), чтобы быстрее завершить поиск.
3. Вероятностный характер подсказок: Генерация подсказок основана на частотности и популярности паттернов в исторических данных. Система предлагает то, что делало большинство пользователей в аналогичной ситуации.
4. Фильтрация шума и обеспечение качества: Использование Suggestion Threshold критически важно для отсеивания случайных или слишком редких паттернов поведения и обеспечения статистической значимости подсказок.
5. Влияние на SEO через User Journey: Для SEO это подтверждает необходимость оптимизации не под отдельные ключевые слова, а под последовательности запросов (Query Paths) и эволюцию интента пользователя в рамках сессии.

Практика

Best practices (это мы делаем)

• Оптимизация под поисковые сценарии (User Journey Optimization): Исследуйте и проектируйте контент так, чтобы он отвечал на последовательность связанных запросов. Если пользователи часто ищут [A], затем [B], а затем [C], убедитесь, что ваш сайт предоставляет логический путь между этими темами или покрывает их в рамках кластера контента.
• Идентификация и оптимизация под «Concluding Queries»: Определите, какие запросы чаще всего завершают поисковые сессии в вашей тематике. Это часто более конкретные запросы с четким намерением. Создавайте исчерпывающий контент («Destination Content»), который полностью отвечает на эти финальные запросы.
• Построение Topical Authority и внутренняя перелинковка: Создавайте авторитетные хабы контента, которые покрывают тему глубоко, удовлетворяя различные этапы сессии. Организуйте внутреннюю перелинковку так, чтобы она отражала естественный путь исследования пользователя, уменьшая вероятность его возврата в Google для ввода follow-up query.
• Анализ связанных запросов в SERP: Обращайте внимание на блоки «Related Searches» или подсказки автокомплита после ввода нескольких запросов. Это может дать представление о том, какие сессионные подсказки генерирует Google, и поможет выявить популярные Query Paths в вашей нише.

Worst practices (это делать не надо)

• Оптимизация только под Head Terms: Фокус исключительно на высокочастотных одиночных запросах игнорирует процесс исследования. Отсутствие контента для середины или конца этого пути (Concluding Queries) приведет к потере трафика на финальных этапах сессии.
• Создание «тупикового» контента: Создание страниц, которые отвечают на один узкий запрос, но не предлагают пользователю логического продолжения или ответа на следующий вероятный вопрос. Это вынуждает пользователя вернуться в поиск, где Google предложит ему follow-up query.
• Игнорирование эволюции интента: Рассмотрение каждого запроса изолированно, без учета того, как он может быть связан с предыдущими или последующими запросами в рамках одной задачи пользователя.

Стратегическое значение

Патент подтверждает стратегический фокус Google на удовлетворении задач пользователя (Task Completion) и понимании контекста сессии. Это подчеркивает переход от простого сопоставления ключевых слов к пониманию сложных, многоэтапных информационных потребностей. Для долгосрочной SEO-стратегии это означает необходимость глубокого понимания пути пользователя (Journey Mapping) и создания контента, который сопровождает его на всех этапах этого пути.

Практические примеры

Сценарий: Оптимизация контент-кластера под многоэтапный поиск (покупка камеры)

1. Исследование паттернов (User Journey): SEO-специалист определяет популярный Query Path:
   • Query 1: «лучшие камеры для начинающих»
   • Query 2: «сравнение Canon EOS 2000D и Nikon D3500»
   • Query 3 (Concluding): «Nikon D3500 отзывы и цена».
2. Анализ Google: Когда пользователь вводит Q1 и Q2, Google, основываясь на исторических данных, определяет Q3 как наиболее вероятный Concluding Query и предлагает его в качестве подсказки.
3. Действия SEO:
   1. Убедиться, что на сайте есть качественный контент под все три запроса.
   2. Создать детальную сравнительную статью (Q2), если ее нет.
   3. Оптимизировать внутренние ссылки: статья Q1 должна ссылаться на сравнение Q2. Сравнение Q2 должно ссылаться на детальный обзор Q3.
4. Ожидаемый результат: Сайт захватывает пользователя на всех этапах сессии. Сайт позиционируется как авторитетный ресурс, способный удовлетворить финальное намерение пользователя (Q3), к которому его направляет Google.

Вопросы и ответы