Как Google ранжирует контент внутри мобильных приложений (App Indexing) с помощью многоуровневой оценки релевантности и стабильности контента

Описание

Какую задачу решает

Патент решает задачу эффективного ранжирования контента, расположенного внутри нативных мобильных приложений (Native Applications) и доступного через диплинки (Deeplinks). Стандартные методы оценки веб-ресурсов не оптимальны для экосистемы приложений, которая имеет иную структуру (множество экранов внутри одного приложения) и динамику контента. Цель изобретения — создать механизм оценки релевантности диплинков, адаптированный к этой специфике, чтобы лучше удовлетворять информационные потребности пользователей, особенно на мобильных устройствах.

Что запатентовано

Запатентована система оценки и ранжирования диплинков нативных приложений. Ядром изобретения является многофакторная модель скоринга, которая адаптирует принципы Information Retrieval (TF-IDF) к структуре приложений. Она рассчитывает Relevance Score на основе трех ключевых компонентов: частоты термина на конкретном экране (Term Score), редкости термина внутри данного приложения (Intra-inverse popularity) и редкости термина во всем корпусе индексируемых приложений (Inter-inverse popularity).

Как это работает

Система анализирует Application Index и при получении запроса с термином (T) оценивает релевантность диплинков (D) в приложениях (A) следующим образом:

• Оценка частоты (TF-like): Рассчитывается Term Score (TS(T,D)) — как часто термин встречается в контенте диплинка.
• Оценка локальной редкости: Рассчитывается Intra-inverse popularity (Intra_I(T,A)) — насколько редок термин внутри конкретного приложения.
• Оценка глобальной редкости (IDF-like): Рассчитывается Inter-inverse popularity (Inter_I(T)) — насколько редок термин во всех проиндексированных приложениях.
• Вычисление релевантности: Эти три показателя комбинируются (например, перемножаются) для получения Relevance Score.
• Дополнительные факторы: Система может учитывать стабильность контента (Steadiness Score), популярность приложения (Popularity Score) и тематический охват приложения (Application Link Score).

Актуальность для SEO

Высокая для App SEO (App Indexing) и ASO. Принципы ранжирования контента внутри приложений остаются крайне актуальными, особенно с учетом использования технологий типа Firebase App Indexing для интеграции контента приложений в мобильный поиск Google. Описанные механизмы являются фундаментальными для поиска в экосистемах мобильных приложений.

Важность для SEO

Влияние на традиционное Web SEO минимально (1/10), так как патент сфокусирован исключительно на Native Applications. Однако для специалистов по ASO и App Indexing (продвижение контента приложений в поиске Google) этот патент имеет высокое значение (7/10). Он раскрывает конкретные метрики релевантности и качества контента внутри приложений, подчеркивая важность уникальности терминологии и стабильности информации для достижения видимости в поиске.

Детальный разбор

Термины и определения

Application Index (Индекс приложений)

База данных, содержащая индекс контента нативных приложений и связанных с ними диплинков.

Application Link Score (ALS(T,A))

Метрика, показывающая количество диплинков в приложении (A), содержащих термин (T), по отношению к общему количеству диплинков во всех приложениях. Используется для оценки тематического охвата (Topical Authority) приложения и ранжирования самих приложений.

Deeplink (Диплинк)

Инструкция (например, URI), указывающая на конкретный Environment Instance внутри нативного приложения. При выборе запускает приложение в определенном состоянии с определенным контентом.

Deeplink Scorer

Компонент поисковой системы, отвечающий за расчет оценок релевантности диплинков.

Environment Instance (Экземпляр среды)

Конкретная среда отображения (экран, состояние) внутри нативного приложения, где отображается контент.

Inter-inverse popularity (Inter_I(T))

Метрика, основанная на обратном значении популярности термина (T) во всем корпусе проиндексированных приложений. Аналог глобального IDF для приложений.

Intra-inverse popularity (Intra_I(T,A))

Метрика, основанная на обратном значении популярности термина (T) внутри одного конкретного приложения (A). Показывает уникальность термина в контексте приложения.

Native Application (Нативное приложение)

Приложение, разработанное для конкретной операционной системы устройства, работающее независимо от браузера.

Popularity Score (P(A))

Показатель популярности приложения (A) относительно других приложений (например, количество загрузок).

