Как Яндекс генерирует и отображает интерактивные подсказки для уточнения запроса на основе поведения пользователей

Описание

Какую задачу решает

Патент решает проблему навигации пользователя при вводе слишком общих или неоднозначных поисковых запросов (vague search query), по которым выдача может быть слишком широкой. Он улучшает пользовательский опыт, предлагая релевантные направления для сужения темы (clusters of search results), основанные на реальном поведении пользователей. Система помогает пользователям обнаружить кластеры результатов, о существовании которых они могли не знать, и предлагает эффективные способы нацеливания поиска на эти кластеры.

Что запатентовано

Запатентована система и метод для генерации и отображения предлагаемых уточнений поискового запроса (Suggested Search Query Refinements, SSQRs). Суть изобретения состоит из двух частей: (1) Бэкенд-механизм для определения SSQRs, основанный на анализе групп связанных запросов, фильтрации успешных сессий и группировке по поведению пользователей. (2) Фронтенд-механизм для отображения этих уточнений в виде интерактивных графических объектов (например, кнопок) отдельно от поисковой строки и визуализации истории уточнений пользователя.

Как это работает

Когда пользователь вводит общий запрос, система анализирует исторические данные, чтобы найти связанные запросы. Она отфильтровывает только «успешные» (meaningful) запросы, которые привели к удовлетворению пользователя. Эти успешные запросы группируются на основе того, на какие общие ресурсы кликали пользователи (subsequent user behaviors). Для каждой группы система определяет наиболее популярный запрос и извлекает из него ключевое уточняющее слово, которое является наиболее уникальным по сравнению с другими уточнениями. Эти слова (SSQRs) отображаются на выдаче в виде кнопок. При клике на кнопку запрос уточняется, выдача обновляется, а кнопка остается выделенной, показывая путь уточнения.

Актуальность для SEO

Высокая. Интерактивные элементы уточнения запроса (часто называемые «пилсами» или тегами) широко используются в современных поисковых системах, включая Яндекс, для улучшения пользовательского опыта, особенно на мобильных устройствах. Методы кластеризации запросов на основе поведенческих данных являются стандартом индустрии.

Важность для SEO

Влияние на SEO значительно (7.5/10). Хотя патент частично описывает UI/UX, ключевая ценность для SEO заключается в описанном механизме генерации уточнений. Он демонстрирует, как Яндекс определяет основные направления (интенты) внутри широкой темы, основываясь строго на поведенческих данных и успешности сессий. Это требует от SEO-специалистов понимания того, какие смежные интенты Яндекс считает наиболее важными и как поведенческие факторы сайта влияют на его включение в эти тематические кластеры.

Детальный разбор

Термины и определения

Client Application (Клиентское приложение)

Программа (например, веб-браузер или мобильное приложение), работающая на устройстве пользователя и взаимодействующая с поисковой системой.

First Search Query (Первый поисковый запрос)

Исходный запрос, введенный пользователем.

Meaningful Search Queries (Значимые/Успешные поисковые запросы)

Связанные запросы из истории поиска, которые были идентифицированы как предоставившие пользователю искомую информацию (успешные сессии). Определение основано на анализе поведения пользователя на SERP (клики, время и т.д.).

Refined Search Query (Уточненный поисковый запрос)

Новый запрос, сформированный путем добавления одного или нескольких дополнительных терминов (SSQR) к исходному запросу.

Search Bar (Поисковая строка)

Текстовое поле для ввода поисковых запросов.

SSQR (Suggested Search Query Refinement) (Предлагаемое уточнение поискового запроса)

Один или несколько терминов, предлагаемых системой для добавления к текущему запросу с целью его уточнения и таргетинга на определенный кластер результатов.

Subsequent User Behaviors (Последующее поведение пользователей)

Действия пользователей после получения результатов поиска, в частности, посещение общих интернет-ресурсов. Используется для группировки значимых запросов.

Tentative Selection (Предварительный выбор)

Действие пользователя (например, наведение курсора на кнопку уточнения), которое сигнализирует о потенциальном выборе, но еще не подтверждает его.

Visual Representation of a Refinement Relationship (Визуальное представление отношения уточнения)

Визуальная индикация на интерфейсе, показывающая пользователю, что текущий запрос является результатом уточнения предыдущего запроса (например, выделение нажатой кнопки уточнения).

Ключевые утверждения (Анализ Claims)

Патент содержит утверждения, касающиеся как клиентской части (например, Claim 1), так и серверной части (например, Claim 19). Оба описывают единый процесс.

