Как Google использует контекст пользователя и интерактивное уточнение для обучения моделей поиска

Термины и определения

Confidence (Уверенность / Значимость)

Вес или значение, присвоенное конкретному критерию поиска. Выбор пользователем критерия изменяет его confidence (обычно повышает).

Machine-Learning Component (Компонент машинного обучения)

Часть поискового движка, которая изменяется на основе выбора пользователя и его реакции на уточненные результаты для улучшения будущих поисков.

Multiple Search Criteria (Множественные критерии поиска)

Набор различных критериев, используемых в одном поисковом запросе, часто с разной степенью confidence.

Passive Search Criteria (Пассивные критерии поиска)

Критерии, определенные системой на основе действий или контекста пользователя (например, чтение статьи, совершение звонка) без явного ввода запроса.

Positive or Negative Indication (Положительная или отрицательная индикация)

Обратная связь от пользователя относительно желательности Refined Search Results. Положительная: клик по результату, взаимодействие. Отрицательная: игнорирование, выбор другого критерия, ввод нового запроса.

Refined Search Results (Уточненные результаты поиска)

Новый набор результатов, сгенерированный после того, как пользователь выбрал один из Selectable Items.

Selectable Items (Выбираемые элементы)

Интерфейсное представление Search Criteria, позволяющее пользователю выбрать один из них для уточнения поиска. Может быть реализовано как выделение текста в документе или другие элементы управления.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс контекстного пассивного поиска и его уточнения между приложениями.

1. Система отображает текст в первом приложении (App 1).
2. Система пассивно получает критерии поиска из этого текста и контекста (история/устройство).
3. Генерируются первоначальные результаты поиска.
4. Система представляет Selectable Items путем выделения и возможности выбора части текста в App 1.
5. Система получает выбор пользователя.
6. Генерируются Refined Search Results на основе выбранного и других критериев.
7. Без явного запроса пользователя система выбирает второе приложение (App 2) и представляет уточненные результаты в его области экрана.

Claim 2 (Зависимый от 1): Уточняет, какие критерии предлагаются для выбора.

Выбираемые элементы ассоциированы с критериями с более низкой уверенностью (lower-confidence search criteria). Критерии с высокой уверенностью могут не быть доступны для выбора. Это позволяет пользователю скорректировать систему, если она неверно определила приоритеты.

Claim 5 (Зависимый от 1): Детализирует механизм взвешивания.

Исходный поиск использует разные степени уверенности (varying confidence). Уточненный поиск присваивает более высокую confidence выбранному критерию по сравнению с первоначальным поиском.

Claim 10 (Независимый пункт): Описывает процесс обратной связи и машинного обучения.

1. Система получает выбор одного критерия пользователем (критерий ранее использовался для генерации результата без явного запроса).
2. Система получает Positive or Negative Indication для Refined Search Result.
3. Система изменяет поисковый движок (Alter the Search Engine) на основе выбранного критерия, набора множественных критериев и полученной индикации.

Claim 17 (Независимый пункт, Система): Описывает систему, реализующую механизм Claim 1 и 10.

Система выполняет пассивный поиск, позволяет пользователю уточнить его через выбор критерия, получает индикатор желательности результата и изменяет поисковый движок на основе этого взаимодействия, что влияет на будущие поиски по тем же критериям.

Где и как применяется

Изобретение затрагивает этапы понимания контекста, генерации результатов и использования обратной связи для переобучения моделей.

INDEXING – Индексирование и извлечение признаков
Косвенно. Система должна уметь извлекать сущности и темы (которые становятся Search Criteria) из контента (веб-страниц, писем, документов) для последующего использования в пассивном поиске.

QUNDERSTANDING – Понимание Запросов (и Контекста)
Основное применение. Система интерпретирует контекст пользователя как неявный запрос. Она извлекает Multiple Search Criteria из этого контекста (например, текст на экране) и присваивает им начальные веса (confidence).

RANKING – Ранжирование
Система выполняет два этапа: первоначальное ранжирование на основе начальных весов и уточненное ранжирование после выбора пользователя и повышения confidence выбранного критерия.

RERANKING – Переранжирование (и Машинное обучение)
Механизм обратной связи. Система анализирует Positive or Negative Indication в ответ на уточненные результаты. Эти данные используются Machine-Learning Component для изменения поискового движка, влияя на будущее взвешивание аналогичных критериев.

