Как Яндекс динамически уточняет запрос и перестраивает выдачу на основе взаимодействия пользователя с элементами сниппетов

Описание

Какую задачу решает

Патент решает задачу повышения релевантности поисковой выдачи в рамках текущей сессии пользователя. Он направлен на уточнение интента пользователя без необходимости ручного ввода уточняющего запроса. Система позволяет интерпретировать неявную обратную связь (микровзаимодействия с элементами на SERP) как сигнал к уточнению запроса и динамической перестройке выдачи.

Что запатентовано

Запатентован метод и система для генерации уточненной поисковой выдачи (Refined SERP). Суть изобретения заключается в мониторинге взаимодействий пользователя с конкретными элементами результатов поиска (словами, фразами, ссылками) и вычислении агрегированного «параметра интереса» (User Interest Parameter) для этих элементов. Затем система автоматически генерирует новый, уточненный запрос, включающий исходный запрос, элемент интереса и его вес, и предоставляет новую выдачу, соответствующую этому уточненному интенту.

Как это работает

Система отслеживает взаимодействия пользователя (например, выделение текста, скорость скроллинга, остановка внимания) с конкретными Search Result Elements (например, фразами в сниппетах) на исходной SERP. Если один и тот же элемент встречается в нескольких результатах, система агрегирует взаимодействия с ним, присваивая каждому взаимодействию вес. Сумма весов формирует User Interest Parameter для этого элемента. Затем система автоматически генерирует Second Search Query, который является реформуляцией исходного запроса с добавлением элемента и его параметра интереса (веса). В ответ на этот новый запрос генерируется и отображается уточненная выдача (Refined SERP). Процесс может повторяться итеративно.

Актуальность для SEO

Высокая. Динамическая адаптация выдачи и интерпретация сложных поведенческих сигналов в реальном времени являются ключевыми направлениями развития современных поисковых систем. Механизмы, позволяющие уточнять интент пользователя «на лету» без дополнительных кликов или ввода текста, крайне актуальны для улучшения пользовательского опыта и повышения метрик качества поиска (например, Профицит).

Важность для SEO

Влияние на SEO значительно (8/10). Этот патент переносит фокус с анализа традиционных поведенческих факторов (кликов по ссылке) на анализ микровзаимодействий внутри сниппета. Это критически повышает важность оптимизации сниппетов (Title и Description). Слова и фразы, используемые в сниппете, становятся не просто текстом для привлечения клика, а потенциальными триггерами для динамического изменения ранжирования всей выдачи.

Детальный разбор

Термины и определения

First/Second/Third Search Query (Первый/Второй/Третий поисковый запрос)

Последовательность запросов в рамках сессии. Первый вводится пользователем. Второй и последующие генерируются системой автоматически путем реформуляции предыдущего запроса на основе выявленных интересов пользователя.

Refined SERP (Уточненная выдача)

Поисковая выдача, сгенерированная в ответ на автоматически созданный системой уточненный запрос (Second/Third Search Query).

Search Result (Результат поиска)

Отдельный элемент на SERP (например, сниппет веб-документа, изображение, видео).

Search Result Element (Элемент результата поиска)

Конкретная часть результата поиска, с которой может взаимодействовать пользователь. В патенте упоминаются: слово, фраза, ссылка или изображение. Например, конкретная фраза в тексте сниппета.

SERP Refinement Module (Модуль уточнения SERP)

Компонент системы (на сервере), отвечающий за анализ взаимодействий, расчет параметров интереса и реформуляцию запросов.

User Interaction (Взаимодействие пользователя)

Действия пользователя на странице выдачи по отношению к Search Result Element. Примеры из патента: пропуск элемента, быстрый скроллинг мимо, медленный скроллинг мимо, остановка на элементе, выделение элемента, клик по элементу.

User Interest Parameter (Параметр интереса пользователя)

Метрика, указывающая на уровень интереса пользователя к конкретному Search Result Element. Рассчитывается как взвешенная кумуляция (Weighted Accumulation) всех взаимодействий пользователя с этим элементом на SERP (сумма весов взаимодействий).

Weight (Вес)

Численное значение, присваиваемое конкретному взаимодействию пользователя с элементом. Отражает силу или тип интереса (например, выделение может иметь больший положительный вес, чем быстрый скроллинг).

Ключевые утверждения (Анализ Claims)

Патент описывает систему итеративного уточнения поискового запроса на основе анализа поведения пользователя на странице выдачи.

Claim 1 (Независимый пункт): Описывает базовый процесс уточнения выдачи.