Claim 1 и Claim 19 (Независимые пункты) — Ядро изобретения:

Описывается метод отображения (Claim 1) и предоставления (Claim 19) выбираемых пользователем уточнений запроса.

Часть 1: Обработка запроса и генерация уточнений (SSQRs)

1. Система получает первый поисковый запрос.
2. Система выполняет поиск и определяет SSQRs на основе анализа групп связанных поисковых запросов. Этот анализ включает критически важные шаги:
1. Фильтрация связанных запросов: отбираются только те, которые были идентифицированы как предоставившие пользователю искомую информацию (успешные сессии).
2. Группировка отфильтрованных запросов: запросы объединяются в группы на основе последующего поведения пользователей (например, если пользователи переходили на одни и те же ресурсы).
3. Определение SSQR для группы: Для каждой группы определяется уточнение. Оно выводится из связанного запроса, который был определен как наиболее популярный в своей группе. Дополнительный термин (само уточнение) определяется как наиболее уникальный по сравнению с ранее идентифицированными уточнениями для других групп.

Часть 2: Отображение и взаимодействие

3. Клиентское приложение отображает результаты поиска и, отдельно от поисковой строки (apart from a search bar), отображает SSQRs в виде выбираемых графических объектов (например, кнопок).
4. Клиент получает выбор пользователя одного из SSQRs, что соответствует уточненному запросу.
5. Клиент получает уточненные результаты поиска. (Claim 1 уточняет, что клиент отправляет запрос на получение этих результатов).
6. Клиент отображает уточненные результаты и визуальное представление отношения уточнения между первым и уточненным запросом (например, показывает, какая кнопка была нажата).

Дополнительные важные пункты (Зависимые):

• Claims 12, 32: Описывают механизм предварительного выбора (Tentative Selection). Если пользователь делает предварительный выбор (например, наводит курсор), система может отображать потенциальный уточненный запрос в поисковой строке.
• Claims 9, 28: Описывают возможность последовательных уточнений. После первого уточнения система может предложить второй набор SSQRs для дальнейшего уточнения.
• Claims 5, 8, 23, 26: Описывают отображение истории поиска. Система может визуально указывать, какие уточнения были выбраны ранее, и в каком порядке.
• Claims 18, 40: Уточняют, что группировка основана на идентификации общих интернет-ресурсов, посещенных пользователями после выполнения отфильтрованных связанных запросов.

Где и как применяется

Изобретение затрагивает несколько слоев поисковой архитектуры, объединяя офлайн-анализ данных и онлайн-обработку запросов.

Офлайн-процессы и обработка данных (Слой Качества)

Основная логика генерации SSQRs происходит офлайн и относится к компонентам, анализирующим качество и поведение (в патенте назван Search Quality Component).

• Анализ логов: Обработка исторических данных о запросах, результатах и взаимодействиях пользователей.
• Оценка успешности сессий: Определение «значимых» запросов (вероятно, с использованием метрик типа Профицит).
• Кластеризация поведения: Группировка запросов на основе схожести посещенных ресурсов.
• Генерация SSQRs: Вычисление популярности запросов внутри кластеров и определение уникальных уточняющих терминов.

QUERY PROCESSING – Понимание Запросов

На этом этапе система может анализировать входящий запрос на предмет наличия «маркерных терминов» (marker terms). Если запрос уже достаточно специфичен (содержит маркеры, явно указывающие на интент), механизм генерации SSQRs может не активироваться.

BLENDER / METASEARCH – Метапоиск и Смешивание / Генерация SERP

На этапе формирования выдачи система принимает решение о показе блока с уточнениями.

• Входные данные: Результаты ранжирования, набор сгенерированных SSQRs для данного запроса.
• Выходные данные: Инструкции для клиентского приложения по отображению SERP, включая результаты поиска и графические объекты (кнопки) для SSQRs, а также инструкции по обработке взаимодействий (предварительный выбор, клик, визуализация истории).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на широкие, общие или неоднозначные информационные и навигационные запросы (например, название бренда, имя знаменитости, широкая категория товара), где существует несколько различных направлений интереса.
• Пользовательский опыт (UX): Прямое влияние на то, как пользователи исследуют тему и находят нужную информацию, особенно на мобильных устройствах, где ввод текста затруднен.
• Распределение трафика: Влияет на распределение трафика между общим запросом и его уточнениями. Сайты, соответствующие популярным уточнениям, могут получать больше трафика через этот механизм.

