Система и способ ранжирования результатов поиска

Система и способ ранжирования результатов поиска

Иллюстрации

Показать все

Реферат

ОБЛАСТЬ ТЕХНИКИ

[01] Настоящая технология относится к области поисковых систем в общем смысле, и в частности к способу и устройству ранжирования результатов поиска.

УРОВЕНЬ ТЕХНИКИ

[02] Интернет предоставляет доступ к широкому спектру ресурсов, например, видеофайлам, файлам изображений, аудио-файлам или веб-страницам, содержащим контент по специфическим тематикам, референсные и новостные статьи. Типичный пользователь может выбирать конкретный веб-ресурс, доступ к которому он желает совершить, используя браузерное приложение, выполняемое на электронном устройстве: настольном компьютере, ноутбуке, планшете или смартфоне. Существует ряд коммерчески доступных браузеров для выполнения этой функции, например, браузер GOOGLE CHROME, браузер INTERNET EXPLORE, браузер YANDEX и так далее. Пользователь может ввести единый указатель ресурса (URL) для того веб-ресурса, который он желает посетить, или, альтернативно, пользователь может выбрать (щелкнуть или иным образом активировать) гиперссылку на URL веб-ресурса, который он желает посетить.

[03] Приведенный выше подход работает, когда пользователь заранее (apriori) знает, какой веб-ресурс он хочет посетить. Например, если пользователь заранее (apriori) знает, что он хочет получить доступ к веб-сайту Royal Bank of Canada, он может ввести в выбранный им браузер URL, связанный с Royal Bank of Canada, например, www.rbc.com.

[04] Однако, данный пользователь может не знать конкретного веб-ресурса, к которому он хочет получить доступ, но может знать тип информации, который ищет. При таких обстоятельствах пользователь может использовать так называемую поисковую систему, чтобы найти один или несколько веб-ресурсов, предоставляющие информацию, в которой заинтересован пользователь. Для этого пользователь может ввести «поисковый запрос», и поисковая система возвращает ранжированный список результатов поиска, которые отвечают на поисковый запрос, в виде страницы результатов поиска (или, сокращенно, SERP).

[05] На Фиг. 9 предоставлен снимок 9100 экрана типичной SERP, представляемой поисковой системой известного уровня техники, в данном случае, поисковая система представлена поисковой системой YANDEX, предоставленной ООО «Яндекс», Россия, 119021, Москва, улица Льва Толстого, 16. С иллюстративными целями поисковая система, с помощью которой был создан снимок 9100 экрана, реализуется на настольном компьютере.

[06] В рамках проиллюстрированного примера пользователь ввел в интерфейс 9102 поискового запроса поисковой системы поисковый запрос «ecuador», вероятно, интересуясь информацией, связанной с Эквадором. Как будет понятно, поисковый запрос «ecuador» не обладает четким поисковым намерением, поскольку пользователь, который ввел такой запрос, может интересоваться информацией о стране Эквадор, о песне «Ecuador» исполнителя Sash!, новостями об Эквадоре или изображениями эквадорской природы.

[07] Поисковый запрос, введенный в интерфейс поискового запроса, передается серверу поисковой системы (не изображен), и сервер поисковой системы выполняет поиск и возвращает данные для создания SERP 9104. SERP 9104 выполнена с возможностью передавать пользователю один или несколько результатов поиска. Эти результаты поиска, а также их представление, будут различаться, но в общем случае и исключительно в качестве примера они могут включать в себя: первый результат 9106 поиска, второй результат 9108 поиска, третий результат 9110 поиска и множество дополнительных результатов 9112 поиска. Некоторые из этих результатов поиска могут рассматриваться как «результаты веб-поиска», а некоторые их этих результатов поиска могут рассматриваться как «результаты вертикального поиска». Результаты вертикального поиска (например, первый результат 9106 поиска и третий результат 9110 поиска) являются поисковыми результатами, возвращенными модулем веб-поиска и, в общем случае, веб-ресурсами, доступными в сети интернет (в этих случаях, это русскоязычная статья об Эквадоре на WIKIPEDEA и статья об Эквадоре на Lonely Planet, соответственно). Результаты вертикального поиска (например, второй результат 9108 поиска) являются результатами поиска, возвращенными одним или несколькими модулями вертикального поиска поисковой системы (в этом случае второй результат 9108 поиска реализован как «виджет», представляющий результаты видео вертикали, т.е. одного или нескольких видео, которые отвечают на поисковый запрос «ecuador»).