Входные данные:

• Контент, с которым взаимодействует пользователь (текст статьи, данные о телефонном звонке).
• Контекстуальные данные (история пользователя, данные устройства).
• Выбор пользователем одного из Selectable Items.
• Поведенческие данные после показа результатов (Positive or Negative Indication).

Выходные данные:

• Search Results и Refined Search Results.
• Selectable Items (отображаемые в интерфейсе).
• Обновления для Search Engine (измененные веса моделей ML).

На что влияет

• Типы контента: Влияет на любой контент, из которого можно извлечь критерии поиска: веб-страницы, электронные письма, документы, интерфейсы приложений. Особенно актуально для контента, богатого сущностями (Entity-rich content).
• Специфические запросы: Наиболее сильно влияет на пассивные контекстные и проактивные поиски (например, Google Assistant, Discover), где намерение пользователя изначально неоднозначно.
• Взаимодействие с пользователем: Описывает конкретный механизм UI/UX, когда элементы исходного контента становятся интерактивными элементами управления поиском.

Когда применяется

• Триггеры активации: Взаимодействие пользователя с контентом (открытие веб-страницы, совершение звонка), которое система интерпретирует как возможность для проактивного поиска.
• Условия работы: Когда система идентифицирует несколько критериев с разной степенью confidence и может предложить пользователю интерфейс для корректировки этой уверенности (часто предлагая уточнить критерии с низкой уверенностью).

Пошаговый алгоритм

Процесс А: Генерация и уточнение поиска

1. Мониторинг контекста: Система отслеживает действия пользователя (например, чтение статьи).
2. Пассивное извлечение критериев: Система извлекает Multiple Search Criteria из контента и контекста.
3. Начальное взвешивание и генерация: Каждому критерию присваивается начальный confidence. Генерируются первоначальные результаты.
4. Представление результатов и критериев: Система отображает результаты и представляет Selectable Items для критериев (например, выделяет сущности в тексте), часто фокусируясь на критериях с низкой уверенностью.
5. Получение выбора пользователя: Пользователь выбирает один из элементов.
6. Корректировка весов: Система повышает confidence выбранного критерия.
7. Генерация уточненных результатов: Search Engine определяет и представляет Refined Search Results на основе скорректированных весов.

Процесс Б: Обратная связь и машинное обучение

1. Мониторинг взаимодействия: После показа Refined Search Results система отслеживает действия пользователя.
2. Определение индикации: Система определяет Positive or Negative Indication (например, клик по результату – положительная; игнорирование – отрицательная).
3. Анализ данных: Machine-Learning Component анализирует исходный контекст, выбор пользователя и полученную индикацию.
4. Изменение поискового движка: Система корректирует модели ранжирования, чтобы в будущем при схожем контексте начальное взвешивание критериев было более точным.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст из просматриваемых документов, веб-страниц, электронных писем. Сущности и концепции, извлеченные из этого текста, используются как Search Criteria.
• Пользовательские факторы: История пользователя (user history) и данные устройства (user device). Контекст пользователя, такой как активное приложение или текущее действие (например, телефонный звонок и связанные контакты/сущности).
• Поведенческие факторы:
  • Действия, инициирующие пассивный поиск.
  • Выбор конкретного Selectable Item для уточнения.
  • Взаимодействие с Refined Search Results, используемое как Positive or Negative Indication.

Какие метрики используются и как они считаются

• Confidence (Уверенность): Ключевая метрика. Вес, присваиваемый каждому критерию поиска. Он определяется изначально алгоритмом и динамически корректируется пользователем. Выбор критерия повышает его confidence.
• Positive/Negative Indication (Индикация желательности): Метрика, оценивающая качество уточненных результатов на основе поведения пользователя. Рассчитывается путем анализа взаимодействия (клики, время взаимодействия, последующие действия).
• Методы анализа текста (NLP): Используются для извлечения Search Criteria (сущностей, тем) из текста (Entity Recognition).
• Алгоритмы машинного обучения: Используются для определения начальных весов confidence и для обновления поискового движка на основе обратной связи.