Когда применяется

• Условия активации: Алгоритм активируется, когда исходный запрос не содержит достаточного количества «маркерных терминов», то есть является недостаточно специфичным.
• Триггеры: Наличие достаточного объема исторических данных о связанных запросах и поведении пользователей, позволяющего сформировать четкие кластеры и определить популярные уточнения.

Пошаговый алгоритм

Процесс А: Генерация SSQRs (Офлайн/Кэш)

1. Сбор данных: Сбор связанных запросов для исходного запроса (Q) из истории поиска (запросы, содержащие Q; запросы, заданные вскоре после Q).
2. Фильтрация (Определение успешности): Анализ поведенческих данных (клики, время на сайте, возвраты) для связанных запросов. Отбор только «значимых» (успешных) запросов.
3. Группировка (Поведенческая кластеризация): Группировка значимых запросов на основе общности посещенных ресурсов. Если пользователи по запросам Q1 и Q2 часто переходят на одни и те же ссылки, Q1 и Q2 попадают в одну группу.
4. Определение популярности групп: Ранжирование групп по суммарной популярности входящих в них запросов. Выбор Топ-N групп.
5. Определение SSQR для группы:
   1. Ранжирование запросов внутри группы по популярности.
   2. Выбор самого популярного запроса.
   3. Удаление из него терминов исходного запроса (Q) и стоп-слов.
   4. Анализ оставшихся терминов и выбор наиболее уникального термина по сравнению с SSQRs других групп. Этот термин становится SSQR для данной группы.

Процесс Б: Обработка запроса и отображение (Онлайн)

1. Получение запроса: Пользователь вводит запрос Q.
2. Анализ специфичности: Система проверяет наличие маркерных терминов. Если их нет, активируется механизм SSQR.
3. Извлечение SSQRs: Система извлекает подготовленный набор SSQRs для запроса Q.
4. Генерация SERP: Система отправляет клиенту результаты поиска и инструкции по отображению SSQRs в виде кнопок под строкой поиска.
5. Взаимодействие (Tentative Selection): При наведении курсора на кнопку клиент может отображать в поисковой строке потенциальный уточненный запрос.
6. Уточнение (Selection): При клике на кнопку формируется уточненный запрос, и клиент отправляет запрос на получение новых результатов.
7. Обновление SERP: Отображаются результаты для уточненного запроса. Нажатая кнопка визуально выделяется (Visual Representation of Refinement Relationship). Могут быть показаны новые SSQRs для дальнейшего уточнения.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Критически важны для всего процесса. Используются данные из логов поисковых сессий:
  • Клики по результатам поиска (для определения успешности запроса).
  • Время, проведенное на сайте (Dwell Time) (для определения успешности).
  • Последовательности запросов в рамках одной сессии (для поиска связанных запросов).
  • Посещенные URL (для группировки запросов по поведенческой схожести).
• Контентные факторы (Текстовые): Тексты исторических поисковых запросов используются для определения связанных запросов и извлечения уточняющих терминов.
• Пользовательские факторы (Опционально): В патенте упоминается возможность использования информации о пользователе (история поиска, демография) для персонализации SSQRs.
• Технические факторы (Опционально): Информация о клиентском приложении и устройстве также может использоваться для адаптации SSQRs.

Какие метрики используются и как они считаются

• Успешность запроса (Meaningful Query Score): Метрика, определяющая, нашел ли пользователь искомую информацию. Рассчитывается на основе анализа поведения пользователя на SERP (клики, время, последующие запросы).
• Поведенческая схожесть запросов: Метрика, основанная на степени пересечения интернет-ресурсов, которые посещали пользователи после ввода этих запросов. Используется для кластеризации.
• Популярность запроса/группы: Частота использования запроса в логах или суммарная частота запросов в группе. Используется для выбора наиболее важных уточнений.
• Уникальность термина (Uniqueness): Метрика, оценивающая, насколько хорошо термин дифференцирует один кластер от других. Используется для выбора финального слова для SSQR.

Выводы

1. Приоритет успешных сессий: Яндекс определяет направления для уточнения запроса, анализируя только те исторические запросы, которые привели к удовлетворению пользователя («значимые запросы»). Неудачные поиски игнорируются при генерации подсказок.
2. Поведенческая кластеризация интентов: Группировка запросов основана не на их текстовой близости, а на том, приводят ли они пользователей к одним и тем же ресурсам. Это ключевой механизм для понимания реальных интентов пользователя.
3. Важность популярности и уникальности: Для формирования подсказок выбираются термины из самого популярного запроса в кластере, при условии, что эти термины достаточно уникальны, чтобы четко разграничить кластеры между собой.
4. Интерактивное уточнение как стандарт UX: Патент закрепляет механизм отображения уточнений вне поисковой строки и визуализации истории выбора. Это подтверждает важность такого UX-паттерна для управления поисковой сессией пользователя.
5. Зависимость от данных: Эффективность системы напрямую зависит от объема и качества накопленных поведенческих данных. Для новых или редких тем механизм может не работать эффективно.