[08] Опционально SERP 9104 может включать в себя карточку 9114 объекта. Карточка 9114 объекта обычно представлена тогда, когда поисковая система определила, что поисковый запрос связан с «объектом», причем объект обычно включает в себя или личность (актера, певца, политика и так далее), или достопримечательность (например, мост, музей, концертный зал, вокзал и так далее), или любое другое явление (например, кино, пьесу и так далее).

[09] SERP 9104 может также включать в себя активатор 9120 вертикального домена, причем этот активатор выполнен с возможностью позволять пользователю выбрать (или изменить) конкретный поисковый домен - в приведенном примере пользователь может инициировать переключение SERP 9104 с текущего «веб»-просмотра результатов поиска на один или несколько вертикальных доменов, включая: «карты», «изображения», «новости», «видео» и так далее. Число и конкретные типы вертикальных доменов могут различаться, но вертикальные домены позволяют пользователю переключаться на конкретный тип результатов поиска. Например, если пользователь был заинтересован в просмотре изображений Эквадора, пользователь может переключиться на вертикаль «изображений», что инициирует изменение SERP 9104 для представления пользователю результатов поиска из вертикали «изображений», причем результаты поиска являются изображениями, которые отвечают на результат поиска «ecuador».

[10] Очевидно, что результаты поиска, показанные как часть множества дополнительных результатов 9112 поиска, не являются всеми поисковыми результатами, которые создала поисковая система в ответ на поисковый запрос. Напротив, множество дополнительных результатов 9112 поиска включает в себя намного больше результатов поиска, которые не видны на снимке 9100 экрана из-за ограничений доступного пространства монитора электронного устройства. Кроме того, поисковые системы обычно «делят» результаты поиска на несколько экранов, и для этого предоставляется активатор 9116 прокручивания, чтобы переключаться на «следующую» часть SERP 9104. Активатор 9116 прокручивания может быть стрелочкой, цифровым указателем экранов в пределах SERP 9104 и так далее.

[11] Одной из технических сложностей в работе сервера поисковой системы является выбор и ранжирование результатов поиска для создания SERP 9104, которая потребует минимальных затрат времени пользователя. Это значит, что цель поисковых систем - поместить наиболее релевантные результаты поиска (т.е. результаты поиска, которые наиболее вероятно удовлетворят пользовательское поисковое намерение) ближе к «верху» SERP 9104. Другими словами, результаты поиска, представленные на более высоких позициях на SERP 9104 (т.е. первые N номеров результатов поиска, показанных на первой странице SERP 9104), должны удовлетворить поисковое намерение пользователя. В данной области техники существует общепринятое мнение, что, если пользователь должен «прокручивать» результаты поиска до второй, третьей и т.д. страницы SERP 9104, «качество» SERP 9104 расценивается как более низкое, чем желаемое.

[12] В поисковых системах используются различные техники и алгоритмы для ранжирования результатов поиска. Обычно для ранжирования результатов поиска SERP 9104 используется алгоритм машинного обучения. Для ранжирования результатов поиска доступны различные техники. Как пример, некоторые способы ранжирования результатов в соответствии с их релевантностью основаны на всех или некоторых из следующих критериев: (i) популярность данного поискового запроса или ответа на него в других предыдущих поисках (веб или вертикальных); (ii) число результатов, возвращенных модулями вертикального или веб-поиска; (iii) включает ли в себя поисковый запрос какие-либо ключевые термины (например, «изображения», «видео», «погода» или т.п.), (iv) насколько часто конкретный поисковый запрос включает в себя ключевые термины при вводе его другими пользователями; (v) насколько часто другие пользователи при выполнении аналогичного поиска выбирали конкретный ресурс или конкретные результаты вертикального поиска, когда результаты были представлены на SERP 9104.

