Как Яндекс оптимизирует размещение виджетов и сниппетов на выдаче, учитывая их размер и полезность

Описание

Какую задачу решает

Патент решает задачу оптимального смешивания (Blending) и размещения на поисковой выдаче (SERP) элементов разного типа и разного визуального размера. Традиционные методы ранжирования могут неэффективно работать с Content Elements (виджетами, колдунщиками, расширенными сниппетами), которые отличаются от стандартных текстовых ссылок размером и способами взаимодействия. Проблема заключается в том, что большой размер элемента привлекает внимание (Size Bias), но если элемент нерелевантен, он занимает ценное пространство и ухудшает пользовательский опыт. Патент предлагает механизм учета размера элемента при оценке его полезности.

Что запатентовано

Запатентована система и метод обучения модели ранжирования (Ranking System), которая учитывает визуальный размер (Size) и позицию (Ranking) элемента при прогнозировании его полезности. Суть изобретения в специфическом методе расчета целевой метрики полезности (Usefulness Score) для обучения модели. Эта метрика штрафует элементы, которые были пропущены пользователем, причем величина штрафа зависит от размера пропущенного элемента.

Как это работает

Система работает в два этапа. На этапе обучения (Training Phase) собираются данные о взаимодействиях пользователей с SERP. Для каждого элемента рассчитывается Usefulness Score по специальной формуле. Если пользователь пропустил элемент и кликнул ниже, элемент получает отрицательный балл, пропорциональный его высоте. Если элемент кликнули, он получает положительный балл. Модель машинного обучения (MLA) учится предсказывать этот балл. На этапе применения (In-Use Phase) система использует обученную модель для прогнозирования полезности (Predicted Usefulness Score) элемента на всех возможных позициях выдачи и выбирает позицию, которая максимизирует этот показатель или общую полезность SERP.

Актуальность для SEO

Высокая. Оптимизация компоновки SERP и эффективное смешивание вертикальных поисков, виджетов и органических результатов является ключевой задачей современных поисковых систем. Учет визуальных характеристик элементов при ранжировании и блендинге крайне актуален, особенно с учетом разнообразия форматов сниппетов в Яндексе.

Важность для SEO

Влияние на SEO среднее (7/10). Патент не описывает, как сделать сайт более релевантным, но он детально описывает механизм, по которому Яндекс определяет финальное положение элементов на выдаче (Blending). Это имеет критическое значение для стратегий, направленных на получение расширенных сниппетов и попадание в виджеты. Патент подчеркивает, что получение большого сниппета не гарантирует успеха: если он не будет полезен пользователю и его будут пропускать, система агрессивно понизит его позицию или уменьшит размер.

Детальный разбор

Термины и определения

Content Element (Контентный элемент)

Элемент на SERP, который отличается от традиционного элемента (ссылки). Может включать виджеты, колдунщики, галереи изображений, видеоплееры. Позволяет пользователю взаимодействовать с контентом прямо на SERP.

MLA (Machine Learning Algorithm / Алгоритм машинного обучения)

Модель (часть Ranking System), обученная прогнозировать Usefulness Score элемента на основе его характеристик (включая размер) и его положения на SERP.

Predicted Usefulness Score (Прогнозируемая оценка полезности)

Оценка, которую выдает MLA. Предсказывает, насколько полезным будет элемент для пользователя, если его разместить на определенной позиции.

Ranking System (Система ранжирования)

Компонент поисковой системы, отвечающий за определение порядка элементов на SERP. В контексте патента, это система, использующая MLA для оптимизации позиций.

SERP (Search Engine Results Page)

Страница поисковой выдачи.

Size / Height (Размер / Высота)

Визуальные габариты элемента на SERP (например, в пикселях). Ключевой фактор, используемый при расчете Usefulness Score.

Usefulness Score (Оценка полезности)

Целевая метрика (Target Variable), рассчитываемая на основе реальных взаимодействий пользователей во время обучения MLA. Рассчитывается по специальной формуле, учитывающей клики, пропуски и размер элемента.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методе обучения системы ранжирования, который учитывает визуальные аспекты элементов.

Claim 1 (Независимый пункт): Описывает полный цикл работы системы (обучение и применение).

Фаза Обучения (Training phase):

1. Сбор данных о взаимодействии пользователей с первым ранжированным списком элементов на первой SERP (в ответ на тренировочный запрос). Список содержит первый контентный элемент.
2. Определение оценки (Score, т.е. Usefulness Score) для первого контентного элемента. Критически важно: оценка базируется как минимум на (i) Размере (Size) этого элемента на SERP и (ii) его Ранге (Ranking).
3. Обучение системы ранжирования прогнозировать Predicted Usefulness Score на основе рассчитанной оценки.