1. Система получает исходный запрос (First Search Query) от пользователя.
2. Генерируется и отображается первая выдача (First SERP).
3. Критически важно: В этой выдаче идентифицируется как минимум один элемент (First Search Result Element), который присутствует как минимум в двух разных результатах поиска (First и Second Search Result).
4. Система отслеживает взаимодействия пользователя с этим элементом в обоих результатах.
5. На основе первого взаимодействия (с элементом в первом результате) определяется Первый Вес (First Weight).
6. На основе второго взаимодействия (с элементом во втором результате) определяется Второй Вес (Second Weight).
7. Вычисляется Параметр Интереса (First User Interest Parameter) путем суммирования Первого и Второго Весов. Этот параметр является взвешенной кумуляцией интереса к элементу.
8. Генерируется Второй Запрос (Second Search Query). Он является реформуляцией Первого Запроса и включает в себя исходный запрос, сам элемент и его Параметр Интереса (который указывает на значимость элемента).
9. В ответ на Второй Запрос генерируется и отображается Уточненная Выдача (Refined SERP).

Claim 2 (Зависимый пункт): Описывает обработку нескольких элементов интереса одновременно.

1. Помимо первого элемента, система идентифицирует второй элемент (Second Search Result Element), который также присутствует как минимум в двух результатах (Third и Fourth Search Result).
2. Для него аналогичным образом рассчитывается Второй Параметр Интереса (путем суммирования весов взаимодействий с ним).
3. Второй Запрос (Second Search Query) генерируется с учетом как первого, так и второго элементов и их соответствующих параметров интереса.

Claim 3 (Зависимый пункт): Описывает итеративный процесс уточнения.

1. После отображения Уточненной Выдачи (Refined SERP), система продолжает мониторинг.
2. Если пользователь взаимодействует с тем же самым Первым Элементом на Уточненной Выдаче (например, в Пятом Результате), система определяет Пятый Вес.
3. Параметр Интереса обновляется путем добавления Пятого Веса к ранее рассчитанной сумме (W1 + W2 + W5).
4. Генерируется Третий Запрос (Third Search Query), который является реформуляцией Второго Запроса с использованием обновленного Параметра Интереса.
5. Отображается Вторая Уточненная Выдача (Second Refined SERP).

Где и как применяется

Изобретение затрагивает клиентскую часть (сбор данных) и серверную обработку на этапах понимания запроса и ранжирования.

Сбор данных (Client-Side Data Acquisition)
Система осуществляет сбор данных о поведении пользователя в реальном времени. Поисковое приложение на устройстве пользователя фиксирует микровзаимодействия (скроллинг, выделение текста, движения курсора/пальца) с конкретными элементами (Search Result Elements) на SERP и отправляет эти данные на сервер.

QUERY PROCESSING – Понимание Запросов
Это основной этап применения патента. Модуль уточнения SERP (SERP Refinement Module) на сервере анализирует полученные данные о взаимодействиях и выполняет автоматическую реформуляцию запроса (Query Reformulation).

• На вход принимаются: Исходный запрос, данные о взаимодействиях с элементами SERP.
• Процесс: Вычисление весов для каждого взаимодействия и агрегация их в User Interest Parameter для каждого элемента.
• На выходе: Новый запрос (Second Search Query), который включает исходный запрос + элемент(ы) интереса + их веса (параметры интереса).

RANKING – Ранжирование
Система ранжирования получает на вход автоматически сгенерированный уточненный запрос. Параметр интереса, включенный в этот запрос, указывает на значимость (significance) соответствующего элемента. Это напрямую влияет на формулу ранжирования, заставляя ее придавать больший вес документам, релевантным этому элементу.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие или неоднозначные запросы, где у пользователя есть потребность в уточнении интента (например, информационные или исследовательские сессии).
• Контентные факторы (Сниппеты): Критически возрастает влияние текста в Title и Description. Элементы (слова/фразы) в сниппетах становятся инструментами навигации и уточнения запроса.
• Форматы контента: Влияет на любой контент, формирующий текстовые сниппеты (статьи, товары, услуги). Также может применяться к изображениям или ссылкам, если они определены как Search Result Elements.

Когда применяется

Алгоритм активируется после генерации исходной SERP и во время взаимодействия пользователя с ней.

• Триггеры активации:
  • Обнаружение значимых взаимодействий пользователя (выделение текста, медленный скроллинг, остановка внимания) с конкретными элементами на SERP.
  • Идентификация повторяющихся элементов в разных сниппетах, с которыми взаимодействует пользователь.
• Пороговые значения: Хотя в патенте явно не указаны пороги, система, вероятно, активирует реформуляцию, когда User Interest Parameter для определенного элемента достигает определенного значения, свидетельствующего о явном интересе.
• Временные рамки: Применяется в реальном времени в рамках текущей поисковой сессии.