[13] Одним из параметров, используемых для алгоритмов предварительного ранжирования, особенно для ранжирования результатов вертикального поиска относительно результатов веб-поиска, является «параметр полезности». Типичная система известного уровня техники может ранжировать результаты поиска на основе анализа показателя кликабельности (отношения количества щелчков (кликов) к количеству показов, CTR) первого результата поиска (наиболее высоко ранжированного результата поиска, который часто является результатом вертикального поиска), часто обозначаемого как "win", и второго результата поиска (следующего сразу после первого результата поиска, и который часто (но не обязательно) является результатом веб-поиска), часто обозначаемого как "loss". Типично используемая функция выглядит так: "S(ƒ, iw) - win - loss", где ƒ - факторы ранжирования, a iw - параметр, который указывает позицию данного результата поиска. Факторы ранжирования могут включать в себя одно или несколько из: вероятность встречаемости слова, поведенческие шаблоны, персонализированные параметры, соответственно связанные с первым результатом поиска и вторым результатом поиска. Параметр iw может включать в себя ранг первого результата поиска и второго результата поиска, связанный с ним вес намерения (т.е. параметр, указывающий необходимость потенциального пользователя в результате поиска конкретной категории - изображения, видео, карт, новостей, и т.д.).

[14] В рамках известного уровня техники алгоритм машинного обучения обучен прогнозировать параметр полезности. Алгоритм машинного обучения обучен использовать: (i) как параметры ввода, ранг результата поиска и связанные факторы ранжирования, причем связанные факторы ранжирования были определены на основе анализа предыдущих поисковых сессий (т.е. из истории), осуществляемых другими пользователями; (ii) как отмеченные ответы - значение CTR для данного положения на SERP.

[15] Как часть обучения алгоритма машинного обучения, алгоритм машинного обучения устанавливает взаимоотношения между (i) значением функции параметра полезности "S(ƒ, iw) - win - loss" с одной стороны и (ii) факторами ранжирования (включая фактор iw) с другой стороны. Формула параметра полезности затем используется для выбора конкретной позиции для данного результата вертикального поиска в пределах SERP, причем конкретная позиция выбирается таким образом, чтобы максимизировать параметр полезности для данного результата вертикального поиска.

[16] В патенте США 8,706,725 раскрыты способы переранжирования документов на основе факторов, специфичных для пользователя. Результаты поиска получения с помощью неконтекстуальной системы ранжирования таким образом, что результаты поиска не специфичны по отношению к конкретному пользователю, например, пользователю, который ввел поисковый запрос. Получают контекстуальные сигналы, предоставляющие специфичные для пользователя факторы, которые используются для переранжирования документов таким образом, что наиболее важные и релевантные документы перечислены сверху в списке результатов поиска. Каждый из факторов, специфичных для пользователя, оценивается и сравнивается для определения новой позиции каждого документа. Затем на основе новых позиций создается набор контектуальных результатов поиска.

[17] В патенте США 8,650,173 раскрыты технологии для размещения результатов поиска на странице результатов поиска (SERP). Может быть получен запрос. Запрос может быть передан множеству поставщиков результатов поиска. От поставщиков результатов поиска могут быть получены первый набор результатов поиска и второй набор результатов поиска. Из первого набора результатов поиска могут быть извлечены факторы намерения. На основе извлеченных факторов намерения можно сделать вывод о намерении пользователя во втором наборе результатов поиска. Первый набор результатов поиска и второй набор результатов поиска могут быть ранжированы на основе спрогнозированного пользовательского намерения. SERP может быть отображена в соответствии с ранжированными первым набором и вторым набором результатов поиска.

