Как Google Assistant позволяет пользователям выбирать предпочтительные источники контента (и когда он может их игнорировать)

Термины и определения

Additional Source (Дополнительный источник)

Источник контента, который не указан как предпочтительный в Source Parameter Rule, соответствующем данному запросу. Используется для верификации качества, актуальности или в качестве альтернативы предпочтительному источнику.

Answer Parameters (Параметры ответа)

Параметры, связанные с Source Parameter Rule, которые определяют, насколько строго следует соблюдать правило (например, «предпочитать» или «использовать только»), а также определяют логику выбора альтернативных правил или источников в случае, если контент из основного предпочтительного источника не удовлетворяет требованиям запроса.

Automated Assistant (Автоматизированный ассистент)

Программное обеспечение (например, Google Assistant), которое взаимодействует с пользователем посредством диалога, получая текстовый или голосовой ввод и предоставляя соответствующий вывод.

Preferred Source (Предпочтительный источник)

Источник контента, указанный в Source Parameter Rule как приоритетный для использования при ответе на определенный тип запроса.

Request Type (Тип запроса)

Классификация пользовательского запроса, основанная на намерении (intent), теме (topic) или других параметрах запроса. Используется для связи запроса с соответствующим Source Parameter Rule.

Source Parameter Rule (Правило параметров источника)

Набор параметров, который указывает, какие источники следует предпочесть при ответе на определенные типы запросов пользователя. Правило специфично для пользователя и/или устройства.

Threshold degree of dissimilarity (Пороговая степень несходства)

Метрика, используемая для сравнения контента из предпочтительных и дополнительных источников. Если разница в контенте (например, актуальность, точность, детализация) превышает этот порог, активируется специальная логика генерации ответа.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс, включающий сравнение контента и реагирование на несходство.

1. Система получает запрос (например, голосовой).
2. Определяется тип запроса и соответствующее Source Parameter Rule (специфичное для пользователя/устройства).
3. Выполняется Первый Поиск по предпочтительным источникам (Preferred Sources).
4. Выполняется Второй Поиск по дополнительным источникам (Additional Sources).
5. Сравнивается Первый Контент (из предпочтительных источников) и Второй Контент (из дополнительных источников).
6. Если сравнение указывает на превышение Threshold degree of dissimilarity:
7. Генерируется ответ, включающий: (i) часть Первого Контента, (ii) часть Второго Контента, и (iii) указание на то, что контент из предпочтительного источника отличается от контента из дополнительного источника.

Примечание: Claim 1 также детализирует механизм выбора резервного правила, если основное правило не срабатывает. Если контент основного источника (Primary Source) не удовлетворяет требованиям запроса, система выбирает другое правило из кандидатов на основе Answer Parameters, настроенных пользователем.

Claim 8 (Независимый пункт): Описывает альтернативный процесс, фокусирующийся на выборе одного источника и уведомлении о соблюдении/нарушении правила.

1. Система получает запрос и определяет соответствующее Source Parameter Rule.
2. Выполняется поиск по множеству источников (включая предпочтительные и дополнительные).
3. Идентифицируются результаты от предпочтительных источников (Результат 1) и от дополнительных (Результат 2).
4. Система выбирает либо Результат 1, либо Результат 2 для генерации ответа (например, на основе ранжирования - Claim 9).
5. Генерируется ответ на основе выбранного результата.
6. Если выбран Результат 1 (предпочтительный): ответ включает указание, что результат был выбран на основе Source Parameter Rule.
7. Если выбран Результат 2 (дополнительный): ответ включает указание, что Source Parameter Rule было нарушено.

Claim 15 (Независимый пункт): Описывает систему, реализующую логику, аналогичную Claim 1, с акцентом на использование машинного обучения для идентификации запроса и механизма Answer Parameters для выбора резервных правил.

Где и как применяется

Патент описывает внутреннюю логику работы Автоматизированного Ассистента, которая затрагивает несколько этапов обработки запроса.

QUNDERSTANDING – Понимание Запросов
На этом этапе система анализирует ввод пользователя (текстовый или голосовой), генерирует транскрипцию и использует модели машинного обучения (NLP/NLU) для определения Request Type (намерения и сущностей). Система также определяет, связано ли это с существующим Source Parameter Rule пользователя.

RANKING / RETRIEVAL (Внутренний поиск Ассистента)
Ассистент инициирует поиск (один или несколько) через Search Engine. Поиск направляется на Preferred Sources и/или Additional Sources в соответствии с логикой патента (параллельный поиск или последовательный при неудаче).

RERANKING / PRESENTATION (Выбор и представление ответа)
Основное применение патента. Компонент Source/Result Selection Engine анализирует полученные результаты:

1. Сравнение: Контент из разных источников сравнивается для определения степени несходства (dissimilarity).
2. Выбор: Система выбирает контент на основе правил, ранжирования и результатов сравнения. Используются Answer Parameters для определения строгости соблюдения правил или выбора альтернатив.
3. Генерация ответа: Output Generation Engine формирует финальный ответ, включая выбранный контент и обязательное уведомление о соблюдении или нарушении Source Parameter Rule.