Фаза Применения (In-use phase):

1. Получение рабочего запроса и генерация второго ранжированного списка.
2. Определение ранговой позиции для второго контентного элемента. Это определение базируется как минимум на (i) Размере второго элемента и (ii) Расстоянии (Distance) между ним и топовым элементом списка (т.е. его визуальной позиции).
3. Размещение второго контентного элемента на определенной позиции.
4. Генерация второй SERP.

Claims 2, 3, 4 (Зависимые пункты): Уточняют правила расчета Usefulness Score (из Claim 1), которые являются ядром изобретения.

• Claim 2: Если пользователь выбрал элемент, показанный ВЫШЕ текущего контентного элемента, оценка устанавливается в ноль. (Элемент не был нужен).
• Claim 3: Если пользователь выбрал текущий контентный элемент, оценка устанавливается в единицу. (Элемент был полезен).
• Claim 4: Если пользователь выбрал элемент, показанный НИЖЕ текущего контентного элемента (т.е. пропустил его):
  1. Определяется первая высота (H1) пропущенного контентного элемента.
  2. Определяется вторая высота (H2) элемента, который был выбран.
  3. Из оценки вычитается H1, деленное на H2. (Штраф за пропуск, пропорциональный размеру).

Claim 11 (Независимый пункт): Описывает альтернативный вариант реализации, где метод применяется не только к контентным элементам (виджетам), но ко всем элементам на SERP.

Логика аналогична Claim 1, но в фазе обучения Usefulness Score рассчитывается для каждого элемента списка на основе его размера и ранга. В фазе применения система определяет позицию для каждого элемента из набора, основываясь на их размерах, формируя итоговый ранжированный список.

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи, затрагивая слои ранжирования и смешивания.

RANKING – Ранжирование (Пост-ранжирование/Оптимизация)
Хотя основное ранжирование (L1-L3) определяет релевантность документа запросу, описанный механизм применяется позже для оптимизации размещения уже отобранных кандидатов. Он может использоваться для переранжирования (Reranking) результатов с учетом их визуального представления.

BLENDER – Метапоиск и Смешивание (MetaSearch & Blending)
Это основная область применения патента. Слой Blender отвечает за интеграцию результатов из разных источников (веб-поиск, картинки, видео, виджеты/колдунщики) в единую SERP. Описанная система помогает Blender определить оптимальную позицию для каждого элемента, особенно для виджетов (Content Elements), чтобы максимизировать общую полезность выдачи, учитывая размеры этих элементов и то, как они влияют на внимание пользователя.

Входные данные: Набор элементов-кандидатов (включая виджеты), их характеристики (тип, размер/высота), предварительные оценки релевантности.

Выходные данные: Финальный ранжированный список элементов с оптимизированными позициями, готовый для генерации SERP.

На что влияет

• Конкретные типы контента: Наибольшее влияние оказывается на элементы с нестандартными размерами — виджеты (погода, карты, музыка), расширенные сниппеты, галереи изображений, видео-врезки. Claim 1 фокусируется на них (Content Elements), но Claim 11 расширяет механизм на все элементы SERP.
• Форматы контента: Влияет на вероятность показа и позицию крупных форматов. Система может предпочесть показ стандартного сниппета, если прогнозируется, что крупный формат будет проигнорирован пользователем.

Когда применяется

Алгоритм применяется при генерации SERP для большинства запросов, особенно когда в выдаче присутствуют элементы разного размера.

• Триггеры активации: Наличие в наборе кандидатов элементов с различной высотой или специфических Content Elements (виджетов).
• Временные рамки: Фаза применения (In-use) работает в реальном времени при ответе на запрос. Фаза обучения (Training) происходит офлайн, используя накопленные логи взаимодействий.

Пошаговый алгоритм

Патент описывает два основных процесса: Обучение модели (Training) и Применение модели (In-Use).