[18] В патенте США 7,698,331 раскрыта система создания списка результатов поиска в ответ на поисковый запрос от лица, проводящего поиск с использованием компьютерной сети. Ведется первая база данных, которая включает в себя первое множество поисковых позиций. Ведется вторая база данных, которая включает в себя документы, обладающие общим веб-контентом. От лица, производящего поиск, получают поисковый запрос. Из первой базы данных, обладающих документами, совпадающими с поисковым запросом, идентифицируется первый набор поисковых позиций, а из второй базы данных, обладающей документами, совпадающими с поисковым запросом, идентифицируется второй набор поисковых позиций. Определяется степень уверенности для каждой позиции из первого набора поисковых позиций, причем степень уверенности определяется в соответствии с релевантностью каждой позиции при сравнении с позициями второго набора поисковых позиций. Идентифицированные поисковые позиции из первого набора поисковых позиций расположены в соответствии, по меньшей мере частично, со степенью уверенности для каждой поисковой позиции.

РАСКРЫТИЕ

[19] Задачей предлагаемого изобретения является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.

[20] Варианты осуществления настоящей технологии были разработаны с учетом понимания разработчиками по меньшей мере одной технической проблемы, связанной с подходами известного уровня техники к ранжированию результатов вертикального поиска на основе параметра полезности. Разработчики выяснили, что при определенных обстоятельствах CTR двух соседних результатов поиска может быть очень схожим друг с другом, и, таким образом, разница в значениях CTR может зависеть от соответствующего ранга не напрямую. Разработчики также определили, что при этих обстоятельствах подходы известного уровня техники могут быть неэффективны (или менее эффективны) при определении для данного результата вертикального поиска позиции SERP, на которой параметр полезности данного результата вертикального поиска максимизирован. Это может привести к созданию SERP, которая не оптимизирована для намерения поиска пользователя. А это, в свою очередь, может привести к необходимости ввода пользователем множества поисковых запросов (с пояснительными и/или уточнительными и/или переформулированными поисковыми терминами) для получения информации, которую пользователь искал с самого начала. Это может привести к некоторым проблемам. Во-первых, это накладывает ограничения на вычислительные ресурсы поисковой системы из-за необходимости обработки множество поисковых запросов. Во-вторых, это накладывает ограничения на скорость соединения между пользовательским электронным устройством и сервером, связанным с поисковой системой. И, наконец, в-третьих, что не менее важно, для электронных устройств, питающихся от аккумулятора, это приводит к излишнему расходу ресурса аккумулятора.

[21] Чтобы проиллюстрировать корень проблемы, обнаруженной разработчиками, и не ограничиваясь какой-то конкретной теорией, будет описана Фиг. 10, на которой изображен график 10200. График 10200 изображает отношение конкретного значения 9202 CTR к конкретному значению 9204 iw. Предположим, что существуют определенные взаимоотношения (на основе анализа поисковых данных из истории) между CTR и позицией данного результата поиска (т.е. параметра iw). Следовательно, может быть составлено два графика - график первого результата поиска, изображенный на Фиг. 10 как 10206 и график второго результата поиска, изображенный на Фиг. 10 как 10208. График 10206 первого результата поиска и график 10208 второго результата поиска связаны, соответственно, с первым результатом поиска и со вторым результатом поиска, упомянутыми выше. Таким образом - можно сказать, что первый результат является результатом поиска, который был «оптимизирован» (т.е. первый результат является результатом вертикального поиска, для которого позиция на SERP была оптимизирована), а второй результат поиска является результатом поиска, следующим сразу после первого результата поиска.