Relevance Score (DLS)

Итоговая оценка диплинка. Является функцией от Inter_I(T), Intra_I(T,A), TS(T,D) и опциональных сигналов.

Steadiness Score (S(T,A)) (Оценка стабильности)

Показатель относительного изменения распределения термина (T) в контенте приложения (A) за определенный период времени. Отражает, насколько статичен или динамичен контент.

Term Score (TS(T,D))

Метрика, основанная на количестве появлений термина (T) в контенте, на который ссылается диплинк (D). Аналог TF.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод оценки диплинков.

1. Система получает поисковый запрос с термином.
2. Выполняется оценка диплинков, включающая расчет трех ключевых метрик:
   • Inter-inverse popularity score (глобальная редкость).
   • Intra-inverse popularity score (редкость внутри приложения).
   • Term score (частота в контенте диплинка).
3. Генерируется Relevance Score на основе этих трех метрик.
4. Диплинки ранжируются по Relevance Score, и результаты предоставляются пользователю.

Ядром изобретения является трехуровневая модель оценки релевантности, адаптирующая TF-IDF путем добавления промежуточного слоя (Intra-inverse popularity) для учета контекста приложения.

Claim 2 и 3 (Зависимые от 1): Добавляют учет стабильности контента.

1. Определяется Steadiness Score — показатель изменения распределения термина в контенте приложения с течением времени.
2. Relevance Score генерируется с учетом Steadiness Score.
3. Steadiness Score рассчитывается на основе соотношения (ratio) количества диплинков, содержащих термин, в два разных периода времени.

Claim 4 (Зависимый от 1): Добавляет учет тематического охвата приложения.

Relevance Score генерируется с учетом Application Link Score (количество релевантных диплинков в приложении относительно общего числа).

Claim 5 (Зависимый от 1): Описывает альтернативный способ представления результатов с группировкой.

1. Приложения ранжируются по Application Link Score.
2. Результаты поиска предоставляются в виде подмножеств (групп), соответствующих приложениям.
3. Подмножества упорядочены на основе ранга приложений.
4. Внутри подмножеств диплинки упорядочены по их Relevance Score.

Claim 6 (Зависимый от 1): Добавляет учет популярности приложения.

Relevance Score генерируется с учетом Popularity Score приложения.

Где и как применяется

Изобретение применяется в компонентах поисковой системы, отвечающих за поиск и ранжирование контента мобильных приложений.

INDEXING – Индексирование и извлечение признаков
На этом этапе извлекается контент из приложений и сохраняется в Application Index. Рассчитываются и сохраняются статистические данные, необходимые для скоринга: популярность терминов (для Inter- и Intra-inverse popularity), временные данные (для Steadiness Score) и количество ссылок (для Application Link Score).

RANKING – Ранжирование
Основной этап применения. Компонент Deeplink Scorer получает запрос и использует данные из Application Index для расчета Relevance Score. Он комбинирует Term Score с метриками обратной популярности и другими сигналами (стабильность, популярность). Происходит ранжирование диплинков или приложений.

METASEARCH – Метапоиск и Смешивание
Компонент Mixer объединяет результаты из Application Index с результатами из Web Index. Здесь система определяет формат представления результатов — например, использовать ли группировку диплинков по приложениям на основе Application Link Score (Claim 5) или предоставить плоский список.

Входные данные:

• Поисковый запрос (термин).
• Application Index (контент диплинков, статистика популярности терминов, данные о стабильности, популярность приложений).

Выходные данные:

• Отсортированный список диплинков с рассчитанными Relevance Scores, возможно, сгруппированный по приложениям.

На что влияет

• Конкретные типы контента: Влияет исключительно на контент внутри нативных мобильных приложений, доступный через App Indexing. Не влияет на веб-страницы.
• Типы приложений и стабильность: Приложения со статическим контентом (справочники, каталоги) могут получить преимущество за счет высокого Steadiness Score по сравнению с высокодинамичными приложениями (соцсети, новости).
• Специфические запросы: Влияет на информационные и транзакционные запросы, ответы на которые могут находиться внутри приложений (поиск товаров, рецептов, статей).

Когда применяется

• Условия применения: Алгоритм применяется, когда поисковая система выполняет поиск по Application Index. Это происходит при поиске на мобильном устройстве (смешивание с веб-результатами) или в специализированном поиске по приложениям (например, в Google Play).

