查詢擴張指的是:一個頁面在若干查詢上獲得排名和點選之後,Google 開始在這個頁面從未針對過的相鄰查詢上展示它;這些新增曝光維持一段時間後,大部分回縮,少部分留存。整個過程由兩層系統分工完成:一層負責泛化出新查詢上的展示資格,一層負責用行為資料決定資格是否保留。
NavBoost 只負責記憶,不負責擴張
NavBoost 是一個記憶系統。它以滾動 13 個月為視窗,儲存聚合的使用者互動資料,按 query、document、locale 三個維度鍵控。洩露文件給出的核心欄位是 goodClicks(點選後未快速返回 SERP)、badClicks(快速彈回)、lastLongestClick(同一搜尋會話中停留最久的結果)。它在排名管線中的位置靠前:初始檢索產出數萬候選文件後,NavBoost 用歷史點選記錄把候選集篩到幾百,再交給後續模型。
關鍵在鍵控方式。按 query-doc 對儲存的系統,主要對它記錄過的配對起作用。頁面從未出現過的查詢,在 NavBoost 裡沒有對應條目,歷史行為訊號無法被直接利用——即便存在查詢改寫、查詢聚類之類的機制讓相近查詢共享部分統計,那也是借用鄰近配對的記錄,而不是這個配對自己產生了資料。所以把頁面推向陌生查詢的主要力量,不來自這一層。NavBoost 的職能在擴張發生之後:新查詢上一旦產生點選,記錄開始寫入,配對逐漸固化。
擴張發生在嵌入層
DOJ 補救階段的物證描述了 RankEmbed(及其迭代 RankEmbedBERT):雙編碼器模型,查詢和文件被編碼進同一個向量空間,召回和排序基於點積,即空間中的距離。訓練資料是點選和查詢資料——每次使用者互動構成一個訓練樣本:對這個查詢,使用者認為這個結果最相關。
擴張機制可以從這個架構中匯出。訓練樣本是具體的 query-doc-點選結果,但模型學到的是文件在空間中的位置。需要說清一點:訓練不是對單個頁面做增量累加,而是整個模型的週期性重訓。頁面在一批語義相鄰的查詢上持續產生的正向互動,會作為訓練樣本進入下一輪重訓;模型更新後,頁面在向量空間中的位置可能隨之調整,向這批查詢所在的區域靠近。位置一旦移動,任何落入同一鄰域的查詢——包括頁面從未出現過、正文從未包含過的查詢——都能通過距離計算召回這個頁面。文件 embedding 是否隨線上點選移動、以何種節奏移動,沒有任何公開材料直接確認;但只要訓練資料來自真實點選、召回基於距離,這個傳導路徑就是架構的自然推論。
所以擴張不是一個決策,是一個幾何後果:距離縮短,召回自動發生。
時間形態也由此決定。如果位置更新發生在週期性重訓之後,那麼它是離散跳變而非連續滑動,擴張就應當以批次到達。這與普遍的觀察一致:GSC 裡的新查詢是一整片同時出現,而不是逐日遞增——批量出現的形態,比實時更新更符合週期性模型更新的解釋。
無歷史查詢上的展示靠先驗預測
新查詢上頁面沒有任何點選記錄,系統拿什麼決定給不給展示?專利 US 8,938,463 提出的機制是:對沒有使用者選擇記錄的結果,用相關資料構建先驗模型,預測其隱式反饋,以預測值頂替缺失的記錄參與排序。專利描述不等於當前生產環境的實現,但它與新查詢冷啟動階段的可觀察現象是一致的:沒有歷史的配對確實獲得了展示,說明有某種預測性機制在頂替缺失的行為資料。
預測帶有不確定性,這與初始曝光的常見形態相符:一批相鄰查詢同時放出,位置多在第一頁末端到第二頁附近。沒有證據表明這個位置是刻意安排的取樣點——它更可能只是預測分數的自然落點。但客觀效果是一樣的:這個區間既提供有限曝光,又能收集真實行為反饋,天然構成一個驗證位。
驗證與回縮
預測開啟一個驗證視窗,真實行為向視窗內寫入。底層邏輯來自專利 US 8,661,029:按查詢追蹤使用者選擇,長時間瀏覽與短時間瀏覽的比值構成相關性度量,用於該查詢後續結果的重排。視窗的結局只有三種:
一,點選達到或超過該位置的預期基線,新的 query-doc 對寫入 NavBoost 記憶,位置固化,查詢留存。二,點選顯著低於位置基線,預測被證偽,曝光收回。三,查詢頻次太低,視窗期內湊不出統計意義的資料量,測試位讓給下一個候選。
低量查詢的深位置曝光,注意力稀缺,第二和第三種是預設結局。這就是整體形態呈現”鋪開—回縮”的原因:批量授予的展示資格,絕大多數在驗證中失效,少數被行為資料確認的查詢固定下來。
回縮因此不是降權。它是預測向證據迴歸——探索(exploration)讓位於證據,證據決定利用(exploitation):系統先假設頁面可能相關,證據沒有出現,假設撤銷。頁面本身沒有被判定為差,只是該配對上確認資料缺席。而留存下來的查詢,是被行為資料實測確認的擴張邊界。
迴圈
固化下來的新查詢本身又成為下一輪訓練資料:新的正向互動進入後續重訓,可能繼續調整文件的嵌入位置,向外開啟下一圈鄰域,新一批預測性曝光隨之放出,再經歷同樣的驗證。擴張就是這個迴圈的迭代:嵌入層泛化出資格,行為層裁決資格,裁決結果反饋回嵌入層。每一圈的邊界都由真實點選劃定,所以擴張半徑最終受限於一個外部條件——這片鄰域的查詢本身是否還有點選供給。已有多項研究證實 AI Overviews 顯著降低了資訊型查詢的點選率,而擴張恰恰執行在資訊型長尾地帶;如果一片鄰域的點選量被顯著壓縮,那麼可用於驗證的行為資料同樣被壓縮,擴張在這裡固化的機會理論上隨之下降——曝光照常放出,驗證湊不齊資料,資格按期收回。這不是頁面的問題,是該查詢地帶可供採集的行為證據變稀薄了。反之,在使用者必須點選才能完成意圖的查詢上(選品、對比、需要圖表和深度的場景),點選供給完整,迴圈閉合,擴張能夠一圈一圈固化下去。
概括整條邏輯:嵌入距離給出假設,先驗預測給出初始曝光,使用者行為給出裁決,NavBoost 記憶固化裁決結果,固化結果進入重訓、更新嵌入距離。曝光的突漲是假設批量放出,回縮是假設批量證偽,留存是證據。這個迴路的每一個元件——NavBoost 的記憶結構、RankEmbed 的雙編碼器架構、先驗預測專利、點選比值重排專利——都有公開材料支撐;把它們連成完整閉環的各條連線,則是從架構匯出的推理,Google 從未端到端地確認過這張圖。
獨立Google SEO專家，ylsseo.com創始人，基於Google專利、IR與API Leak解讀排名機制，中文SEO啟蒙第一人。