[22] В пределах изображенной иллюстрации график 10210 параметра полезности (определенный с помощью формулы, использующейся на известном уровне техники, упомянутой выше) обладает нечетко выраженным максимумом на позициях 4-8 результатов поиска. При некоторых других обстоятельствах параметр полезности может быть определен с использованием другого алгоритма (на основе ряда компонентов в дополнение к CTR), например, S(iw, ƒ)=Σ_ik_iT_i, и при этих обстоятельствах может существовать корреляция не только между значениями CTR, но также и среди других параметров, что делает максимум еще более «размытым». Это может привести к тому, что определение позиции SERP с самой высокой полезностью становится еще более сложным.

[23] Варианты осуществления настоящей технологии, в широком смысле, решают приведенные выше технические проблемы с помощью специализированного (или, иными словами, независимого) алгоритма машинного обучения для создания (т.е. прогнозирования) каждого из компонентов (т.е. компонентов win и loss), которые затем используются в функции создания параметра полезности. В соответствии с вариантами осуществления настоящей технологи первый алгоритм машинного обучения обучен прогнозировать первый компонент, который используется для определения параметра полезности, причем первый алгоритм машинного обучения использует первый набор факторов обучения, и этот первый набор факторов обучения включает в себя по меньшей мере один фактор ƒ, который используется для обучения функции полезности. Аналогично, второй алгоритм машинного обучения обучен прогнозировать второй компонент, который используется для определения параметра полезности, причем второй алгоритм машинного обучения использует второй набор факторов обучения, и этот второй набор факторов обучения включает в себя по меньшей мере один другой фактор ƒ, который используется для обучения функции полезности.

[24] В результате соответствующего обучения первого алгоритма машинного обучения и второго алгоритма машинного обучения создается набор значений для данного компонента (т.е. либо компонента win, либо компонента loss). Каждое значение соответствует фактору из набора факторов (например, p(ƒ, iw)). Используют таким образом определенные значения компонентов (опционально вместе с фактором ƒ как параметрами обучения функции полезности). В результате таким образом обученная функция полезности дает возможность спрогнозировать значения параметра полезности на основе значений компонентов win и loss.

[25] Варианты осуществления настоящей технологии дают возможность при использовании таким образом созданного параметра полезности определять параметр полезности на основе независимо спрогнозированных компонентов win и loss.

[26] Например, компонент win (который представляет кликабельность данного результата поиска на данной позиции SERP) дает возможность прогнозировать, насколько может быть полезен (т.е. интересен) данный результат поиска, связанный с данной позицией SERP. Высокое значение win указывает на результат поиска с относительно высоким потенциальным интересом (и, таким образом, его параметр полезности должен быть увеличен). Низкое значение win указывает на относительно низкий потенциальный интерес (и, таким образом, значение функции S(ƒ, iw) должно быть понижено). Используя формулу параметра полезности, может быть определена «наиболее подходящая» позиция на SERP - что может включать в себя выбор таких значений как iw, что максимизирует значение параметра полезности. Таким образом определенное значение iw (т.е. позиция на SERP) используется для размещения данного результата поиска.

[27] Первым объектом настоящей технологии является способ создания страницы результатов поиска (SERP). Способ выполняется на сервере, реализующем поисковую систему, причем сервер доступен по сети передачи данных по меньшей мере одному электронному устройству. Способ включает в себя: получение по меньшей мере от одного электронного устройства поискового запроса; создание списка результатов поиска, причем список результатов поиска включает в себя первый результат поиска и второй результат поиска, оба отвечающие на поисковый запрос; ранжирование списка результатов поиска таким образом, что в результате ранжирования первый результат поиска и второй результат поиска находятся на первой позиции SERP и второй позиции SERP соответственно, причем первая позиция SERP и вторая позиция SERP являются соседними друг с другом; ранжирование дает ранжированный список результатов поиска; прогнозирование первого параметра интереса для первого результата поиска, причем прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование второго параметра интереса для второго результата поиска, причем прогнозирование осуществляется на основе второго алгоритма машинного обучения, причем второй алгоритм машинного обучения отличается от первого алгоритма машинного обучения; прогнозирование параметра полезности для первого результата поиска, причем прогнозирование осуществляется на основе третьего алгоритма машинного обучения, и прогнозирование осуществляется по меньшей мере частично на основе первого параметра интереса и второго параметра интереса; корректировка позиции первого результата поиска в ранжированном списке результатов поиска на основе спрогнозированного параметра полезности, причем корректировка приводит к тому, что первый результат поиска оказывается на скорректированной позиции в ранжированном списке результатов поиска; создание SERP, включающей в себя первый результат поиска и второй результат поиска, причем первый результат поиска расположен на скорректированной позиции SERP.