Пошаговый алгоритм

Процесс А: Базовое ранжирование диплинков (на основе Claim 1 и FIG. 3)

1. Получение запроса: Система получает поисковый запрос, содержащий термин (T).
2. Расчет глобальной редкости: Определяется Inter-inverse popularity (Inter_I(T)) во всем корпусе приложений.
3. Итерация по приложениям и диплинкам:
   • Для каждого приложения (A) определяется Intra-inverse popularity (Intra_I(T,A)).
   • (Опционально) Определяются Steadiness Score (S(T,A)), Popularity Score (P(A)), Application Link Score (ALS(T,A)).
   • Для каждого диплинка (D) определяется Term Score (TS(T,D)).
4. Расчет релевантности: Для каждого диплинка вычисляется Relevance Score (DLS) путем комбинирования (например, перемножения) рассчитанных метрик. Базовая формула (Equation 1): DLS = f(Inter_I(T), Intra_I(T,A), TS(T,D)). Расширенная формула может включать опциональные сигналы.
5. Ранжирование: Диплинки сортируются по убыванию Relevance Score.
6. Предоставление результатов: Формируется список результатов поиска.

Процесс Б: Ранжирование с группировкой (на основе Claim 5 и FIG. 4)

1. (Выполняются шаги Процесса А для расчета Relevance Scores диплинков и Application Link Score (ALS(T,A)) приложений).
2. Ранжирование приложений: Приложения сортируются по убыванию ALS(T,A).
3. Группировка и предоставление: Результаты группируются по приложениям. Группы упорядочиваются согласно рангу приложений. Внутри каждой группы диплинки упорядочиваются по их Relevance Score.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст, отображаемый в Environment Instance (на экране приложения), на который ссылается диплинк. Основной источник данных для Term Score и метрик популярности терминов.
• Структурные факторы: Иерархия Экосистема -> Приложение -> Диплинк. Система анализирует контент на уровне отдельного диплинка и на уровне всего приложения для расчета Intra-inverse popularity и Application Link Score.
• Временные факторы: Данные об изменении контента с течением времени. Используются для расчета Steadiness Score путем сравнения состояния индекса в разные периоды (T1 и T2).
• Пользовательские/Поведенческие факторы: Популярность приложения (Popularity Score), которая может базироваться на количестве загрузок или других сигналах использования.

Какие метрики используются и как они считаются

Система использует модель, напоминающую иерархический TF-IDF, дополненную сигналом стабильности.

• TS(T,D) (Term Score): Прямой подсчет количества появлений термина (T) в контенте диплинка (D).
• Inter_I(T) (Inter-inverse popularity): Обратная функция от популярности термина (T) во всем корпусе приложений.
• Intra_I(T,A) (Intra-inverse popularity): Обратная функция от популярности термина (T) внутри приложения (A).
• S(T,A) (Steadiness Score): Рассчитывается как соотношение (ratio) количества диплинков с термином (T) в приложении (A) в два разных момента времени (Claim 3).
• ALS(T,A) (Application Link Score): Отношение количества диплинков с термином (T) в приложении (A) к общему количеству релевантных диплинков.
• DLS (Relevance Score): Итоговая оценка. В патенте указано, что это функция от основных метрик: DLS = f(Inter_I(T), Intra_I(T,A), TS(T,D), [Optional Signals]). В одном из вариантов реализации это может быть их произведение.

Выводы

1. Многоуровневый TF-IDF для приложений: Google использует сложную адаптацию TF-IDF для ранжирования контента приложений. Вместо двух компонентов (TF и IDF) используются три: Term Score (TF), Inter-inverse popularity (глобальный IDF) и Intra-inverse popularity (локальный IDF на уровне приложения).
2. Важность контекстуальной уникальности (Intra-inverse popularity): Введение этой метрики подчеркивает важность уникальности термина в контексте приложения. Термины, которые часто повторяются внутри одного приложения (например, сквозные элементы), получают меньший вес. Это помогает выделить диплинки, где термин используется уникальным и значимым образом.
3. Стабильность контента как фактор ранжирования (Steadiness Score): Steadiness Score явно указывает, что стабильность контента является положительным сигналом. Приложения с надежным, редко меняющимся контентом (например, справочники) могут ранжироваться лучше, чем приложения с высокодинамичным контентом (например, новостные ленты) при поиске информации.
4. Topical Authority для приложений (Application Link Score): Метрика Application Link Score используется для определения того, какое приложение наиболее полно охватывает тему запроса. Это позволяет Google ранжировать сами приложения и группировать результаты поиска под наиболее авторитетными источниками (Claim 5).
5. Влияние популярности приложения: Общая популярность приложения (Popularity Score) может использоваться как фактор ранжирования диплинков, давая преимущество контенту из более востребованных приложений (Claim 6).