Пошаговый алгоритм

Процесс работы системы динамического уточнения выдачи:

1. Генерация исходной SERP: Пользователь вводит запрос, система генерирует и отображает стандартную выдачу. Система идентифицирует потенциальные Search Result Elements (слова, фразы) в сниппетах.
2. Мониторинг и Сбор данных (Клиентская сторона): Поисковое приложение отслеживает микровзаимодействия пользователя с этими элементами (скорость скроллинга, остановки, выделения). Данные отправляются на сервер.
3. Оценка Взаимодействий (Серверная сторона): Модуль уточнения SERP получает данные о взаимодействии (например, «Пользователь выделил фразу ‘Rebel Heart’ в Результате 3»).
4. Присвоение Веса: Система определяет вес этого конкретного взаимодействия (например, выделение = +1). Вес может зависеть от контекста (например, выделение в труднодоступном месте сниппета может иметь больший вес).
5. Агрегация и Вычисление Параметра Интереса: Если пользователь взаимодействует с той же фразой ‘Rebel Heart’ в другом результате (Результат 4, вес +2), система суммирует веса. User Interest Parameter для ‘Rebel Heart’ становится +3.
6. Реформуляция Запроса: Система генерирует новый запрос (Second Search Query). Например, если исходный запрос был «Madonna», новый запрос может быть внутренне представлен как {«Madonna», «Rebel Heart», Weight: +3}.
7. Генерация Уточненной SERP: Система выполняет поиск по новому запросу, где вес +3 используется для повышения значимости термина «Rebel Heart» в ранжировании. Новая выдача (Refined SERP) отображается пользователю.
8. Итеративное Уточнение: Процесс мониторинга продолжается на новой выдаче. Если пользователь продолжает взаимодействовать с «Rebel Heart», его параметр интереса обновляется (например, +3 + W5), и генерируется Третий Запрос и Третья SERP.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Микровзаимодействия): Это ключевые данные для работы системы. Патент явно перечисляет следующие типы взаимодействий (User Interactions):
  • Skipping (Пропуск элемента).
  • Fast scrolling past (Быстрый скроллинг мимо элемента).
  • Slow scrolling past (Медленный скроллинг мимо элемента).
  • Stopping at (Остановка на элементе).
  • Highlighting (Выделение элемента, например, текста).
  • Clicking on (Клик по элементу).
• Контентные факторы: Текстовое содержание сниппетов (Title, Description), а также изображения или ссылки, которые система идентифицирует как Search Result Elements. Важно наличие одних и тех же элементов в разных результатах поиска.
• Пользовательские факторы: Текущий поисковый запрос пользователя.

Какие метрики используются и как они считаются

• Weight (Вес взаимодействия): Численная оценка конкретного действия. В патенте не приводятся конкретные формулы для расчета весов, но указывается, что вес определяется на основе типа взаимодействия и контекста. Логично предположить, что разные типы взаимодействий имеют разные веса (например, выделение > остановка > медленный скроллинг > быстрый скроллинг).
• User Interest Parameter (Параметр интереса пользователя): Основная метрика системы. Рассчитывается как сумма весов всех взаимодействий с конкретным элементом на SERP.
  $$ W_{Total} = \sum_{i=1}^{n} w_i $$
  Где $w_i$ – вес i-го взаимодействия с элементом.
• Векторное представление параметра интереса: В патенте упоминается, что параметр интереса может быть представлен в виде вектора $V_1(E_1, W_1)$, где $E_1$ – это элемент результата поиска, а $W_1$ – суммарный вес (User Interest Parameter). Это векторное представление используется для реформуляции запроса.

Выводы

1. Новый уровень поведенческих факторов: Яндекс патентует механизм, который учитывает не просто клики по ссылкам, а микровзаимодействия пользователя с конкретными словами и фразами внутри сниппетов (скроллинг, выделение, остановка внимания). Это гораздо более гранулярный уровень анализа поведения на SERP.
2. Динамическая реформуляция запроса: Система интерпретирует эти микровзаимодействия как неявное уточнение интента и автоматически переформулирует запрос в реальном времени, добавляя к нему элементы интереса и их веса (User Interest Parameter).
3. Кумулятивный эффект интереса (Weighted Accumulation): Значимость элемента рассчитывается путем суммирования весов взаимодействий с этим элементом во всех сниппетах на выдаче. Чем чаще и активнее пользователь взаимодействует с определенной фразой, тем сильнее будет перестроена выдача под нее.
4. Итеративное уточнение: Процесс не разовый. Система продолжает отслеживать взаимодействия на уточненной выдаче и может запускать последующие итерации реформуляции (Третий запрос и т.д.), все глубже погружаясь в тему интереса пользователя.
5. Критическая важность сниппетов: Сниппеты (Title и Description) становятся интерактивными элементами, влияющими на ранжирование динамически. Выбор слов в сниппете определяет, какие пути уточнения запроса будут доступны системе.