[28] В некоторых вариантах осуществления способа первый результат поиска является результатом вертикального поиска.

[29] В некоторых вариантах осуществления способа второй результат поиска является результатом веб-поиска.

[30] В некоторых вариантах осуществления способа первый алгоритм машинного обучения и второй алгоритм машинного обучения обучены независимо друг от друга.

[31] В некоторых вариантах осуществления способа третий алгоритм машинного обучения был обучен с использованием параметров, спрогнозированных первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения.

[32] В некоторых вариантах осуществления способа параметры, спрогнозированные первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения, включают в себя первый фактор, указывающий отношение количества щелчков (кликов) к количеству показов данного результата поиска, и второй фактор, указывающий отношение количества щелчков (кликов) к количеству показов другого результата поиска, следующего по порядку ранжирования за данных результатом поиска.

[33] В некоторых вариантах осуществления способа третий алгоритм машинного обучения основан по меньшей мере частично на модифицированном алгоритме "win-loss".

[34] В некоторых вариантах осуществления способа корректировка позиции первого результата поиска также включает в себя дополнительную корректировку позиции второго результата поиска в соответствии со скорректированной позицией первого результата поиска.

[35] В некоторых вариантах осуществления способа список результатов поиска дополнительно включает в себя третий результат поиска, ранжированный на третьей позиции SERP, причем третья позиция SERP является соседней со второй позицией SERP, и способ дополнительно включает в себя: прогнозирование третьего параметра интереса для первого результата поиска для второй позиции SERP, причем прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование четвертого параметра интереса для третьего результата поиска, причем прогнозирование осуществляется на основе второго алгоритма машинного обучения; а также прогнозирование параметра полезности для первого результата поиска дополнительно включает в себя прогнозирование второго параметра полезности для первого результата поиска, причем прогнозирование осуществляется на основе третьего алгоритма машинного обучения и по меньшей мере частично на основе третьего параметра интереса и четвертого параметра интереса; а также корректировка позиции первого результата поиска дополнительно включает в себя выбор одной из: первой позиции SERP и второй позиции SERP для размещения первого результата поиска на основе сравнения параметра полезности и второго параметра полезности.

[36] В некоторых вариантах осуществления способа прогнозирование параметра полезности и прогнозирование второго параметра полезности выполняются, в основном, одновременно.

[37] В некоторых вариантах осуществления способа и первый параметр интереса, и второй параметр интереса являются соответствующим спрогнозированным отношением количества щелчков (кликов) к количеству показов данного результата поиска.