Процесс А: Обучение MLA (Training Phase)

1. Сбор данных: Показ SERP пользователям (возможно, с экспериментальным ранжированием) и сбор логов взаимодействий (клики, пропуски).
2. Извлечение характеристик: Для каждого показанного элемента фиксируется его тип, размер (высота), ранг и расстояние от топа выдачи.
3. Расчет целевой метрики (Usefulness Score): Ключевой этап. Для каждого элемента (E) рассчитывается оценка на основе поведения пользователя:
   • Если кликнут элемент выше E: Score = 0.
   • Если кликнут E (и нет дальнейших взаимодействий): Score = 1.
   • Если кликнут элемент ниже E (E пропущен): Score =
     $$-(Height_E / Height_{clicked})$$.
   • Если кликнут E, а затем элемент ниже: Score =
     $$1 — (Height_E / Height_{clicked\_lower})$$.
4. Подготовка обучающей выборки: Формирование пар {Характеристики Элемента + Позиция, Usefulness Score}.
5. Обучение MLA: Модель обучается предсказывать Usefulness Score на основе входных характеристик.

Процесс Б: Применение MLA (In-Use Phase)

Описано два варианта применения.

Вариант 1: Оптимизация позиции конкретного элемента (например, виджета)

1. Получение запроса и генерация базового ранжированного списка.
2. Идентификация Контентного Элемента (виджета) для вставки.
3. Прогнозирование: Ввод характеристик виджета (включая размер) в MLA. MLA рассчитывает Predicted Usefulness Score для виджета на *каждой* потенциальной позиции ранжирования.
4. Оптимизация: Выбор позиции, на которой прогнозируемая оценка полезности максимальна.
5. Генерация SERP: Вставка виджета на оптимальную позицию.

Вариант 2: Глобальная оптимизация SERP

1. Получение запроса и определение набора элементов-кандидатов.
2. Прогнозирование: Для каждого элемента из набора MLA рассчитывает Predicted Usefulness Score на *каждой* потенциальной позиции, учитывая размер элемента.
3. Глобальная Оптимизация: Генерация финального ранжированного списка путем выбора такой комбинации позиций для всех элементов, которая максимизирует общую полезность SERP (например, сумму прогнозируемых оценок).
4. Генерация SERP.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Данные о взаимодействиях пользователей критически важны для фазы обучения. Используются: клики (selection), долгие клики (long selection), переходы на ресурс (web resource transition), ховеры (hovering action), взаимодействия с виджетом (например, проигрывание аудио/видео).
• Структурные/Визуальные факторы: Данные о компоновке SERP и внешнем виде элементов. Используются: Размер элемента (Element Size, Height, Width в пикселях), ранг элемента (Ranking), расстояние от топа SERP (Distance from top/Vertical position), горизонтальная позиция (Horizontal position).
• Системные данные: Тип элемента (Element-type), источник элемента (URL).

Какие метрики используются и как они считаются

• Usefulness Score (Оценка полезности): Целевая метрика для обучения MLA. Рассчитывается на основе поведенческих данных с учетом размера элемента. Основные формулы расчета штрафа за пропуск (когда кликнули ниже):

  $$Score = -\frac{Height_{skipped}}{Height_{clicked}}$$

  Метрика нормирована (в примерах патента от -1 до 1, но диапазон может быть любым).

• Взвешивание оценок: Патент упоминает, что Usefulness Score может дополнительно взвешиваться на основе других факторов, например, времени, проведенного пользователем на ресурсе (Dwell Time) или времени взаимодействия с элементом.
• Predicted Usefulness Score: Выходная метрика MLA, используемая на фазе применения для оптимизации ранжирования.
• Алгоритмы машинного обучения: Используется MLA (конкретный тип не указан, но подразумевается модель, способная учитывать категориальные и числовые признаки, вероятно, градиентный бустинг или нейросеть) для прогнозирования полезности.

Выводы

1. Размер элемента напрямую влияет на оценку его полезности. Яндекс формализовал взаимосвязь между визуальным размером (высотой) элемента на SERP и поведением пользователей. Большие элементы привлекают больше внимания (Size Bias).
2. Введен механизм штрафа за неэффективное использование пространства. Ключевое нововведение — формула расчета Usefulness Score. Если пользователь пропускает элемент и кликает ниже, этот элемент получает штраф, пропорциональный его размеру. Чем больше пропущенный элемент, тем сильнее негативный сигнал.
3. Цель системы — оптимальное, а не максимальное ранжирование. Система не стремится поставить элемент как можно выше. Она рассчитывает Predicted Usefulness Score для всех возможных позиций и выбирает ту, где полезность максимальна. Элемент может быть более полезен на 3-й позиции, чем на 1-й.
4. Механизм применим как к виджетам, так и к обычным сниппетам. Хотя основной фокус сделан на Content Elements (виджеты/колдунщики), патент явно предусматривает применение этой логики ко всем элементам SERP (Claim 11).
5. Повышенные требования к качеству расширенных сниппетов. Чтобы занимать много места на выдаче, элемент должен доказывать свою высокую полезность (получать клики и предотвращать клики по элементам ниже). Низкокачественные расширенные сниппеты будут быстро пессимизированы.