Входные данные:

• Запрос пользователя (аудио или текст).
• Существующие Source Parameter Rules пользователя/устройства.
• Контекстные сигналы (местоположение, время).
• Данные идентификации пользователя (голосовой профиль).

Выходные данные:

• Сгенерированный ответ (текст/аудио), содержащий информацию из выбранных источников и указание статуса соблюдения предпочтений пользователя.

На что влияет

• Конкретные типы контента: В первую очередь влияет на контент, где у пользователей часто есть предпочтения по источникам: новости, спортивные результаты, погода, обзоры.
• Специфические запросы: Информационные запросы, обрабатываемые через Автоматизированный Ассистент.
• Форматы контента: Влияет на выбор формата (например, аудио-сводки, статьи), если правило это определяет.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда пользовательский запрос соответствует Request Type, для которого у данного пользователя или устройства установлено Source Parameter Rule.
• Условия и исключения: Система может игнорировать предпочтение (нарушить правило), если: (i) предпочтительный источник недоступен, (ii) контент предпочтительного источника не соответствует критериям качества (устарел, не авторитетен), или (iii) контент значительно конфликтует с дополнительными источниками (превышен порог несходства).

Пошаговый алгоритм

Описано несколько вариантов реализации. Ниже приведен обобщенный алгоритм, включающий сравнение (на основе Claim 1 и FIG. 4).

1. Получение и обработка ввода: Система получает голосовой запрос от пользователя.
2. Транскрипция и Понимание (NLU): Генерируется транскрипция, определяются намерение и сущности.
3. Идентификация Правила: Система определяет, что запрос соответствует Request Type, связанному с Source Parameter Rule пользователя. (Используются ML-модели, обученные на существующих правилах).
4. Выполнение Первого Поиска: Инициируется поиск по Preferred Sources, указанным в правиле. Получается Первый Контент.
5. Выполнение Второго Поиска: Инициируется поиск по Additional Sources (например, общий веб-поиск). Получается Второй Контент. (В альтернативных реализациях Второй Поиск может выполняться только при неудаче Первого).
6. Сравнение Контента: Система сравнивает Первый и Второй Контент (например, используя векторные представления/embeddings).
7. Оценка Несходства: Определяется, превышена ли Threshold degree of dissimilarity (например, конфликтующие факты, разница в дате публикации).
8. Генерация Ответа (Ветвление):
   • Если порог превышен (контент разный): Генерируется ответ, включающий Первый Контент И Второй Контент, а также указание на то, что информация отличается.
   • Если порог не превышен (контент схожий): Генерируется ответ на основе Первого Контента (из предпочтительного источника). Может включать указание, что ответ предоставлен из предпочтительного источника.
9. Рендеринг Ответа: Ответ предоставляется пользователю (визуально и/или аудиально).

Какие данные и как использует

Данные на входе

• Пользовательские факторы:
  • Historical interaction data: История взаимодействий пользователя с Ассистентом. Используется для неявного создания Source Parameter Rules (если пользователь часто выбирает определенный источник) и для ранжирования источников.
  • Явные предпочтения пользователя: Запросы на создание правил («Используй источник X для Y»).
  • Данные аккаунта: Идентификация пользователя для применения специфичных правил (упоминается использование voice recognition и face identification).
  • Контекст: Местоположение пользователя, язык.
• Контентные факторы: Содержание результатов поиска (текст, сниппеты, метаданные) из предпочтительных и дополнительных источников.
• Технические факторы: Аудиоданные голосового запроса, транскрипции.

Какие метрики используются и как они считаются

• Threshold degree of dissimilarity (Пороговая степень несходства): Ключевая метрика для сравнения контента. В патенте упоминается, что для сравнения контент может быть представлен в векторном пространстве (embeddings) с использованием моделей (например, энкодер нейронной сети). Сходство/несходство определяется на основе близости векторов.
• Quality Criteria (Критерии качества): Используются для оценки результатов поиска и принятия решения о выборе источника. Упоминаются:
  • Популярность контента.
  • Степень соответствия между параметрами поиска и контентом.
  • Дата последнего обновления (last updated date).
  • Авторитетность (authoritative).
  • Доступность в удобном формате вывода (output-friendly format).
• Ranking Scores (Оценки ранжирования): Используются для ранжирования результатов и/или источников. Ранжирование может учитывать критерии качества и степень предпочтения, указанную в правиле.
• Алгоритмы машинного обучения:
  • Speech Recognition (RNN, Transformer).
  • NLU (LSTM, GRU) для определения интента и сущностей.
  • Embedding models для сравнения контента и определения типа источника (например, группировка «Британских новостных источников»).