Практика

Best practices (это мы делаем)

• Оптимизация сниппетов под кластер интентов: Формируйте Title и Description так, чтобы они включали не только основные ключи, но и релевантные подтемы, сущности и QBST фразы, которые могут заинтересовать пользователя. Это создает потенциальные Search Result Elements, взаимодействие с которыми позволит системе понять более точный интент.
• Использование четких и привлекательных формулировок в сниппетах: Текст должен быть написан так, чтобы стимулировать пользователя к взаимодействию (остановке внимания, прочтению). Если текст легко сканируется и содержит значимые элементы, вероятность активации механизма уточнения возрастает.
• Анализ сниппетов конкурентов: Изучайте, какие элементы (фразы, сущности) присутствуют в сниппетах конкурентов в ТОПе. Обеспечение наличия схожих, релевантных элементов в ваших сниппетах важно, так как система агрегирует интерес к элементам по всей выдаче.
• Тестирование различных вариантов сниппетов: Проводите A/B тесты Title и Description для выявления вариантов, которые не только повышают CTR, но и способствуют лучшему вовлечению пользователей, потенциально стимулируя позитивные микровзаимодействия.

Worst practices (это делать не надо)

• Использование «водянистых» или общих Description: Сниппеты, не содержащие конкретики, сущностей или потенциальных направлений для уточнения запроса, не позволят системе выявить интерес пользователя к подтемам.
• Кликбейт в заголовках без релевантного продолжения в Description: Если заголовок привлекает внимание, но описание не содержит релевантных элементов для взаимодействия, это может привести к негативным сигналам (например, быстрый скроллинг мимо).
• Переспам ключевыми словами в сниппетах: Попытка включить слишком много ключей может сделать текст трудным для восприятия, что приведет к его пропуску пользователем (Skipping или Fast Scrolling), генерируя негативные веса для этих элементов.

Стратегическое значение

Патент подтверждает стратегический курс Яндекса на глубокий анализ поведения пользователей для улучшения качества поиска. Он демонстрирует, как поисковая система стремится минимизировать усилия пользователя по уточнению запроса, беря эту функцию на себя через интерпретацию неявных сигналов. Для SEO это означает, что оптимизация страницы выдачи (SERP Optimization) становится не менее важной, чем оптимизация самого сайта. Стратегия должна фокусироваться на управлении вниманием пользователя на этапе выбора результата.

Практические примеры

Сценарий: Уточнение информационного запроса

1. Исходный запрос: «Лечение артрита». Выдача содержит общие статьи.
2. Действия SEO-специалиста (Best Practice): Оптимизировать сниппет одной из статей так, чтобы он содержал конкретные методы: «…обзор медикаментозного лечения, физиотерапии и новых биологических препаратов…».
3. Взаимодействие пользователя: Пользователь медленно скроллит выдачу и останавливает внимание или выделяет фразу «новые биологические препараты» в этом сниппете и в сниппете другого сайта.
4. Действие системы: Система рассчитывает высокий User Interest Parameter для элемента «новые биологические препараты».
5. Результат: Система автоматически реформулирует запрос (например, «Лечение артрита новыми биологическими препаратами» с высоким весом) и обновляет выдачу. В новой выдаче приоритет получат сайты, глубоко раскрывающие эту конкретную тему.

Сценарий: Уточнение коммерческого запроса

1. Исходный запрос: «Купить кофемашину». Выдача смешанная.
2. Действия SEO-специалиста (Best Practice): В сниппетах листингов использовать атрибуты товара: «…в наличии модели Delonghi, Saeco. Типы: рожковые, капсульные, автоматические с капучинатором…».
3. Взаимодействие пользователя: Пользователь быстро прокручивает результаты с рожковыми и капсульными машинами, но задерживается на сниппетах, где упоминается «автоматические с капучинатором».
4. Действие системы: Система присваивает негативный вес элементам, которые быстро проскроллили, и позитивный вес элементу «автоматические с капучинатором».
5. Результат: Выдача динамически перестраивается, поднимая вверх листинги и обзоры, сфокусированные именно на автоматических кофемашинах с капучинатором.

Вопросы и ответы