Практика

Best practices (это мы делаем)

• Максимизация полезности и CTR расширенных сниппетов. Если ваш сайт получает расширенный сниппет (например, с картинками, таблицами, длинным описанием), критически важно, чтобы он точно отвечал на интент пользователя и генерировал клики. Высокий CTR подтверждает, что пространство занято эффективно.
• Обеспечение удовлетворенности пользователя (User Satisfaction). Необходимо не только получить клик, но и удержать пользователя на сайте (или предоставить исчерпывающий ответ прямо в сниппете). Если пользователь кликает на ваш большой сниппет, а затем возвращается на выдачу и кликает ниже, ваш сайт получит негативный сигнал согласно формуле: $$1 — (Height_{ваш} / Height_{клик\_ниже})$$.
• Стратегическая оптимизация под виджеты. При оптимизации под попадание в виджеты (например, Яндекс.Услуги, Маркет, Недвижимость) необходимо предоставлять максимально структурированные и полезные данные. Система будет искать оптимальное положение для виджета, и высокая полезность вашего контента внутри него способствует более высокому размещению всего блока.

Worst practices (это делать не надо)

• Искусственное раздувание сниппетов без повышения ценности. Попытки манипулировать размером сниппета (например, добавляя лишние элементы через микроразметку), не повышая его информативность, опасны. Если такой большой сниппет будут пропускать, он получит сильный штраф, пропорциональный его размеру.
• Игнорирование низкого CTR у расширенных сниппетов. Низкий CTR (когда пользователи кликают на результаты ниже) у большого сниппета — это не просто упущенная возможность, а прямой негативный сигнал для системы блендинга Яндекса, который приведет к потере этого сниппета или его понижению.
• Кликбейт в заголовках расширенных сниппетов. Если заголовок привлекает клик, но контент не соответствует ожиданиям, пользователь вернется и кликнет ниже. Это приведет к снижению Usefulness Score и пессимизации.

Стратегическое значение

Патент подтверждает, что Яндекс рассматривает SERP как интерфейс, компоновка которого оптимизируется с помощью машинного обучения. Приоритет отдается эффективности использования пространства и общей удовлетворенности пользователя. Для SEO это означает, что визуальное представление сайта на выдаче (сниппет) так же важно, как и его контент. Стратегия должна быть направлена на создание структурированного, полезного контента, который позволяет поисковой системе формировать информативные и «кликабельные» сниппеты, оправдывающие занимаемое ими место.

Практические примеры

Сценарий: Пессимизация большого, но бесполезного сниппета

1. Ситуация: Сайт по продаже курсов получил расширенный сниппет на 1-й позиции с картинкой и длинным описанием (Высота = 200px). На 2-й позиции находится стандартный сниппет конкурента (Высота = 100px).
2. Поведение пользователя: Пользователи часто пропускают 1-й результат, так как описание неинформативно, и кликают на 2-й результат.
3. Расчет системы (Training Phase): Система рассчитывает Usefulness Score для 1-го результата по формуле штрафа: $$-(Height_1 / Height_2) = -(200px / 100px) = -2$$. Это очень сильный негативный сигнал.
4. Результат (In-Use Phase): MLA обновляется. При следующем запросе MLA прогнозирует очень низкий Predicted Usefulness Score для этого расширенного сниппета на 1-й позиции. Система либо понизит сайт в выдаче, либо заменит расширенный сниппет на стандартный.

Сценарий: Оптимизация положения виджета

1. Ситуация: По запросу «купить телевизор» Яндекс рассматривает возможность показа виджета Маркета (Content Element).
2. Действие системы (In-Use Phase): MLA рассчитывает Predicted Usefulness Score для этого виджета на разных позициях.
   • Позиция 1: Score = 0.8 (высокая вероятность клика, но может мешать навигации к конкретным магазинам).
   • Позиция 3: Score = 0.9 (оптимальное положение после пары органических ссылок).
3. Результат: Система размещает виджет на 3-й позиции, даже если его базовая релевантность позволяла бы поставить его на 1-ю.

Вопросы и ответы