[38] Другим объектом настоящей технологии является способ создания страницы результатов поиска (SERP). Способ выполняется на сервере, реализующем поисковую систему, причем сервер доступен по сети передачи данных по меньшей мере одному электронному устройству; способ включает в себя: получение по меньшей мере от одного электронного устройства поискового запроса; создание списка результатов поиска, причем список результатов поиска включает в себя первый результат поиска, второй результат поиска и третий результат поиска, первый результат поиска является результатом вертикального поиска, а второй результат поиска и третий результат поиска являются результатами веб-поиска, а также и первый результат поиска, и второй результат поиска, и третий результат поиска отвечают на поисковый запрос; ранжирование второго результата поиска и третьего результата поиска в порядке ранжирования таким образом, что второй результат поиска находится на первой позиции ранжирования, а третий результат поиска находится на второй позиции ранжирования; первая позиция ранжирования и вторая позиция ранжирования являются соседними друг с другом; определение и для первой позиции ранжирования, и для второй позиции ранжирования соответствующего параметра полезности для первого результата поиска, причем определение выполняется с помощью: прогнозирования первого параметра интереса для первого результата поиска для соответствующей позиции: и для первой позиции ранжирования, и для второй позиции ранжирования, прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование второго параметра интереса для следующего результата поиска, прогнозирование осуществляется на основе второго алгоритма машинного обучения, причем второй алгоритм машинного обучения отличается от первого алгоритма машинного обучения; следующий результат поиска является соответствующим результатом из второго результата поиска и третьего результата поиска; прогнозирование соответствующего параметра полезности для первого результата поиска, прогнозирование осуществляется на основе третьего алгоритма машинного обучения, причем прогнозирование осуществляется по меньшей мере частично на основе первого параметра интереса и второго параметра интереса; выбор данной позиции из первой позиции ранжирования и второй позиции ранжирования для размещения первого результата поиска, причем данная позиция из первой позиции ранжирования и второй позиции ранжирования связана с наивысшим значением параметра полезности; создание SERP, включающей в себя первый результат поиска, размещенный на данной позиции из первой позиции ранжирования и второй позиции ранжирования.

[39] В некоторых вариантах осуществления способа первый алгоритм машинного обучения и второй алгоритм машинного обучения обучены независимо друг от друга.

[40] В некоторых вариантах осуществления способа третий алгоритм машинного обучения был обучен с использованием параметров, спрогнозированных первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения.

[41] В некоторых вариантах осуществления способа параметры, спрогнозированные первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения, включают в себя первый фактор, указывающий отношение количества щелчков (кликов) к количеству показов данного результата поиска, и второй фактор, указывающий отношение количества щелчков (кликов) к количеству показов другого результата поиска, следующего по порядку ранжирования за данных результатом поиска.

[42] В некоторых вариантах осуществления способа третий алгоритм машинного обучения основан по меньшей мере частично на модифицированном алгоритме "win-loss".

[43] В некоторых вариантах осуществления способа список результатов поиска дополнительно включает в себя четвертый результат поиска, который является еще одним результатом вертикального поиска, и в этом случае способ дополнительно включает в себя: и для первой позиции ранжирования и для второй позиции ранжирования определение соответствующего второго параметра полезности для четвертого результата поиска, причем при определении выполняется: прогнозирование первого параметра интереса для четвертого результата поиска на соответствующей позиции: и первой позиции ранжирования, и второй позиции ранжирования, причем прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование второго параметра интереса для следующего результата поиска, причем прогнозирование осуществляется на основе второго алгоритма машинного обучения, причем второй алгоритм машинного обучения отличается от первого алгоритма машинного обучения, а следующий результат поиска является соответствующим результатом из второго результата поиска и третьего результата поиска; прогнозирование соответствующего второго параметра полезности для четвертого результата поиска, причем прогнозирование осуществляется на основе третьего алгоритма машинного обучения и осуществляется по меньшей мере частично на основе первого параметра интереса и второго параметра интереса; а также выбор данной позиции из первой позиции ранжирования и второй позиции ранжирования включает в себя: выбор данной позиции из первой позиции ранжирования и второй позиции ранжирования для размещения первого результата поиска, причем данная позиция из первой позиции ранжирования и второй позиции ранжирования связана с наивысшим значением параметра полезности; выбор другой позиции из первой позиции ранжирования и второй позиции ранжирования для размещения четвертого результата поиска, причем другая позиция из первой позиции ранжирования и второй позиции ранжирования связана с наивысшим значением второго параметра полезности; а также создание SERP включает в себя: размещение первого результата поиска на данной позиции из первой позиции ранжирования и второй позиции ранжирования; размещение четвертого результата поиска на другой позиции из первой позиции ранжирования и второй позиции ранжирования.