1. Контекст как неявный запрос: Патент подтверждает стратегию Google по интерпретации действий пользователя и контента на экране как пассивного поискового запроса. Система постоянно пытается предугадать потребности, извлекая Search Criteria из контекста.
2. Извлечение и взвешивание сущностей: Эффективность системы зависит от способности распознавать сущности в контенте и присваивать им начальную значимость (confidence). Система часто предлагает уточнить критерии с низкой уверенностью.
3. Интерактивное уточнение как сигнал обучения: Патент описывает прямой механизм использования взаимодействия пользователя (выбор критерия) как сигнала обратной связи. Это не только улучшает текущую сессию, но и обучает Machine-Learning Component.
4. Обучение на поведении (Engagement as a Factor): Реакция пользователя (Positive or Negative Indication) на уточненные результаты напрямую влияет на будущее взвешивание аналогичных критериев. Если пользователи часто уточняют поиск по определенной сущности в контексте, эта сущность получит более высокий начальный confidence в последующих поисках.
5. Приоритет сущностей (Entity-First): Механизм фокусируется на выборе конкретных элементов (часто сущностей) для уточнения поиска, что подчеркивает важность Entity-First подхода в SEO.

Best practices (это мы делаем)

• Четкое определение и выделение сущностей (Entity Clarity): Обеспечьте, чтобы контент был структурирован так, чтобы поисковые системы могли легко идентифицировать ключевые сущности (люди, места, продукты, концепции). Эти сущности могут быть извлечены как Search Criteria. Используйте семантическую разметку (Schema.org) и ясный язык.
• Построение Topical Authority и семантических связей: Создавайте контент, который содержит множество связанных сущностей и подтем с четкими взаимосвязями. Это увеличивает вероятность извлечения релевантных Search Criteria и помогает системе корректно интерпретировать контекст.
• Оптимизация под намерения пользователя (User Intent): Анализируйте, какие аспекты темы наиболее важны для пользователей. Патент показывает, что Google учится этому через интерактивное поведение. Контент должен соответствовать этим приоритетам, чтобы система присваивала ключевым элементам более высокий начальный confidence.
• Оптимизация для контекстного поиска (Discover/Assistant): Поскольку механизм тесно связан с проактивным поиском, создание авторитетного контента, который может быть интересен вне рамок явного поиска, становится более важным.

Worst practices (это делать не надо)

• Поверхностный контент и размытие фокуса: Создание контента, который упоминает множество сущностей без четкой иерархии или фокуса, может привести к неправильному взвешиванию Search Criteria системой.
• Неоднозначное упоминание сущностей: Если сущности упоминаются двусмысленно, система не сможет корректно использовать их как Search Criteria или присвоить им адекватный Confidence.
• Clickbait и неудовлетворенность пользователя: Контент, который не удовлетворяет намерение пользователя, приведет к негативным поведенческим сигналам. В контексте этого патента это соответствует Negative Indication, что может негативно повлиять на обучение ML-модели.

Стратегическое значение

Патент подчеркивает стратегический переход Google к глубокому пониманию контекста и использованию машинного обучения, основанного на реальном поведении пользователей. Для SEO это означает, что фокус должен быть на создании контента, который максимально точно соответствует сложным намерениям пользователя и четко структурирован для извлечения сущностей. Понимание того, что любой элемент контента может стать триггером для уточнения поиска, меняет подход к созданию контента, делая акцент на ясности и релевантности каждой упомянутой сущности.

Практические примеры

Сценарий: Оптимизация статьи-путеводителя для пассивного поиска (на основе FIG. 3-5 патента)

Задача: Создать статью о достопримечательностях Окленда, которая будет хорошо работать в системах контекстного поиска.

1. Действие (SEO): В статье четко выделяются основные места (Парк Сезара Чавеса) и связанные сущности (например, архитектор Джулия Морган). Используется Schema.org (Person, TouristAttraction).
2. Механизм (по патенту): Когда пользователь читает статью, система пассивно извлекает эти сущности как Multiple Search Criteria. "Окленд" получает высокий confidence, а "Джулия Морган" – низкий. Система показывает общие результаты об Окленде.
3. Взаимодействие: Система выделяет "Джулия Морган" как Selectable Item (так как это критерий с низкой уверенностью). Пользователь тапает на имя.
4. Результат: Система повышает confidence для "Джулия Морган" и генерирует Refined Search Results (например, ее биографию или другие работы).
5. Обучение: Если многие пользователи тапают на "Джулия Морган" (Positive Indication), система учится, что эта сущность важна в контексте Окленда, и может повысить ее начальный вес в будущих поисках. Четкая структура контента облегчает этот процесс.