Практика

Best practices (это мы делаем)

Эти рекомендации актуальны для специалистов, занимающихся App Indexing (например, через Firebase App Indexing) и ASO.

• Обеспечение индексации качественного контента: Убедитесь, что ключевые экраны приложения доступны для индексации через диплинки и содержат достаточный объем текста. Term Score напрямую зависит от наличия ключевых слов на экране.
• Фокус на уникальности терминологии (Intra-inverse popularity): Структурируйте контент так, чтобы важные термины были уникальными для соответствующих экранов. Если термин редок внутри вашего приложения, но точно описывает конкретный экран, это повысит его Intra-inverse popularity. Избегайте повторения общих ключевых слов на всех экранах.
• Создание стабильного (Evergreen) контента: Для повышения Steadiness Score создавайте разделы со справочной информацией, инструкциями или каталогами, которые не требуют частого обновления. Поддерживайте стабильность URI (диплинков) и основного содержания.
• Увеличение тематического охвата (Application Link Score): Чем больше качественного контента по теме содержит приложение, тем выше будет его Application Link Score. Это увеличивает шансы на высокое ранжирование приложения в групповой выдаче и демонстрацию его как авторитетного источника.
• Повышение общей популярности приложения: Работайте над ASO для увеличения установок и улучшения рейтинга, так как Popularity Score может влиять на ранжирование диплинков.

Worst practices (это делать не надо)

• Ключевой спам внутри приложения: Попытка оптимизировать все экраны приложения под одни и те же высокочастотные запросы приведет к снижению Intra-inverse popularity этих терминов и ухудшит ранжирование отдельных диплинков.
• Индексация исключительно динамического контента: Если весь индексируемый контент постоянно меняется (например, лента сообщений с коротким сроком жизни), Steadiness Score будет низким, что может негативно сказаться на ранжировании в информационном поиске.
• Частое изменение структуры диплинков и контента: Постоянный редизайн и изменение структуры контента без необходимости может негативно сказаться на Steadiness Score и, как следствие, на ранжировании.

Стратегическое значение

Патент подтверждает, что Google применяет сложные алгоритмы Information Retrieval к экосистеме мобильных приложений, сопоставимые по сложности с веб-поиском. Для бизнеса, ориентированного на приложения, стратегически важно рассматривать контент внутри приложения как актив, требующий оптимизации для поиска (App Indexing). Понимание многоуровневой модели скоринга позволяет более точно оптимизировать контент, делая акцент не только на частоте ключевых слов, но и на их уникальности в контексте приложения и стабильности информации.

Практические примеры

Сценарий: Оптимизация приложения с рецептами

Задача: Повысить видимость рецепта «Тирамису с маскарпоне» в поиске.

1. Техническая реализация: Убедиться, что рецепт доступен по уникальному диплинку и индексируется (например, через Firebase).
2. Оптимизация Term Score: Убедиться, что на экране рецепта термины «Тирамису», «маскарпоне», «рецепт» встречаются в заголовке и описании.
3. Оптимизация Intra-inverse popularity: Если в приложении много десертов, но мало рецептов с «маскарпоне», то Intra_I(«маскарпоне», A) будет высоким. Стоит использовать специфические термины на этом экране, которые редко встречаются в других рецептах этого же приложения.
4. Оптимизация Steadiness Score: Сам рецепт меняется редко, что обеспечит высокий S(T,A). Не стоит часто менять основное описание рецепта или его диплинк.
5. Оптимизация Application Link Score: Развивать общее количество качественных рецептов итальянской кухни в приложении, чтобы повысить авторитет приложения по этой теме и увеличить шансы на групповую выдачу.

Вопросы и ответы