[44] Другим объектом настоящей технологии является сервер, включающий в себя: носитель информации; сетевой интерфейс, выполненный с возможностью передачи данных по сети передачи данных; процессор, функционально подключенный к носителю информации и сетевому интерфейсу, процессор выполнен с возможностью осуществлять: получение по меньшей мере от одного электронного устройства поискового запроса; создание списка результатов поиска, причем список результатов поиска включает в себя первый результат поиска и второй результат поиска, оба отвечающие на поисковый запрос; ранжирование результатов поиска таким образом, что в результате ранжирования первый результат поиска и второй результат поиска находятся на первой позиции SERP и второй позиции SERP соответственно, причем первая позиция SERP и вторая позиция SERP являются соседними друг с другом; ранжирование, дающее ранжированный список результатов поиска; прогнозирование первого параметра интереса для первого результата поиска, причем прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование второго параметра интереса для второго результата поиска, причем прогнозирование осуществляется на основе второго алгоритма машинного обучения, причем второй алгоритм машинного обучения отличается от первого алгоритма машинного обучения; прогнозирование параметра полезности для первого результата поиска, причем прогнозирование осуществляется на основе третьего алгоритма машинного обучения, и прогнозирование осуществляется по меньшей мере частично на основе первого параметра интереса и второго параметра интереса; корректировка позиции первого результата поиска в ранжированном списке результатов поиска на основе спрогнозированного параметра полезности, причем корректировка приводит к тому, что первый результат поиска оказывается на скорректированного позиции в ранжированном списке результатов поиска; создание SERP, включающей в себя первый результат поиска и второй результат поиска, причем первый результат поиска расположен на скорректированной позиции на SERP.

[45] В некоторых вариантах осуществления сервера первый результат поиска является результатом вертикального поиска.

[46] В некоторых вариантах осуществления сервера второй результат поиска является результатом веб-поиска.

[47] В некоторых вариантах осуществления сервера первый алгоритм машинного обучения и второй алгоритм машинного обучения обучены независимо друг от друга.

[48] В некоторых вариантах осуществления сервера третий алгоритм машинного обучения был обучен с использованием параметров, спрогнозированных первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения.

[49] В некоторых вариантах осуществления сервера параметры, спрогнозированные первым алгоритмом машинного обучения и вторым алгоритмом машинного обучения, включают в себя первый фактор, указывающий отношение количества щелчков (кликов) к количеству показов данного результата поиска, и второй фактор, указывающий отношение количества щелчков (кликов) к количеству показов другого результата поиска, следующего по порядку ранжирования за данных результатом поиска.

[50] В некоторых вариантах осуществления сервера третий алгоритм машинного обучения основан по меньшей мере частично на модифицированном алгоритме "win-loss".

[51] В некоторых вариантах осуществления сервера для корректировки позиции первого результата поиска процессор выполнен с возможностью дополнительно корректировать позицию второго результата поиска в соответствии со скорректированной позицией первого результата поиска.

[52] В некоторых вариантах осуществления сервера список результатов поиска дополнительно включает в себя третий результат поиска, ранжированный на третьей позиции SERP, причем третья позиция SERP является соседней со второй позицией SERP, и процессор выполнен с дополнительной возможностью осуществлять: прогнозирование третьего параметра интереса для первого результата поиска для второй позиции SERP, причем прогнозирование осуществляется на основе первого алгоритма машинного обучения; прогнозирование четвертого параметра интереса для третьего результата поиска, причем прогнозирование осуществляется на основе второго алгоритма машинного обучения; а также для прогнозирования параметра полезности для первого результата поиска процессор выполнен с дополнительной возможностью осуществлять прогнозирование второго параметра полезности для первого результата поиска, причем прогнозирование осущес