1. Персонализация источников в Ассистенте: Патент описывает конкретный механизм, позволяющий пользователям контролировать, откуда Ассистент берет информацию для определенных тем. Это достигается через систему Source Parameter Rules.
2. Предпочтения не абсолютны (Механизм переопределения качества): Критически важно, что система не слепо следует предпочтениям пользователя. Она активно проверяет предпочтительные источники на предмет актуальности, точности и качества, сравнивая их с дополнительными источниками.
3. Важность свежести и точности контента: Если контент предпочтительного источника устарел или конфликтует с другими источниками (превышен Threshold degree of dissimilarity), Ассистент может проигнорировать предпочтение или предоставить оба варианта.
4. Прозрачность выбора источника: Система разработана так, чтобы явно уведомлять пользователя, когда его предпочтение было соблюдено, а когда и почему оно было нарушено. Это повышает доверие к системе.
5. Гибкая логика правил (Answer Parameters): Правила могут быть настроены с разной степенью строгости («предпочитать» vs «только использовать») и включать логику резервного копирования (что делать, если основной источник недоступен), используя Answer Parameters.
6. Явное и неявное создание правил: Система может обучаться предпочтениям пользователя на основе его истории взаимодействий, а не только на основе прямых команд.

Best practices (это мы делаем)

Хотя патент описывает работу Автоматизированного Ассистента, он дает важные инсайты для издателей контента и SEO-специалистов, работающих над оптимизацией под Assistant/Voice Search.

• Фокус на становлении «Предпочтительным источником»: Работайте над узнаваемостью бренда, лояльностью аудитории и качеством контента, чтобы пользователи явно выбирали ваш ресурс в качестве Preferred Source для конкретных тематик (Request Types).
• Поддержание абсолютной свежести контента: Это критически важно. Патент явно описывает механизм, при котором Ассистент сравнивает ваш контент с другими источниками. Если ваш контент устарел, Ассистент уведомит пользователя об этом и предложит альтернативу, даже если ваш сайт является предпочтительным.
• Обеспечение точности и авторитетности: Публикуйте точную информацию. Если ваш контент будет конфликтовать с более авторитетными источниками, система может пометить это как высокую степень несходства (dissimilarity) и понизить приоритет вашего контента.
• Оптимизация под форматы Ассистента: Убедитесь, что контент доступен в output-friendly format (например, структурированные данные, аудио-сводки для новостей). Недоступность формата может привести к выбору дополнительного источника.
• Расширение тематического авторитета: Стремитесь к тому, чтобы ваш сайт ассоциировался с широкими типами запросов (например, «Новости», а не только «Новости о нефтепроводе»), чтобы увеличить охват применения Source Parameter Rules.

Worst practices (это делать не надо)

• Полагаться только на бренд без обновления контента: Если пользователи добавили вас в предпочтения, но вы перестали обновлять контент, система Ассистента активно выявит это и переключит пользователей на конкурентов.
• Игнорирование точности данных: Публикация неточной или вводящей в заблуждение информации приведет к тому, что Ассистент будет явно указывать пользователям на конфликты между вашим контентом и другими источниками.
• Создание контента, недоступного для Ассистента: Если контент не может быть легко обработан и представлен Ассистентом (например, сложный интерактив без текстовой альтернативы), он не будет выбран, даже если источник предпочтителен.

Стратегическое значение

Патент подтверждает стратегическое значение экосистемы Автоматизированного Ассистента и движение в сторону персонализированного поиска информации, основанного на предпочтениях пользователя, а не только на глобальном ранжировании. Для издателей это означает необходимость конкурировать не только в общем поиске, но и на уровне индивидуальной лояльности пользователя. При этом Google оставляет за собой право контролировать качество, гарантируя, что персонализация не приведет к получению устаревшей или неточной информации.

Практические примеры

Сценарий: Оптимизация новостного портала для сохранения статуса предпочтительного источника

1. Ситуация: Пользователь установил портал «Городские Новости» как Preferred Source для запросов типа «Местные новости».
2. Запрос пользователя: «Какие последние новости о строительстве моста?»
3. Действия SEO/Редакции: Обеспечить, чтобы статья о мосте постоянно обновлялась. Указать точное время последнего обновления (timestamp) в метаданных и тексте статьи.
4. Работа Ассистента (Успех): Ассистент ищет у «Городских Новостей» (Первый Поиск) и в общем поиске (Второй Поиск). Он сравнивает даты. Если «Городские Новости» имеют самую свежую информацию или схожую с другими источниками (dissimilarity низкая), Ассистент ответит: «Согласно вашему предпочтительному источнику, Городские Новости, строительство возобновлено сегодня утром».
5. Работа Ассистента (Неудача): Если статья «Городских Новостей» устарела на неделю, а конкурент опубликовал новость час назад, dissimilarity будет высокой. Ассистент ответит: «Ваш предпочтительный источник, Городские Новости, возможно, устарел по этой теме. Вот обновление от Портала 24: строительство возобновлено сегодня утром».