Практика

Best practices (это мы делаем)

• Оптимизация под успешные сессии (Профицит): Поскольку система опирается на «значимые» запросы, критически важно максимизировать позитивные поведенческие сигналы (высокий CTR, низкий процент отказов, длительное время на сайте). Ваш сайт должен решать задачу пользователя, чтобы ассоциироваться с успешными сессиями в данных Яндекса.
• Анализ поведенческих кластеров (SERP Similarity): Изучайте, какие запросы Яндекс считает связанными на практике. Анализируйте пересечение выдачи по разным запросам. Если ваш сайт релевантен нескольким запросам, которые ведут на общие ресурсы, это усиливает вашу позицию в кластере, который может быть выбран для SSQR.
• Построение Topical Authority: Создавайте контент, который покрывает основные направления интереса пользователей в рамках широкой темы. Если пользователи ищут, а затем и, убедитесь, что ваш ресурс авторитетно отвечает на все эти интенты, чтобы стать целевым ресурсом для поведенческих кластеров.
• Идентификация ключевых дифференцирующих терминов: Определите, какие уникальные термины отличают один интент от другого в вашей нише (например, «отзывы», «цена», «инструкция»). Анализируйте подсказки Яндекса по широким запросам. Убедитесь, что эти термины присутствуют в вашем контенте и структуре сайта, так как именно они могут быть выбраны в качестве SSQR.

Worst practices (это делать не надо)

• Привлечение нецелевого трафика: Привлечение пользователей по широким запросам без удовлетворения их конечного интента приведет к негативным поведенческим сигналам. Это снизит вероятность того, что связанные запросы будут считаться «значимыми», и уменьшит видимость в блоках уточнений.
• Игнорирование смежных интентов: Фокусировка только на одном узком интенте без учета того, как пользователи исследуют тему шире. Если ваш сайт не соответствует популярным поведенческим кластерам, он не получит трафика от уточненных запросов.
• Манипуляции поведенческими факторами: Попытки искусственно симулировать успешные сессии могут быть неэффективны, так как система анализирует сложные паттерны поведения, включая последующие действия и посещение общих ресурсов, что сложно подделать в масштабе.

Стратегическое значение

Патент подтверждает стратегический фокус Яндекса на анализе реального поведения пользователей для понимания и структурирования информации. Он показывает, как Яндекс переходит от анализа отдельных запросов к анализу кластеров интентов, основанных на успешных сессиях. Для SEO это означает, что стратегически важно не просто ранжироваться по запросу, а стать предпочтительным ответом для целого кластера задач. Успех определяется способностью сайта постоянно генерировать успешные сессии по широкому спектру поведенчески связанных запросов.

Практические примеры

Сценарий: Оптимизация сайта о путешествиях по запросу «Турция».

1. Анализ (Как работает Яндекс): Пользователь вводит «Турция». Яндекс анализирует историю. Успешные связанные запросы включают «Турция отели все включено», «Турция погода сейчас», «Турция достопримечательности Стамбула».
2. Кластеризация: Формируются поведенческие кластеры на основе общих кликов: (1) Отели/Туры, (2) Погода, (3) Достопримечательности.
3. Генерация SSQR: Определяются популярные и уникальные дифференциаторы: «Отели», «Погода», «Достопримечательности». Они отображаются как кнопки на SERP.
4. Действия SEO-специалиста:
   • Убедиться, что сайт имеет сильные разделы, соответствующие этим трем основным кластерам.
   • Оптимизировать страницы под поведенческие факторы, чтобы пользователи, приходящие по запросам из этих кластеров, завершали сессию успешно (например, находили отель или читали про погоду).
   • Использовать ключевые дифференцирующие термины («Отели», «Погода») в структуре и контенте, чтобы усилить связь с соответствующими кластерами.
5. Ожидаемый результат: Сайт становится целевым ресурсом для одного или нескольких поведенческих кластеров. Когда пользователь кликает на кнопку уточнения (например, «Отели»), сайт ранжируется высоко в уточненной выдаче, так как он ассоциирован с успешными сессиями по этому интенту.

Вопросы и ответы